利用图像相关等级的目标判别方法及其应用

提出一种根据PCA重构图像与原目标相关等级进行的目标识别方法,解决伪目标参与识别影响识别准确度的问题。首先建立目标模板库特征空间,将定位到的目标对象映入特征空间,利用PCA变换进行图像重构,定义降维重构图像与原目标之间的相关度函数,根据该函数判别图像等级;若原目标与其重构图像相似度很低,认定原目标为伪目标,将其剔除,不进入识别过程;若认定为真实目标后,根据相似性程度,分别选用降维重构图像或原图像作为识别对象,利用Hu不变矩距离分类器进行识别。该方法可有效剔除伪目标,并根据图像质量选用识别目标,提高了目标识别准确度,交通卡口获取的实测车辆图像车标识别试验验证了该方法的鲁棒性和有效性。     

一种FMCW SAR地面运动目标谱图域参数估计方法

对调频连续波(FMCW)合成孔径雷达(SAR)地面运动目标的参数估计方法进行了研究,采用相位中心偏置天线(DPCA)技术对地杂波进行抑制,分析了载机及地面运动目标连续运动对回波信号的影响,推导了采用DPCA技术引入的回波慢时间包络(STE)项与地面运动目标参数之间的关系。在此基础上,提出了一种地面运动目标谱图域参数估计方法,该方法首先利用Radon变换在谱图域估计导致回波信号距离走动的目标等效径向速度,并对距离走动进行校正;其次,在谱图域中提取运动目标回波幅度,根据STE项引起的回波幅度变化与目标方位向速度之间的关系,估计目标的方位向速度,并进一步求解相应的目标径向速度。所提方法能够在谱图域完成地面运动目标二维速度估计,最后的仿真实验验证了所提方法的有效性和可行性。     

基于图像奇异值描述的雷达目标识别方法

利用目标对常规雷达发射波形的调制效应，先对录取的回波数据进行预处理，把一维回波序列投影成二维灰度图像，然后提取这种图像的反映飞机目标不同机型(大、小)和不同架次的奇异值作为特征矢量，采用BP神经网络对目标进行分类识别试验，结果表明该方法是有效的，这为常规低分辨雷达空中目标识别提供了一种新方法。     

基于核局部保留映射的全视点三维空间目标识别(英文)

空间目标识别在空间探测和空间监视等领域发挥着重要的作用。其中有两个难点:缺少相关数据和目标视点的剧烈变化。为了给空间三维目标的研究提供相关数据,本文首先建立了称为BUAA-SID 1.0的三维卫星图片数据库。基于此图片库,本文提出使用核局部保留映射(KLPP)进行全视点三维空间目标识别。为了得到目标更精确和利于识别的特征描述,我们使用了不变矩特征、傅里叶描述子、区域协方差和梯度方向直方图来建立目标的特征向量。接下来,将相关特征向量映射到核空间并使用KLPP方法进行降维以得到核空间目标特征的子流形。最后,使用K近邻(kNN)方法进行分类。由实验结果可知,本文提出的方法对于主要考虑视点变化情况下的三维空间目标识别具有较好的效果。基于BUAA-SID 1.0的实验结果显示,相关识别率可以达到95.87%。     

引人注目的维拉无源雷达系统

可移动维拉(VERA-E)无源雷达系统是一种能对空中、地面和海上目标进行定位、识别和跟踪的电子情报(ELINT)系统,它可以作为无源3维防空雷达使用,作用距离达450千米。据称,该系统曾在科索沃战争中击落美国F-117隐身飞机时发挥了作用     

基于序列图像的自动目标识别算法

由于利用单幅二维图像进行三维目标识别存在识别的多义性,提出了一种基于二维序列图像的三维目标自动识别算法。首先以修正的Hu不变矩构造目标的图像识别特征,进而采用BP神经网络分类器构造关于目标融合识别的基本置信指派函数,以神经网络的训练误差构造证据理论不确定性度量,采用基于吸收法的DS证据理论实现高冲突证据的贯序式融合。对各姿态飞机图像识别的仿真表明,该算法对飞机的空间姿态变化具有很强的鲁棒性,能快速地准确识别飞机类型。此外,算法对先验性参数具有一定的鲁棒性。     

机载雷达岛岸背景舰船识别能力研究

本文介绍了机载雷达目标识别技术的现状,以及现有机载雷达所采取的目标识别技术,并用试验验证了机载雷达对岛屿与小型船只的分类能力。说明应用步进频体制可实现对目标与背景的高分辨距离成像,通过该体制可提取出目标的距离维尺度特征。该技术可用于区分海域中的岛礁、小型舰艇、大型舰船等尺度差异较大的目标与背景。     

基于梯度方向二值模式特征的飞机翼尖跟踪技术

研究基于视频图像分析与定位的飞机翼尖跟踪技术,为飞机地面移动提供安全保障.现有图像特征进行翼尖跟踪经常失效且计算效率低下,本文结合纹理和轮廓信息,提出以梯度方向二值模式( OG_ LBP)为特征的粒子滤波跟踪算法,降低特征维数的同时建立局部和全局的翼尖特征直方图描述,提高识别效果.同时,该算法在粒子滤波基本框架之下,结...     

