多波段舰船图像目标局部特征识别方法

针对传统的多波段舰船图像局部特征识别方法存在的识别速度慢的缺点,提出一种多波段舰船图像目标局部特征识别方法。通过检测关键点和特征匹配,提取多波段舰船图像目标的局部特征;利用多分类器组合,通过线性分类器和非线性分类器对局部特征开展训练和识别。通过对比实验,与传统的多波段舰船图像局部特征识别方法作比较。实验结果表明,提出的多波段舰船图像局部特征识别方法具有更快的识别速度。     

基于全景视觉的舰船图像局部特征点检测

传统舰船图像局部特征点检测方法,存在特征点稳定度低、局部图像特征噪点多等弊端。为解决上述问题,引入全景视觉理论,建立基于全景视觉的舰船图像局部特征点检测方法。通过复合式全景视觉架构搭建、双目参量标准2个步骤,完成全景视觉检测环境的搭建。通过舰船图像局部特征点稳定度的确定、重复读和匹配度的确定、特征为数分析3个步骤,完成基于全景视觉舰船图像局部特征点检测方法的搭建。设计对比实验结果表明,新型检测方法与传统方法相比,显著提升特征点稳定度,减少局部图像特征噪点数量。     

全景视觉舰船图像局部特征点检测

针对传统的舰船图像局部特征点检测技术在检测特征点时,因重复抓取造成检测结果中噪点比例过高,影响有效信息读取的问题,因此设计全景视觉舰船图像局部特征点检测技术。在对舰船图像预处理后,计算稳定度和匹配度2个舰船图像局部特征点的检测参数。将计算得到的检测参数作为高斯金字塔的参数,使用高斯尺度空间法检测舰船图像特征点,完成全景视觉舰船局部特征点检测技术的设计。设计与传统的舰船图像局部特征点检测技术的对比实验,结果表明全景视觉舰船局部特征点检测技术能够有效减少特征点检测后的噪点数,检测效果更佳。     

基于模糊数学模型的舰船红外成像目标智能识别方法

利用传统基于SVM和基于神经网络的方法对舰船红外成像目标进行智能识别,识别距离较短,导致识别范围受限。针对上述问题,提出基于模糊数学模型的舰船红外成像目标智能识别方法。该方法分为3步:1)对舰船红外图像进行预处理,包括图像滤波、图像增强、图像分割;2)利用基于几何特性方法提取处理后的图像特征;3)以图像特征作为模糊数学模型特征因子,构建模糊集合,并利用贴近度原则对被识别对象进行归属判决,完成目标识别。结果表明:与基于SVM和基于神经网络的方法相比,利用本方法进行舰船红外成像目标智能识别,识别距离延长10 m和20 m,识别范围扩大。     

激光雷达信号的舰船识别研究

舰船是一种海上军事目标,对其进行高精度识别具有重要的研究意义,传统舰船识别方法通用性差,无法识别所有类型的舰船型号,导致舰船的误识概率相当高,为了有效降低舰船误识概率,提高舰船识别的精度,提出了基于激光雷达信号的舰船识别方法。首先对激光雷达的工作原理进行分析,并通过激光雷达信号成像技术获取舰船图像,然后从舰船图像中提取识别特征,并根据特征进行舰船图像匹配,从而实现舰船识别,最后进行激光雷达信号的舰船识别性能测试,实验结果表明,本文方法可以有效地识别舰船类型,舰船的误识概率要明显少于对照舰船识别方法,提高了舰船识别率,实验结果验证了本文方法的先进性。     

云计算环境下舰船图像特征识别方法

目前舰船图像特征识别方法,未曾提取舰船图像目标,导致图像特征识别率低,且容易受到图像拍摄方向影响,为此提出云计算环境下舰船图像特征识别方法。在云计算环境下,利用OpenStack云平台,预处理舰船图像;引入LBP算子,提取舰船图像目标,识别舰船图像特征。实验结果表明,此次研究的舰船图像特征识别方法,识别同一舰船图像特征,受到图像拍摄方向影响较小,具有较高的特征识别率。     

