针对当前军用车辆观瞄系统存在全域感知能力差、危险目标识别率低的问题, 本文提出并实现了一种基于深度学习的智能红外全景识别系统。首先根据可靠性和低功耗原则设计了该系统的硬件部分; 其次, 为解决红外图像中行人和车辆识别率低、实时性差的问题, 设计了一种 BIRD(Brisk InfraRed Detection, BIRD)深度神经网络, 实现对行人或车辆进行检测与识别; 此外, 基于旋转平台多源传感器参数, 实现红外相机快速帧间连续拼接; 实验结果表明, 本系统在实时输出 360.红外全景影像的同时, 能对当前视场中的目标进行同步检测识别, 在保证相同准确率的前提下, 所采用的 BIRD网络与 RCNN网络相比, 处理 PAL视频的平均耗时减少 175 ms, 表现出了实时、稳定的工作性能。

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。

螺纹牙型角识别是区分螺纹种类的常用手段，传统检测手段效率低、量规易磨损、成本高，已不能满足现代工业高效发展的需求。利用CCD 获取螺纹基本图像，并通过图像的平滑、边缘检测、二值化处理及轮廓提取，对螺纹轮廓进行分析，从中测量出螺纹的牙型角参数并进行识别。探讨了利用机器视觉对螺纹牙型角参数进行测量的方法，并设计出一套以机器视觉识别技术为核心的视觉传感和图像处理系统为一体的螺纹识别系统。从理论和实践上证实了该方法的可行性和准确性。

为实现高精度识别功能,基于Mach-Zehnder光纤传感器建立光纤入侵行为识别系统。引入多元回归统计原理, 建立常用信号特征参量与设定因变量之间的多元回归方程。通过逐步引入校验方法,验证回归模型的显著性校验, 实现特征的优化选取。利用选取的有效特征,构造基于感知准则的入侵行为识别系统。实验证明基于多元统计原理的 入侵行为识别系统具有良好的识别准确率,且识别准确率达到83.33%。

提出一种光电混合匹配滤波相关识别方法,只用一个空间光调制器实现了匹配滤波相关识别。利用计算机完成匹配滤波器的设计以及匹配滤波器与输入目标频谱的卷积运算,根据最小欧氏投影编码原理将卷积结果转化为空间光调制器可以显示的灰度信号,再通过2f光学傅里叶变换系统,得到相关识别结果。实验结果表明,该方法可以得到明显的相关点,同时可以避免传统VLC中匹配滤波器的精确复位问题,而且该系统还可以应用于联合变换相关识别。

在增量算法的基础上，利用截断(Clipping)方法和蒙塔卡罗(Monte Carlo)算法，对以四类飞行目标平面旋转投影作为学习样本的级联神经网络互连权重进行了二值优化处理，并用非学习样本进行了容错性检验，计算机模拟得到了满意的结果。