基于运动与表象特征的广域船舶目标识别方法

[目的]旨在提出对航行于关键广阔水域内的船舶进行准确识别和定位的改进方法.[方法]运用视频监控的优点,综合采用基于背景差分算法的运动目标检测方法与基于深度学习算法的图像表象特征识别方法,结合目标的运动特征和图像表象特征,实现多维度广域船舶识别的功能,并对水纹降噪、多级运动检测、航道监控图像窗口分割检测等方法进行改进,进...     

基于红外图像的船舶特征识别方法

传统船舶特征识别结果准确性较低,且相关人员不能根据此结果,快速完成船舶图像复原。为解决此问题,设计基于红外图像的船舶特征识别方法。通过ROI低分辨率红外图像提取、图像特征相邻方向指示2个步骤,完成基于低分辨率红外图像的船舶特征识别。通过ROI高分辨率红外图像提取、图像增强预处理2个步骤,完成基于高分辨率红外图像的船舶特征识别。设计对比实验结果表明,基于红外图像的船舶特征识别方法,与传统方法相比,能够保证特征识别结果的准确性,为快速完成船舶图像复原操作提供可能。     

基于神经网络特征提取的SSA-SVM船舶目标识别方法

运用神经网络图像特征提取联合SSA-SVM分类算法,对通航区域图像中的典型船舶目标进行识别以实现船舶目标的自动分类。首先通过摄像机获得通航区域的高分辨率图像,以AlexNet深度学习网络为基础经迁移学习后提取典型船舶目标特征,获得4种船舶类型、共5 505 024个特征数的典型船舶目标特征矩阵。以特征矩阵为训练依据训练SSA-SVM算法,在种群寻优下获得最佳识别参数,经训练得出在小数据集下具有较强辨识能力的SSA-SVM船舶目标识别模型。实验表明,相比于深度学习的大数据集驱动识别算法,使用AlexNet特征提取的SSASVM算法能够在数据量较少的情况下对散货船、集装箱船等典型船舶目标进行有效识别,识别准确率为88.87%、训练时长为1 856 s,满足实用需求,为水上监管提供了可靠的技术支持。     

基于特征融合的舰船目标识别方法

传统的被动目标识别主要依靠声呐员的作用,随着人工智能的迅速发展,水下目标智能识别成为未来发展的趋势.针对这一问题,根据舰船辐射噪声特性,提出基于特征融合的舰船目标识别方法,通过提取基于人耳听觉感知的梅尔倒谱系数特征、基于循环平稳分析的谱相关密度函数特征,构建特征层融合和决策层融合的特征融合模型,利用深度学习中的卷积神经...     

基于运动学特征的单舰防空目标识别方法

针对舰艇防空,提出了一种基于目标运动学特征的目标识别方法.认真分析了现代主要空袭威胁的特征,给出雷达坐标系下高度、速度、加速度、发现距离、连续径向运动等特征的提取方法.在此基础上,建立了三层识别结构,第一层基于点时刻目标高度、速度特征识别战术弹道导弹、武装直升机;第二层基于目标是否作水平方向连续减速运动、连续径向运动等特征识别反辐射导弹、制导炸弹;第三层基于高度和发现距离,采用模糊集和DS理论相结合的方法区分反舰导弹和轰击机等.通过典型目标环境的验证,该方法具有良好的识别效果.     

基于形态特征的水下小目标识别方法

为应对恐怖组织利用蛙人或水下机器人等小型武器的攻击,需要在一些重要的部位,如港口、码头、海岸洞库和锚泊水域中安装水下智能监控系统,而小目标识别技术是该系统的核心技术之一.本文对蛙人等水下小目标的特征进行了研究,提出基于形态特征的水下小目标识别方法.由实验结果可以得出,此算法具有较高的小目标检测率,有效提高了水下智能监控系统的可靠性.     

基于船舶领域模型的船舶碰撞危险识别方法

为解决传统船舶碰撞危险识别算法对目标船运动参数考虑不全以及在各方位采取相同安全会遇距离(Safe Distance Approach,SDA)的缺陷,构建一种适用于动态复杂船舶领域模型的碰撞危险识别方法.选取KIJIMA船舶领域模型来界定船舶安全会遇范围,结合其几何形状,根据不同来船方位将其划分为4个区域;提出一种新的...     

