红外与激光工程
2022, 51(10): 20220029
1 重庆光电技术研究所, 重庆 400060
2 驻重庆地区军代局, 重庆 400060
针对合成孔径雷达（Synthetic Aperture Radar, SAR）目标识别中方位角差距大的训练样本之间存在干扰的问题, 对传统协同表示字典进行了改进, 得到更适应于当前测试样本且能够降低弱相关原子对系统影响的自适应字典, 基于此提出了一种自适应原子选择的核函数变换协同表示算法, 并在美国DARPA中的运动和静止目标获取与识别计划公开发布的SAR图像数据库上进行了验证实验。实验结果表明, 相较于基于全部训练样本字典的核协同表示模型, 基于自适应原子选择的核协同表示方法降低了干扰原子的不良影响, 提高了对SAR目标识别的可靠性和鲁棒性。
合成孔径雷达 自动目标识别 自适应原子选择 多特征 核协同表示 synthetic aperture radar automatic target recognition adaptive atom selection multi-feature kernel collaborative representation
红外与激光工程
2021, 50(9): 20210531
1 中国电子科技集团公司智能感知技术重点实验室，江苏南京 210039
2 南京电子技术研究所，江苏南京 210039
针对现有文献中未出现关于 RELAX算法超分辨性能的定量讨论或关于 RELAX应用的边界条件分析，导致 RELAX算法的实际应用十分困难这一问题，在详细分析 RELAX算法的超分辨原理的基础上，通过仿真给出了一些关于 RELAX实际应用的边界条件及结论，可用于指导 RELAX算法在实际散射中心估计中的应用： RELAX超分辨处理对估计散射点个数不敏感；当 FFT点数约为要达到真实分辨力所需 FFT点数的 2倍时， RELAX超分辨处理的重构精确度可满足要求；在保证一定的重构精确度的前提下， RELAX超分辨处理的分辨力最高可以达到实际分辨力的 2倍。本文仿真条件下，当 RSN=10 dB时，RELAX超分辨处理在一定误差容忍范围内基本可用。
高分辨距离像 自动目标识别 RELAX算法 超分辨 散射中心估计 high resolution range profile automatic target recognition RELAX super resolution scattering center estimation 太赫兹科学与电子信息学报
2019, 17(3): 495
1 中国科学院上海技术物理研究所，上海200083
2 中国科学院红外探测与成像技术重点实验室，上海200083
自动目标识别算法是现阶段和未来**系统的重要组成部分，是当代科技**领域的研究热点。介绍了自动目标识别(ATR)算法的发展现状，对现有的ATR算法进行了归类和叙述，并简要介绍了ATR算法的性能评价方法，最后对本领域的研究现状做出总结和展望。
自动目标识别 图像处理 模式识别 automatic target recognition image processing pattern recognition
1 武汉大学电子信息学院, 湖北 武汉 430072
2 武汉理工大学光纤传感技术与信息处理教育部重点实验室, 湖北 武汉 430070
3 苏州一光仪器有限公司, 江苏 苏州 215006
传统的全站仪测量模式为人工搜索、照准目标,工作强度大、易出错、工作效率低,针对现有国产全站仪的不足,研究了全站仪自动目标识别与照准技术。构建了ATR全站仪探测系统,全站仪自带图像采集系统和马达驱动,利用数字图像处理技术,提出了图像相减去除背景噪声后求光斑中心的方法,按照一定的搜索策略,实现了目标的自动识别与照准。在电机驱动精度设定为10″情况下,系统的照准精度也能达到10″。自动识别、照准与人工操作结果一致,系统能够精确地对目标进行自动识别与照准。该方法能够用于全站仪测量时的目标自动照准,可以避免人工繁琐操作,提高工作效率。
ATR全站仪 图像相减 光斑中心 目标自动识别与照准 照准精度 ATR electronic total station image subtraction spot center automatic target recognition and sighting accuracy of sighting
1 中国科学院长春光学精密机械与物理研究所 航空光学成像与测量重点实验室, 长春 130033
2 中国科学院大学, 北京 100049
为快速、准确地识别图像中的目标, 提出一种结合图像熵和加速鲁棒特征算法的目标自动识别方法.首先, 分块计算图像的信息熵, 根据阈值筛选出纹理丰富区域.然后, 结合Hessian矩阵和Harris算法提取纹理丰富区域的局部特征点.接着, 计算特征向量并用主成分分析降低向量维数.最后, 采用双向最近距离比例匹配算法进行分类, 并用随机抽样一致算法剔除误匹配点.实验结果表明：对仿真数据库中带有视角、光照和尺度变化的图像, 识别率分别为87.12%、75.31%和84.98%, 平均识别时间分别为70.35 ms、71.27 ms、220.63 ms;对含8956×6708像素的航空大面阵图像, 正确匹配率为78.13%, 识别时间为68.09 s.本方法识别率和时间性能均优于加速鲁棒特征算法.
