粉体的密度作为一项很重要的物性参数,对粉体的流动性能有决定性作用,研究粉体的密度,对粉体加工、包装、输送、存储等具有重要意义。以小麦面粉作为实验对象,采用高光谱散射技术,结合高光谱散射图像特征提取方法中的矩方法,探索了面粉堆密度快速无损的检测方案。实验共采集了474个面粉样本在500~1000 nm范围内的高光谱散射图像,先对图像进行前期预处理,以消除图像噪声,并提取了散射图像的零阶矩特征和一阶矩特征;然后分别利用零阶矩特征、一阶矩特征,及零阶一阶联合特征建立了面粉堆密度的偏最小二乘预测模型。结果表明:相对于单一的零阶矩特征或一阶矩特征,联合特征获得了最好的建模结果;联合特征的预测相关系数RP为0.968,剩余预测偏差为3.95;矩方法可以有效提取高光谱散射图像特征,并可应用于粉体堆密度的高精度无损检测。

配准速度和精度是SAR图像配准效果的两个重要评价指标。SIFT算法是图像特征提取和描述的经典算法, SIFT特征具有尺度和旋转不变性, 但SIFT算法的128维描述子在图像配准时会极大影响配准速度。为提高图像配准速度, 首先提取图像SIFT特征点, 然后用ORB算法定义特征点主方向的方法, 赋予特征点主方向, 最后结合特征点邻域图像块的矩特征, 形成8维描述子, 对图像中的SIFT特征点进行描述, 实现SAR图像配准。实验结果表明, 本文方法在保持SAR图像配准精度的前提下, 极大程度地提高了配准速度。

依据高斯波束体目标散射特征, 研究了粗糙体目标高斯波束散射场量的互相关函数统计特征。在激光波束入射下, 通过数值方法讨论圆球类目标、不同半径、不同材料、不同入射波束极化等条件下, 散射场量的互相关函数随散射角变化情况。数值计算结果表明: 金属薄膜材料比非金属镀漆材料互相关函数量值要大, 金属材料球体目标的后向散射互相关函数值较大, 而非金属镀漆材料球体互相关函数值较小。材料表面的粗糙度和目标尺寸对互相关函数影响较大, 而入射光的极化方式对相关函数有影响但影响较小。

针对经典Mean Shift算法在目标跟踪过程中不能自适应目标的形状变化, 提出了一种跟踪窗自适应的Mean Shift目标跟踪算法。该算法利用权值图像的矩特征推导出了一种目标真实面积的估计方法, 同时利用估计出的目标真实面积校正可表达目标窗口内图像特征的协方差矩阵, 从而计算出目标区域的主轴长度和方向。实验结果表明, 该方法保留了Mean Shift算法简单、有效的特点, 同时该算法的跟踪窗具备当目标发生旋转和尺度变化时的自适应能力, 并且具有较强的鲁棒性。

为了提高传感器目标识别性能和近距空中目标识别准确性，结合雷达和红外传感器提出了一种目标融合识别模型：对于雷达传感器，提出基于参数学习贝叶斯网络的目标识别方法，首先采用EM算法对贝叶斯网络进行参数优化，然后根据获取的目标属性信息进行目标分类；对于红外成像传感器，采用基于小波矩特征的目标识别方法，首先对目标图像进行小波矩特征提取和选择，然后通过建立的BP神经网络分类器进行目标分类；最后通过DS证据组合法则对两部分识别结果进行融合处理，实现了基于雷达和红外数据融合的近距目标识别。仿真结果表明：和单传感器相比，所提出的模型可以更加精确地进行目标识别。

随着红外成像制导技术的发展，它对制导跟踪算法的精度和实时性的要求越来越高。制导系统已被要求在20 ms的时间内输出跟踪结果。某些跟踪算法虽然效果较好，但达不到实时输出。经典的制导算法-相关跟踪算法主要基于像素灰度特征进行跟踪，无法解决跟踪过程中由于目标的旋转、膨胀以及仿射变换带来的跟踪点漂移问题。为了解决经典相关跟踪算法无法解决图像旋转时的跟踪稳定性问题以及目标图像急剧膨胀时的跟踪点漂移问题，研究了图像不变矩的特征。利用图像不变矩的旋转-伸缩-平移不变性，选择合适的不变矩特征用于跟踪。通过用归一化的乘法相关函数以及基于相关系数值的模板更新策略设计跟踪算法，解决了复杂背景及强噪声条件下不能对尺寸和形状发生变化的目标进行稳定跟踪的问题。

在传统激光主动成像系统的基础上, 结合目标识别技术搭建了一个激光主动成像识别系统实验平台, 用于研究激光主动成像后的目标识别。介绍了实验平台的工作原理, 基于Hu矩特征的双隐含层BP神经网络算法以及实验处理流程和实验结果。特征量由7个不变Hu矩构成, 通过240张原始目标样本库对由136个权值系数构成的双隐含层BP神经网络算法进行了训练。利用训练好的双隐含层BP算法对黑夜条件下远处的运动目标--43式冲锋模具枪进行了实验研究, 成功获得了清晰的红外激光主动成像效果。实验显示对450 m处2 740帧和550 m处2 420帧激光主动成像图像的统计识别率达到了68.87%和72.11%, 其中旋转变换下的统计识别率可达80.05%和84%, 好于仿射变换的识别效果。

在传统激光主动成像系统的基础上, 结合目标识别技术搭建了一台激光主动成像识别系统实验平台, 研究了激光主动成像后的目标识别技术。由7个不变Hu矩构成特征量, 用由136个权值系数构成BP神经网络算法对黑夜条件下450 m处的运动目标—43式冲锋模具枪进行了实验研究。研究显示, 采用该方法成功获得了清晰的红外激光主动成像效果, 对2 740 frame激光主动成像图像的统计目标识别率达到了68.87%, 其中旋转变换下的统计识别率可达80.05%。该项研究对实际黑夜暗小目标的探测识别具有重要意义。

基于飞机目标分析了NMI(归一化转动惯量)、不变矩、轮廓矩三种图像特征的不变性，提出了目标NMI 特征提取的新方法。实验表明，基于新方法提取的NMI 特征与传统的NMI 特征、不变矩提取算法相比，具有良好的平移、旋转、比例不变性，且提取方法简单，易于实现。

轮廓矩特征能够有效描述目标的形状。与基于区域的矩特征不同，轮廓矩扫描目标周长像素点时，时间和空间复杂度低，但轮廓矩公式的推导过程复杂。提出用参数方程描述轮廓曲线段的方法，基于格林定理仅利用一次二项式定理推导出轮廓矩的一般表达式。以舰船投影图像为例计算了常用低阶轮廓矩，实验表明，与区域矩特征相比运行速度快，且质心误差不超过2%。