舰船目标图像不变特征快速识别方法

传统舰船目标图像不变特征的识别方式,图像特征识别的稳定度较低,舰船图像表面特征瑕点较多。对此提出了一种新型舰船目标图像特征快速识别技术。通过图像转化和背景帧差法对船舶目标图像进行灰化处理,提取局部特征点;再对舰船图像局部特征点的稳定度、重复度和匹配度的3项参数进行求取,并对其进行维数分析,实现舰船目标图像不变特征的快速识别。仿真实验表明,新型舰船目标图像不变特征快速识别方法与传统识别方法相比,Rtc图像离散度更低,在5 T目标图像下,最多可以减少27×106 T的瑕点,可以证明新型目标图像不变特征快速识别方法识别稳定度更高,图像产生的瑕点更少。     

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。     

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。     

BP神经网络的舰船辐射噪声识别

当前舰船辐射噪声识别方法存在识别率低,对环境鲁棒性差等缺陷,为了对复杂环境下的舰船辐射噪声识别进行准确识别,提出了BP神经网络的舰船辐射噪声识别方法。首先采集舰船辐射噪声,并提取舰船辐射噪声识别有效特征参数,然后采用BP神经网络建立舰船辐射噪声识别模型,从而实现对舰船辐射噪声信号的分类和识别,最后进行舰船辐射噪声识别的仿真测试。结果表明,相对于已有的舰船辐射噪声识别方法,BP神经网络提高了舰船辐射噪声识别率,可以对各种舰船辐射噪声信号进行准确分类。     

小波变换下舰船噪声信号识别方法

考虑到舰船在海上航行过程中受到海上多种环境因素的干扰,降低了舰船噪声信号的识别性能,为此提出小波变换下舰船噪声信号识别方法研究。基于小波变换原理,对舰船噪声信号进行分解,得到分解后的特征分量,为了消除声呐距离的影响,引入归一化处理方式,提取出舰船噪声信号特征。根据舰船噪声信号的识别形式,计算了舰船噪声信号样本周围的紧密度。基于舰船噪声信号样本的分布情况,设计了舰船噪声信号的识别流程,实现了舰船噪声信号的识别。实验结果表明,小波变换下舰船噪声信号识别方法不仅可以提高舰船噪声信号的识别率,还可以加快识别速度,从而提高了舰船噪声信号的识别能力。     

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。     

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。     

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.     

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。     

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。     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法。用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类。将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%。实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法.用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类.将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%.实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率.     

三维动态舰船图像颜色特征自动提取及应用研究

以提升舰船颜色特征的应用技术水平,研究三维动态舰船图像颜色特征自动提取和应用方法。通过相机采集三维动态舰船图像颜色特征后,先使用PCA算法获取三维动态舰船图像的颜色特征子空间,再通过K-means聚类算法得到三维动态舰船图像颜色特征,以该颜色特征作为基础,分别利用支持向量机算法和二阶常速模型实现舰船目标识别和航迹跟踪。实验结果表明,该方法可有效提取三维动态舰船图像颜色特征的R、G、B分量,提取舰船图像颜色特征能力较强。将提取到的三维动态舰船图像颜色特征,应用到舰船目标识别和航迹跟踪,可有效识别舰船和跟踪舰船航迹,应用效果较为显著。     

舰船监控图像拼接与识别研究

针对当前舰船监控图像拼接与识别存在的弊端,如拼接错误率高、识别正确率低等,为了提高舰船监控图像拼接与识别效果,设计了一种神经网络的舰船监控图像拼接与识别方法。首先提取舰船监控图像拼接的特征,并根据拼接关键点方向直方图建立舰船监控图像拼接模型,然后引入神经网络构建舰船监控图像识别的分类器,最后进行了舰船监控图像拼接和分类仿真模拟测试实验。相对于其它舰船监控图像拼接方法,本文方法的舰船监控图像拼接正确率得到了提升,同时本文方法的舰船监控图像识别正确率超过了90%,使得舰船监控图像的误识率大幅度减少,具有一定的实际应用价值。     

云计算环境下模糊舰船图像局部特征提取方法研究

为弥补SIFT算法在匹配精度上存在的不足,设计云计算环境下的模糊舰船图像局部特征提取方法。在云计算服务框架中,实现矢量描述子的分类操作,完成云计算环境下的舰船图像节点匹配处理。在此基础上,按照舰船图像的局部特征构造需求,建立模糊图像的稀疏数据库,再根据必要特征提取量的计算结果,实现新型模糊舰船图像局部特征提取方法的顺利应用。对比实验结果表明,与SIFT算法相比,应用新型局部特征提取方法后,舰船图像模糊匹配精度最大值接近75%,传统提取遗留问题得到妥善解决。     

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。     

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。