图像处理 目标自动识别 特征提取 信息熵 分类 Image processing Automatic target recognition Feature extraction Information entropy Classification
1 中国科学技术大学电子工程与信息科学系, 合肥 230027
2 上海理工大学上海汉堡国际工程学院, 上海 200093
3 弗吉尼亚理工大学电子与计算机工程系, 弗吉尼亚, 美国
本文提出了一种应用于 SAR图像目标识别的动态字典学习算法, 该算法通过在字典学习过程中自动删除和增加字典条目来调整字典表示性能与尺寸。删除操作是在删除代价的约束下针对相关度高或利用率低的字典条目进行, 而增加操作是在增加代价的约束下针对信号表示的残留误差的主分量进行, 通过交替执行删除和增加操作来不断优化字典, 使其表示能力达到最佳。在 MSTAR数据集上的实验验证了算法性能, 并给出了相应的参数调整建议。从实验结果和分析可看出, 该算法具有识别率高、算法稳定等特点。
稀疏表达 K-SVD算法 动态字典学习 SAR图像分类 自动目标识别 sparse representation K-SVD algorithm dynamic dictionary learning SAR images classification automatic target recognition
1 中国科学院 长春光学精密机械与物理研究所中国科学院航空光学成像与测量重点实验室, 吉林 长春 130033
2 中国科学院大学, 北京100039
提出一种基于局部特征提取的目标识别方法, 用于自动识别不同尺度, 视角和照度条件下的目标。首先,建立图像的尺度空间; 结合海森矩阵和Harris算法提取局部特征点, 计算该特征区域的方向和灰度梯度及方向; 统计出每块子区域的标准灰度梯度直方图, 得到128维的特征向量。然后, 基于主成分分析的降维算法来降低特征向量的维数, 加快识别的计算速度。最后, 采用特征空间分类器增加目标识别的速度。实验结果表明：基于局部特征提取的目标识别达到了较高的识别率, 在视角、尺度和照度变化下的识别率分别为61.9%, 80.5%和84.4%, 平均识别时间为130.9 ms。与尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比, 本算法不仅在不同的视角, 目标尺度及照度条件下具有较高识别率, 而且识别速度比SIFT方法高。
目标自动识别 局部特征提取 主成分分析 最近特征空间分类器 automatic target recognition local feature extraction principle component analysis nearest feature space classifier
总参陆航部驻上海地区军事代表室, 上海 200233
瞄准未来高技术战争,选择地面战车为研究对象,系统地研究了红外图像自动目标识别的若干关键技术。首先比较了三种建立红外图像数据集方法的性能。接着分析了传统红外图像分割技术的缺陷,提出了一种针对地面背景中战车红外图像的分割技术,该方法有效地克服了过分割和欠分割的问题。然后讨论了红外目标的七大类特征,提出了一种确定最优特征向量的方法。最后以支持向量机作为分类器,讨论了核函数、核参数以及惩罚因子对识别率的影响,并运用网格搜索法确定最优的参数组合。
自动目标识别 红外图像 支持向量机 automatic target recognition infrared image support vector machine
