1 空军工程大学,a.航空工程学院
2 空军工程大学,b.研究生院, 西安 710000
3 中国人民解放军93131部队, 北京 100000
4 中国人民解放军93137部队, 北京 100000
空战对抗过程中的目标状态数据呈现时序性、多维性等特征, 为进一步提升目标意图识别的准确率, 提出了一种基于改进注意力机制的长短期记忆网络(LSTM)目标识别方法, 将空战可能出现的目标意图识别当成一个多分类问题处理。该方法首先通过目标实时的状态数据, 生成特征序列; 接着采用注意力机制提升目标的特征学习能力, 增强空战过程中的主要目标状态特征表示, 得到具有权值分配的特征向量; 最后利用LSTM网络对目标特征向量进行训练, 通过softmax层实现目标意图的识别。仿真实验表明, 该方法利用注意力机制有效增强目标的特征学习, 进一步提升了LSTM网络的识别精度, 具有一定的科学性和有效性。
空战 目标意图识别 注意力机制 LSTM网络 权值分配 air combat target intention recognition attention mechanism LSTM network weight allocation
1 宁波大学信息科学与工程学院,浙江 宁波 315000
2 重庆理工大学电气与电子工程学院,重庆 310027
海洋生物相互聚集形成遮挡现象是误检和漏检的重要原因。为了解决这个问题,提出一种采用样本迭代融合辅助网络训练的海洋生物检测方法。首先,选用改进后的深度空洞残差结构作为特征提取网络,提升了网络的特征提取能力;然后,结合海洋生物图像目标遮挡、密集的特点,改进损失函数避免发生误检、漏检现象;最后,为了进一步解决目标遮挡、数据不平衡的问题,提出样本迭代融合方法,生成模拟图像扩充训练集,提高了网络训练的有效性和对小样本量海洋生物的检测能力。实验结果表明,所提海洋生物检测方法在URPC2018和台湾鱼类数据集上的准确率分别达91.36%和90.27%,检测准确率和速度高于现有目标检测算法。
海洋生物检测 样本迭代融合 深度学习 水下目标检测识别 数字图像处理 激光与光电子学进展
2023, 60(2): 0220001
红外与激光工程
2020, 49(9): 20190569
红外与激光工程
2020, 49(4): 0403004
1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛125105
2 辽宁工程技术大学研究生学院, 辽宁 葫芦岛125105
3 中国科学院沈阳自动化研究所机器人学国家重点实验室, 辽宁 沈阳110016
4 中国科学院机器人与智能制造创新研究院, 辽宁 沈阳110016
对水下图像预处理和目标检测识别、跟踪关键技术进行了详细的归纳总结。根据是否需要构建模型,将水下图像预处理分为图像增强和图像复原,论述了增强和复原方法的基本思想及方法特点。对水下光学图像的目标检测识别与跟踪原理和方法的研究进展进行全面阐述。通过对以上各个过程研究成果的总结分析,梳理了水下目标探测各关键技术中存在的重点解决问题与相关难点问题,讨论了其解决思路和进一步发展方向。
图像处理 数字图像处理 水下图像预处理 水下目标检测识别 水下目标跟踪 深度学习 激光与光电子学进展
2020, 57(6): 060002
空中目标意图识别是战场态势评估的一个重要部分, 它直接关系到指挥员的作战决策。针对复杂战场环境下目标信息的多源性和不确定性, 提出了一种基于置信规则库(BRB)和证据推理(ER)的目标意图识别方法。首先, 建立了一种新的融合目标多源信息的BRB-ER意图识别模型; 其次, 建立了多参数优化模型优化系统初始参数, 以提高识别精度。最后, 采用某舰艇实际测得的目标信息对该方法进行了验证, 结果表明, 提出的方法能有效对空中目标意图进行识别。
目标意图识别 置信规则库 证据推理 多传感器信息融合 target intention recognition belief-rule-base evidential reasoning multi-sensor data fusion
1 武汉大学电子信息学院, 湖北 武汉 430072
2 武汉理工大学光纤传感技术与信息处理教育部重点实验室, 湖北 武汉 430070
3 苏州一光仪器有限公司, 江苏 苏州 215006
传统的全站仪测量模式为人工搜索、照准目标,工作强度大、易出错、工作效率低,针对现有国产全站仪的不足,研究了全站仪自动目标识别与照准技术。构建了ATR全站仪探测系统,全站仪自带图像采集系统和马达驱动,利用数字图像处理技术,提出了图像相减去除背景噪声后求光斑中心的方法,按照一定的搜索策略,实现了目标的自动识别与照准。在电机驱动精度设定为10″情况下,系统的照准精度也能达到10″。自动识别、照准与人工操作结果一致,系统能够精确地对目标进行自动识别与照准。该方法能够用于全站仪测量时的目标自动照准,可以避免人工繁琐操作,提高工作效率。
ATR全站仪 图像相减 光斑中心 目标自动识别与照准 照准精度 ATR electronic total station image subtraction spot center automatic target recognition and sighting accuracy of sighting
1 中国科学院长春光学精密机械与物理研究所 航空光学成像与测量重点实验室, 长春 130033
2 中国科学院大学, 北京 100049
为快速、准确地识别图像中的目标, 提出一种结合图像熵和加速鲁棒特征算法的目标自动识别方法.首先, 分块计算图像的信息熵, 根据阈值筛选出纹理丰富区域.然后, 结合Hessian矩阵和Harris算法提取纹理丰富区域的局部特征点.接着, 计算特征向量并用主成分分析降低向量维数.最后, 采用双向最近距离比例匹配算法进行分类, 并用随机抽样一致算法剔除误匹配点.实验结果表明:对仿真数据库中带有视角、光照和尺度变化的图像, 识别率分别为87.12%、75.31%和84.98%, 平均识别时间分别为70.35 ms、71.27 ms、220.63 ms;对含8956×6708像素的航空大面阵图像, 正确匹配率为78.13%, 识别时间为68.09 s.本方法识别率和时间性能均优于加速鲁棒特征算法.
图像处理 目标自动识别 特征提取 信息熵 分类 Image processing Automatic target recognition Feature extraction Information entropy Classification