针对合成孔径雷达(SAR)目标分类问题, 联合二维变分模态分解(BVMD)和卷积神经网络(CNN), 通过二维变分模态分解获得原始SAR图像的多模态表示, 反映目标的全局和细节信息; 设计适当的卷积神经网络分别对各个模态进行分类并输出后验概率矢量; 基于Bayesian理论融合各个模态的后验概率矢量;并根据融合后的结果判定目标结果。所提方法通过结合二维变分模态分解和卷积神经网络的优势综合提升SAR图像目标分类性能。实验中, 基于MSTAR数据集对所提方法在4种典型场景下进行了测试并与现有方法进行对比, 结果表明所提方法性能更具优势。

本文提出一种基于多尺度引导滤波和决策融合(multi-scale guided filter and decision fusion, MGDF)的电力设备热故障诊断方法, 联合多尺度引导滤波和决策融合技术, 充分挖掘红外图像的空间结构信息和温度信息。该方法有 3个主要步骤。首先, 基于热故障区域与环境背景在红外图像上的温度差异特性, 逐像素计算热故障区域与环境背景的马氏距离, 获取初始的热故障诊断结果。然后, 采用不同参数设置的引导滤波器对初始诊断结果进行滤波处理, 并将生成的若干引导滤波特征图堆叠在一起。不同参数下的滤波特征图包含着互补的空间结构信息。最后, 为充分挖掘不同尺度特征图的空间结构信息和温度差异信息, 利用主成分分析法对引导滤波特征图进行决策融合, 提升热故障的诊断精度, 生成最终的热故障诊断结果图。实验测试结果表明, 本文方法在热故障诊断精度上有明显优势, 满足电力设备红外巡检的应用需求。

提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类（Sparse representation-based classification，SRC）和卷积神经网络（Convolutional neural network，CNN）作为基础分类器。对于测试样本，首先基于SRC进行分类，并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时，则识别过程结束，输出目标类别。反之，根据SRC的结果遴选部分置信度较高的候选类别，并在下一阶段针对这一步类别采用CNN进行确认分类。此外，将CNN的输出结果与SRC进行线性加权融合处理，根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点，综合提升红外目标识别性能。同时，这种层次化的决策融合方式避免了对所有样本的两次分类过程，整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行，分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比，结果反映了提出方法的有效性和可靠性。

针对石油化工场景下传统的人体行为识别算法只关注人员自身行为,无法识别打手机、抽烟等属于人-物交互危险行为的问题,在基于骨骼点的人体行为识别任务中引入目标检测机制,提出基于深度学习的人-物交互行为识别算法。首先,采用OpenPose算法进行姿态估计,进而利用行为识别方法获取初始行为类别;其次,针对传统方法丢失背景和语义信息的问题,使用YOLOv3算法检测感兴趣物体,获得类别和位置信息;然后,通过判断人与物体的空间位置关系来表征人-物交互关系;最后,提出决策融合策略,对人的初始行为类别、物体信息、人-物交互关系进行决策融合,得到最终的行为识别结果。以打手机和抽烟行为为例对所提算法进行验证分析,结果表明,所提算法可以对石化场景下人员的危险行为进行准确识别。

针对可见光和近红外双波段场景分类存在图像标注样本少和特征融合质量低的问题,提出了一种基于卷积神经网络(CNN)特征提取和朴素贝叶斯决策融合的双波段场景分类方法。首先,将基于预训练的CNN模型作为双波段图像的特征提取器,避免标注样本少导致的过拟合问题;然后,通过主成分分析降维和特征归一化方法,提高支持向量机的计算速度和每个波段的分类性能;最后,以双波段后验概率为朴素贝叶斯先验概率,构建了决策融合模型,实现场景融合分类。在公开数据集上的实验结果表明,相比单一波段分类和双波段特征级联融合分类方法,本方法的识别率有明显提升,可达到94.3%;比基于传统特征的最优方法高6.4个百分点,与基于CNN的方法识别率相近,且执行简单高效。

针对在复杂环境中目标尺度变化、形状变化以及场景光照变化、背景干扰等因素导致的目标跟踪稳定性下降问题,提出一种基于自适应多层卷积特征决策融合的目标跟踪算法。首先,通过卷积神经网络VGG-Net-19提取目标候选区域的多层卷积特征;其次,在相关滤波模型框架下,利用这些卷积特征构建多个弱跟踪器;接着,根据每个弱跟踪器的决策损失变化自适应地调节它们的决策权重,完成基于多层卷积特征的目标位置估计;然后,根据尺度相关滤波模型在目标中心区域进行多尺度采样,并利用相邻帧的尺度变化先验分布完成对目标尺度的预测。选取51组具有多种挑战因素的视频序列对所提算法的跟踪性能进行测试。实验结果表明,与当前主流的目标跟踪算法相比,所提算法取得了更高的跟踪精度和成功率,同时可以较好地适应目标的尺度变化,并且在目标发生形变、场景出现光照变化及背景干扰等复杂条件下仍具有较好的跟踪鲁棒性。

为提高人脸表情分类的识别率和实时性,提出一种基于卷积神经网络(CNN)局部特征融合的人脸表情识别方法。首先,构建CNN模型,学习眼睛、眉毛、嘴巴3个局部区域的局部特征;然后,将局部特征送入到支持向量机(SVM)多分类器中获取各类特征的后验概率;最后,通过粒子群寻优算法优化各特征的最优融合权值,实现正确率最优的决策级融合,完成表情分类。实验表明,本文方法在CK+和JAFFE数据库的平均识别率分别达到了94.56%和97.08%,与其他识别方法相比,本文方法性能优越,能提高算法的识别率和稳健性,同时保证了算法的实时性。

提出一种基于二维经验模态分解(BEMD)的合成孔径雷达(SAR)目标识别方法。BEMD可以从原始SAR图像提取多层次的二维固态模函数(BIMF),它们可以更好地描述目标的细节信息,因此联合原始SAR图像及其多层次BIMF,可以为后续的分类决策提供更多有益信息。采用支持向量机(SVM)对原始SAR图像以及各个层次的BIMF进行决策,然后基于Bayesian理论对各个SVM输出的结果进行有效融合,从而获得更为稳健的识别结果。基于MSTAR数据集设置几种典型的实验条件,对本文方法进行性能测试,结果验证本文方法相比几类现有SAR目标识别方法更具有性能优势。

提出基于互补特征层次决策融合的合成孔径雷达(SAR)目标识别方法,该方法采用主成分分析特征、目标峰值和目标轮廓作为描述SAR图像的特征。三者对于目标的描述具有较强的互补性, 从而为目标识别提供更多的鉴别力信息。在决策融合阶段, 采用了层次推进的策略。第一级采用主成分分析特征, 第二级采用峰值特征, 第三级采用轮廓特征进行识别。当前一级得到可靠的识别结果时, 下一级则无需进行。采用层次融合策略, 大大提高了目标识别的效率, 避免了不必要的重复识别过程。为了验证所提方法的有效性, 基于MSTAR公共数据集进行了目标识别实验。