一种基于高阶谱特征的舰船目标识别方法

基于高分辨距离像(HRRP)的舰船目标识别问题,提出了一种基于高阶谱特征的舰船目标识别方法。在对舰船目标HRRP特性分析的基础上,首先利用姿态角进行方位约束筛选,然后通过高阶谱特征结合欧氏距离测度最近邻分类器进行识别匹配。通过10类军民船目标的实测数据进行测试,验证结果表明该方法在舰船目标识别领域具有很好的应用前景。     

基于船舶卫星遥感图像的目标特征算法

在现代海洋运输及海上军事业务中,对船舶目标的有效定位及跟踪是保证海洋运输安全的有效方法之一。现有的海上目标检测跟踪系统中,有基于雷达目标检测﹑水声目标检测及卫星遥感图像的目标检测方法。由于海上环境的复杂性及目标物的快速移动性,基于遥感图像的目标检测成为最重要的方法之一。本文分析现有船舶目标物的特征参数,提出船舶卫星遥感图像快速有效的船舶目标特征值提取算法,最后给出了基于此算法的数据库设计。     

基于物理光学法的船舶某装置RCS分析

论文采用物理光学法对船舶某装置的雷达散射截面(RCS)进行了仿真分析,探究了在不同频率下该装置的形状参数对于装置整体RCS的影响规律,并根据仿真结果最终得到了各参数的最佳设置方案,实现了对于该装置整体RCS的优化目的。     

基于无线传感器网络的船舶识别方法

本文总结了基于无线传感器网络的船舶识别方法,并进行可行性分析,提出基于Zig Bee的无线传感网络身份自动识别技术。理论分析表明,基于WSN的船舶识别技术具有良好的兼容性、抗干扰性和安全性,对船舶产业的发展具有很好的促进作用。     

基于CFD分析的船舶横摇运动统计特征

船舶大幅度横摇的准确预报一直是船舶工程界关注的热点研究方向之一。基于CFD软件Fluent对船舶横摇问题进行了数值模拟研究,建立了船体自由横摇运动的有限体积模型。通过对一系列船体于静水中作不同初始横摇角的自由横摇运动进行数值模拟,分析得出船体横摇非线性过程中横摇角幅值存在一定的统计规律,并提出基于此统计规律对船体的大幅横摇运动进行数值预报的方法。     

船舶号灯识别方法

本文联系日常生活实际，通过图解方法介绍了一种简易的记忆船舶号灯的实用方法。     

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。     

基于SBR的舰船目标多次散射RCS计算

舰船目标存在多次散射效应,计算多次散射的方法与其雷达散射截面预估精确度密切相关.本文从舰船散射特点出发,分析不同散射特点的计算方法,详细分析射线追踪法(Shooting and Bouncing Ray,SBR)计算多次散射的原理,并分别采用射线追踪法与物理光学近视法(Physical Optics,PO)对假定舰船目标进行3次散射特性仿真计算,通过与典型角域表面电流定位的亮点部位进行对比,表明射线追踪法用于预估舰船目标多次散射上能够提高预估精度。     

基于LSTM-FCN神经网络的船舶电力系统故障识别方法

船舶电力系统拓扑结构日趋复杂,故障种类繁多且不易区分。为确保继电保护动作的正确性,本文基于船舶电力系统故障录波数据,利用全卷积网络(Fully Convolutional Network, FCN)在局部特征提取上的优势,以及长短期记忆网络(Long Short-Term Memory, LSTM)在时序特征提取上的优势,提出了一种基于改进LSTM-FCN网络的故障诊断模型,并应用于船舶电力系统故障识别。依托PSCAD/EMTDC仿真软件对典型船舶电力系统各种故障进行仿真,通过小波变换对采样信号进行预处理。实验结果表明：本文所提出的故障诊断模型能够很好地对船舶电力系统故障进行分类识别。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法.利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类.算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实.实验结果表明,该方法平均识别正确率达到93.6％,可以很好地实现船舶识别.     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。     

基于联合神经网络的水声目标识别方法

为了改善传统的单一识别网络难以充分考虑水下声音样本各方面特征的缺陷,本文利用联合一维卷积神经网络与长短期记忆网络2种网络串行的方式,构建一种新的网络框架,首次将联合网络运用到水声目标识别中.其次,用船舶音频数据作为数据集输入网络,对网络性能进行评价,进行识别结果的可视化分析.通过结果分析得出,该网络能够实现对水声目标的...     

一种基于船舶辐射噪声信号改进Mel倒谱系数的目标识别方法

基于船舶辐射噪声信号Mel频率倒谱系数(MFCC)的目标类型识别是目前研究的一个热点。现有方法虽然在无噪声环境下具有较好的识别效果,但是在信噪比较低时其识别效果较差。基于此,文章提出了一种改进的提取MFCC特征参数的船舶目标识别方法,该方法在船舶辐射噪声信号的预处理阶段采用多正弦窗来代替传统使用的Hamming窗进行多窗频谱估计,经过计算得到改进的MFCC参数。试验结果表明,相比传统方法提取的MFCC参数,使用该方法提取的MFCC参数分别在不同信噪比的高斯白噪声干扰下,在BP神经网络分类器中的识别率更高,抗噪声的鲁棒性和稳定性更好。