基于迁移学习的无人机对地面目标识别研究

无人机对地面目标的识别精度受到数据集少和目标小的影响。传统深度学习需要大量有标注的数据集,限制了在具有小样本下的无人机对地面目标识别领域的应用。将迁移学习的方法用于卷积神经网络VGG16,并修改VGG16网络最后的3个连接层;同时利用单样本数据增强法将UC Merced数据集扩大到原来的8倍,对其进行验证和对比分析。实验结果表明,基于迁移学习的VGG16网络对地面目标识别的准确度可达97.62%,相较于未使用迁移学习的VGG16网络模型,整体提高了23.53%。并且在相同训练参数的设置下,模型比SqueezeNet、AlexNet、Inceptionv3、MobileNet-v2以及EfficientNetb0模型验证精度提高了3.63%～17.38%,收敛速度最快,可基本满足对地面目标的识别。     

一种基于天水线的红外舰船图像目标识别方法

针对海天背景下红外舰船目标的识别,提出了一种基于天水线的目标识别方法.利用被识别目标相对天水线的空间位置目标红外特征量和图像帧间信息识别目标,在强干扰环境下,利用该方法进行了仿真实验,得到了很好的效果.     

基于光照模糊相似融合不变矩的航天器目标识别

针对航天器目标识别中现有的光照变化和图像模糊条件下几何仿射不变矩识别不稳健问题,根据灰度光照模型,结合图像模糊和不变矩的基本理论,提出了一种光照模糊不变量,与几何仿射不变矩进行融合,构建出一种新的光照模糊相似融合（CIBA）不变矩,并从理论上证明了光照、模糊和相似变换（平移、缩放和旋转）不变性。对3种不同的航天器目标的识别实验表明,光照模糊相似融合不变矩在最小距离分类器中的识别准确率达到了86.37%,比几何仿射不变矩提高了94.00%,比具有光照不变性的几何仿射不变矩提高了24.54%,有效地解决了对不同位姿、不同光照模糊条件下的航天器目标识别问题,提高了基于矩的目标识别鲁棒性。     

具有几何和光照不变性的不变矩构建研究

为了解决现有的光照变化条件下仿射不变矩识别不稳健的问题,提出了一种归一化光照仿射不变矩,即采用一种光照模型,基于Jan Flusser仿射不变矩,推导出一种归一化光照仿射不变矩,并且从理论上证明了该方法在各种仿射变换下的稳健性,然后通过对比实验验证了该方法在光照强度、方向和颜色改变下的不变性.实验结果表明,与当前主流的光照不变矩方法相比,该方法不仅适合灰度图像也适合彩色图像,在光照方向改变下,图像的倾斜运动中识别度提高了35％;在线性光照强度改变下,图像的倾斜运动中识别度提高了85％;在光照颜色改变下,图像的平移和旋转运动中识别度提高了7.8％;以多种卫星模型图像为实验对象,在光照改变下,彩色图像和灰度图像的识别度平均提高了36％以上,且计算简单,更适合于航天器目标的识别.     

基于混合 MOM-PO的复合电磁散射问题分析

海面(或地面)环境中目标电磁散射特性,对实际战场环境下军用目标的雷达探测、雷达特性形成以及雷达目标识别等技术具有基础支撑作用。因此,快速准确地分析目标和粗糙面复合电磁散射特性具有重要理论意义和应用价值。文章采用基于矩量法(MOM)和物理光学法(PO)的混合方法MOM-PO分析了目标和粗糙面复合电磁散射问题。与传统的矩量法相比,该方法在保证精确度的前提下大大加快了计算速度。     

Automatic target recognition using sequences of high resolutionradar range-profiles

In this paper, we address the problem of joint tracking and recognition of a target using a sequence of high resolution radar (HRR) range-profiles. The likelihood function for the scene configuration combines a dynamics-based prior on the sequence of target orientations with a likelihood for range-profiles given the target orientation. A deterministic model and a conditionally Gaussian model for range-profiles are introduced, and the likelihood functions under each model are compared. Simulations are presented demonstrating recognition of mobile aircraft and ground targets, and results showing performance of the algorithm are given in terms of the expected angular estimation error and the rate of correct recognition     

高斯模糊下舰船图像的矩特征

针对舰船目标图像受到自身运动、环境和图像预处理的影响出现模糊,丢失轮廓信息,造成像素点阵模糊和矩特征变化的问题,在高斯模糊低阶矩特征分析的基础上,提出并证明了Hu矩、仿射不变矩特征在高斯模糊作用下的变化定理;通过2个仿真实验验证了定理的正确性;为了保证舰船目标的识别效率,提出了建立多尺度特征库的建议。     

