三维模型在SAR图像自动目标识别中的应用

提高高分辨率SAR图像在复杂战场环境中的目标识别能力,对防御未来战争中来自地面目标的威胁具有重要意义。针对地面特定目标的大小、方位、旋转等变化以及强杂波背景给目标识别带来的严重影响,提出将目标的三维模型投影到二维平面,采用余弦傅里叶矩和瑞利分布的CFAR检测方法分别对其矩特征和峰值特征进行提取,利用级联组合分类器对目标识别进行建模分析,并通过试验验证该方法的有效性。结果表明:该方法实现了在特征维数高和姿态变化下的目标识别,而且无需额外增加对制导控制系统的开销。     

基于改进型CFAR的SAR图像目标检测算法

针对传统的双参数恒虚警率(Constant False Alarm Rate,CFAR)算法存在的虚警率高、实现过程繁琐、算法执行效率低等问题,提出了一种改进型的CFAR检测算法。该算法根据SAR图像的统计直方图,对可疑的目标像素进行预筛选,再用2个滑动窗口对像素进行判别。改进型的CFAR检测算法简化了原检测算法的结构,降低了检测结果的虚警率,提高了算法的计算效率,并在国际公开的雷达数据集上进行软件与DSP硬件的应用验证,测试表明该算法的有效性。     

基于TEASER算法的空间非合作目标位姿估计

基于点云的空间非合作目标位姿估计,常受到噪声影响.提出截断最小二乘估计与半定松弛(truncated least squares estimation and semidefinite relaxation, TEASER)与迭代最近点(iterative closest point, ICP)的结合算法,提升空间非合作目标位姿估计精度与鲁棒性.该方法包括粗配准与精配准两个环节：在粗配准环节中,基于局部点云与模型点云的方向直方图特征(signature of histogram of orientation, SHOT)确定匹配对,利用TEASER算法求解初始位姿;在精配准环节中,可结合ICP算法优化位姿估计结果.北斗卫星仿真实验表明：在连续帧位姿估计中,噪声标准差为3倍点云分辨率时,基于TEASER的周期关键帧配准方法的平移误差小于3.33 cm,旋转误差小于2.18°;与传统ICP方法相比,平均平移误差与平均旋转误差均有所降低.这表明所提出的空间非合作目标位姿估计方法具有良好的精度和鲁棒性.     

型号工程新产品标准化大纲的编制

叙述了型号工程新产品标准化大纲编制的一些基本原则,探讨了编制的一些基本方法,并结合编制实践介绍了处理一些典型问题的原则及途径。     

小样本目标检测综述

小样本学习是指在样本数据不足或质量较低的情况下进行的深度学习训练和预测的方法.针对深度学习目标检测应用中可能会面对的样本数据不足的问题,分析了小样本目标检测的数学模型和误差来源,将适用于小样本目标检测的方法分成数据、模型和算法三个类别进行了归纳总结,简述了各个方案的缺点与不足,并枚举了近年来在小样本目标检测上的可行方法...