大数据背景下的舰船图像特征识别研究

传统舰船图像特征识别方法仅能对图像大范围特征像素信息进行识别,而对图像细微像素特征识别效果,远远达不到实际应用要求。导致大量细节特征舰船图像,无法准确完成特征的识别处理,影响整体应用效果。为了解决细节特征信息识别问题,提出大数据背景下的舰船图像特征识别研究。利用大数据计算能力,对图像特征结构分布进行特征模型建立;根据特征分布特点,利用大数据算法,确定细节图像区域构成像素点特征。最后根据特征信息,分散检索全局目标图像像素信息,完成识别输出过程。通过与传统图像识别方法的10张图像359 035万个像素点的识别测试表明,提出方法能够在最短的时间内,完成预设细节图像特征点的识别任务,且识别准确率达到98.72%以上。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法。首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响。实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法.首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响.实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率.     

无线网络的舰船识别方法

舰船识别依赖特征参数与待分类数据的联系,现有识别方法未挖掘信号隐性特征,影响可识别范围,基于无线网络提出一种舰船识别方法。对舰船信号进行预处理,计算短时能量和过零率,判断信号起始点。利用卷积神经网络挖掘样本信号的显性和隐性特征参数,并构建舰船识别模型对特征参数进行训练,得到最优分类面即为识别结果。实验结果表明,本文提出的识别方法能实现一对一的舰船识别,并且可识别范围大于基于SAR图像和基于稀疏信号分解算法的识别方法,基本上可覆盖全部的目标识别区域,有助于实际海洋环境的舰船监测。     

基于视觉搜索的舰船跟踪方法研究与仿真

基于视觉图像处理方法实现对舰船目标的跟踪识别,提高对舰船目标的搜索和打击能力。传统方法采用舰船目标轮廓亮点检测方法实现对目标的视觉搜索,在图像模糊和背景干扰较强时,检测效果不好。本文提出一种基于相邻帧补偿和尺度不变特征变换的舰船视觉搜索跟踪算法。为提高舰船目标图像视觉特征采集的清晰度和稳定性,采用电子稳像技术对舰船视觉信息采集进行直方图均衡处理,采用尺度不变特征变换SIFT技术对舰船目标进行角点特征提取。采用相邻帧补偿技术进行背景干扰滤波,在相邻两帧之间求解舰船的运动参量,实现对舰船目标的视觉搜索和跟踪。仿真实验表明,采用该算法实现对舰船目标的视觉搜索跟踪,舰船视觉特征的稳像性能较好,对舰船目标的准确识别率较高,展示了较好的应用价值。     

基于北斗卫星的航海导航系统定位目标精准识别方法

针对现有舰船上采用的导航系统存在北斗卫星信号接入识别率低、目标识别精度差的问题。提出基于北斗卫星的舰船导航系统定位目标精准识别方法。针对传统方法对北斗卫星信号运算过程资源消耗大,运算率低的问题,引入Cstx小波融合算法,对北斗卫星信号进行定向专属计算。同时,为解决目标识别精准度低的问题,引入神经追踪特征算法,对专属解析后的北斗卫星图像目标进行动态特征追踪与提取锁定。最后,通过仿真模型实验证明,提出的基于北斗卫星的舰船导航系统定位目标精准识别方法,能够快速、有效、精准锁定识别北斗卫星导航内设定目标。     

基于改进视觉注意模型的舰船目标图像识别算法

以往使用基于局部Radon变换识别方法、基于SAR光学遥感图像识别方法受到复杂背景影响,使图像识别结果存在较多噪点和杂色,导致识别精准度较低,针对该问题,提出了基于改进视觉注意模型的舰船目标图像识别算法设计。构建改进视觉注意模型,初始分割阈值,采用中心周边算子,避免图像识别出现噪点。考虑双敌色效应,计算不同图像中心周边差异,避免图像识别出现杂色,提取舰船目标图像特征,再次阈值分割,识别出舰船目标图像。由实验结果可知,该算法识别效果好,最高识别效果为0.97,具有精准识别效果。     