An online ensemble semi-supervised classification framework for air combat target maneuver recognition

Online target maneuver recognition is an important prerequisite for air combat situation recognition and maneuver decision-making. Conventional target maneuver recognition methods adopt mainly supervised learning methods and assume that many sample labels are available. However, in real-world applications, manual sample labeling is often time-consuming and laborious. In addition, airborne sensors collecting target maneuver trajectory information in data streams often cannot process information in real time. To solve these problems, in this paper, an air combat target maneuver recognition model based on an online ensemble semi-supervised classification framework based on online learning, ensemble learning, semi-supervised learning, and Tri-training algorithm, abbreviated as Online Ensemble Semi-supervised Classification Framework (OESCF), is proposed. The framework is divided into four parts: basic classifier offline training stage, online recognition model initialization stage, target maneuver online recognition stage, and online model update stage. Firstly, based on the improved Tri-training algorithm and the fusion decision filtering strategy combined with disagreement, basic classifiers are trained offline by making full use of labeled and unlabeled sample data. Secondly, the dynamic density clustering algorithm of the target maneuver is performed, statistical information of each cluster is calculated, and a set of micro-clusters is obtained to initialize the online recognition model. Thirdly, the ensemble K-Nearest Neighbor (KNN)-based learning method is used to recognize the incoming target maneuver trajectory instances. Finally, to further improve the accuracy and adaptability of the model under the condition of high dynamic air combat, the parameters of the model are updated online using error-driven representation learning, exponential decay function and basic classifier obtained in the offline training stage. The experimental results on several University of California Irvine (UCI) datasets and real air combat target maneuver trajectory data validate the effectiveness of the proposed method in comparison with other semi-supervised models and supervised models, and the results show that the proposed model achieves higher classification accuracy.     

基于LSTM的飞行数据挖掘模型构建方法

提出了一种基于LSTM （Long Short Time Memory）模型的飞行历史数据挖掘模型的构建方法,此模型可以将飞行数据中有价值的目标数据自动提取出来。首先,通过滑动窗口法获得待检测数据;然后,将预先做好的训练样本数据输入到所构造的LSTM模型中进行训练,得到数据挖掘模型;最后,将待检测数据导入到训练好的LSTM模型中进行模式识别,将目标数据片段挖掘出来。结果表明,基于LSTM模型的飞行数据挖掘模型构建方法通用化程度高,可用于挖掘不同类型的目标数据,且识别率高,具有很高的工程应用价值。     

STABC-IR: An air target intention recognition method based on bidirectional gated recurrent unit and conditional random field with space-time attention mechanism

The battlefield environment is changing rapidly, and fast and accurate identification of the tactical intention of enemy targets is an important condition for gaining a decision-making advantage. The current Intention Recognition (IR) method for air targets has shortcomings in temporality, interpretability and back-and-forth dependency of intentions. To address these problems, this paper designs a novel air target intention recognition method named STABC-IR, which is based on Bidirectional Gated Recurrent Unit (BiGRU) and Conditional Random Field (CRF) with Space-Time Attention mechanism (STA). First, the problem of intention recognition of air targets is described and analyzed in detail. Then, a temporal network based on BiGRU is constructed to achieve the temporal requirement. Subsequently, STA is proposed to focus on the key parts of the features and timing information to meet certain interpretability requirements while strengthening the timing requirements. Finally, an intention transformation network based on CRF is proposed to solve the back-and-forth dependency and transformation problem by jointly modeling the tactical intention of the target at each moment. The experimental results show that the recognition accuracy of the jointly trained STABC-IR model can reach 95.7%, which is higher than other latest intention recognition methods. STABC-IR solves the problem of intention transformation for the first time and considers both temporality and interpretability, which is important for improving the tactical intention recognition capability and has reference value for the construction of command and control auxiliary decision-making system.     

高升力实验洞壁干扰修正

 研究了根据最佳点壁压和影响函数对三维模型低速高升力测力实验进行洞壁干扰修正的方法（简称壁压影响函数法,ＷＰＩＦ法）。应用它对高升力模型小风洞实验结果进行了洞壁干扰修正。修正结果与无干扰实验数据作了比较,说明该方法对高升力测力实验的修正是准确的。     

基于深度神经网络的空中目标作战意图识别

传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。针对反向传播（BP）算法在更新网络节点权值时收敛速度慢、容易陷入局部最优的问题,通过引入ReLU（Rectified Linear Unit）激活函数和自适应矩估计（Adam）优化算法,设计了基于深度神经网络的作战意图识别模型,提高了模型收敛速度,有效地防止陷入局部最优。仿真结果表明,所提方法能够有效识别空中目标作战意图,获得更高的识别率。