云计算平台的海量舰船目标图像识别

针对传统海量舰船目标识别方法存在检测用时长、监测精度低等问题,因此,本文以云计算平台为研究基础,对该平台提取的海量异常舰船目标图像特征,进行识别方法的研究。首先,利用C-V水平集模型对舰船目标进行分割,根据轮廓曲线方程求解能量最小值后,使区域内的轮廓曲线逼近于图像目标边界,实现舰船目标的有效识别,最后实验证明,本文研究的智能监测方法用时短、监测精度高,且能够对舰船目标进行准确跟踪,具有很好的实用性。     

多尺度目标识别新方法

利用全局矩反映的是图像在整个空间的统计特征,可以稳定可靠地识别形状差异较大物体的特点,以及小波矩描述的是图像在局部空间的特征,能够准确有效地区分形状相似的目标的优点,提出了一种新的由粗到细、从全局到局部的多尺度逐级匹配目标识别方法.这种在大尺度下采用全局特征进行粗分类,小尺度下采用局部特征进行细分类的思想加快了匹配过程,实验结果表明,该方法比仅使用全局不变矩或小波不变矩特征的目标识别方法具有更高的识别率和更广的适用范围.     

基于神经网络的红外图像舰船统计特征分析

目前研究的红外图像舰船统计特征分析方法全面性较差,准确性较低。为了提高舰船统计特征提取的准确度和精度,本文借鉴神经网络工作原理,进一步对红外图像识别到的舰船目标进行统计特征提取,实现预期设计的效果。本文首先了解舰船红外成像的工作原理,然后利用图像滤波、图像增强技术以及图像分割操作对舰船图像数据进行预处理分析,利用特征目标模糊分类识别方法初步实现红外图像舰船统计特征的识别,然后调用神经网络技术,完善红外图像舰船统计特征提取流程。实验表明,设计方法具有很好的全面性和准确性,实现研究目标,可以投入使用。     

舰船信息系统多来源数据有效识别方法研究

在舰船信息系统中汇总了大量的多源数据,由于多源化的数据识别程度不同,造成传统多源数据识别方法识别速率较低,为此提出舰船信息系统多来源数据有效识别方法研究。使用线性特征计算对多来源数据进行快速特征提取,去除冗余数据减少识别数据量,以数据合成规则为基础,对提取特征进行快速融合,将融合特征数据以几何形式进行高速识别,完成舰船信息系统多来源数据有效识别。实验数据表明,设计的多来源数据有效识别方法比传统识别方法的TGK识别速率高0.15%,并具备极高的有效性。     

基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

基于多特征优化的海面目标识别技术

以散射点模型理论为基础,分析了等间隔分帧方法对目标识别影响的具体原因。基于舰船目标回波,利用皮尔逊相关系数自适应地对舰船目标进行角域划分,在分帧的基础上进一步对特征的提取与优选进行了探讨。通过理论分析与仿真实验的方式,对特征的可分性进行研究,优选出可分性高的特征,并在SVM分类器中对优选特征进行识别验证。与传统的识别方法相比较,该方法可以有效改善识别性能。     

舰船数字图像局部模糊特征智能识别方法

当前舰船数字图像识别方法存在明显不足,如识别成功率低、识别过程太复杂等。为了改善舰船数字图像识别准确性,提出一种舰船数字图像局部模糊特征智能识别方法。首先收集舰船数字图像,并进行噪声除去处理,以获得更优的舰船数字图像识别特征;然后提取舰船数字图像识别的局部特征,并引入主成分分析算法对特征进行分析,减少特征数量;最后引入模糊聚类算法计算舰船数字图像特征之间的距离。根据距离划分舰船数字图像的类型,在Matlab环境中的舰船数字图像识别测试结果表明,本文方法解决了当前舰船数字图像识别方法的局限性,舰船数字图像的平均识别率超过92%,舰船数字图像的误识率极低,识别结果明显好于当前几种重要的舰船数字图像识别方法,具有实际应用前景。