针对全景系统中大视场相机带来的图像畸变以及安装基座产生运动或摇摆时带来的目标拼接图像出现起伏和晃动问题, 在分析畸变原理和全景图像动态稳定数学模型的基础上, 首先对摄像机采集的图像进行畸变校正, 然后根据安装基座的姿态数据对原始图像各像素点进行旋转变换、空间投影以及平滑处理后得到全景图像, 最后基于深度学习算法对全景图像中的目标进行检测与识别。在建立的数据集上进行训练与测试的结果显示, 该算法对船只目标的实时检测速度达 25 fps, 准确率达80%, 能够满足动态条件下对图像稳定和船只目标实时检测的要求。

目标精确感知与识别为信息化战争提供了一个重要的技术增长点,全景视觉传感设备因其拥有大视场(LFOV)范围优势而逐渐被应用于安防及**领域中的目标检测与识别任务。首先从相机成像模型、图像成像质量以及目标物体的非对称性三个方面对存在的困难以及挑战进行阐述。基于是否进行畸变校正预处理,将近年来LFOV域的目标检测与识别算法分为基于畸变校正的目标检测与识别算法和基于原始LFOV图像的目标检测与识别算法两类,并针对这两类算法进行了全面梳理和总结,对当前LFOV域的目标检测与识别各类算法的统一性和差异性进行思考分析,探讨其未来发展趋势。

针对目标检测与识别在精度和实时性方面的要求, 提出了一种基于改进多尺度特征图的目标快速检测与识别算法。算法在原始SSD模型的基础上, 利用卷积神经网络自动提取多尺度特征图, 构建了一种有效的卷积特征图融合模块, 同时引入轻量级的压缩型双线性融合方法, 丰富上下文信息。进一步结合通道注意机制, 自适应地学习特征图各通道之间的相互关系, 强调有用信息, 抑制冗余信息, 提高了特征图的判别能力, 将增强后的多尺度特征图用于检测模型。实验结果表明, 与同类算法相比, 所提算法的效率更高, 明显提升了识别精度, 同时速度达到63 frame·s-1, 较好地平衡了识别精度与速度之间的关系。

弹道目标检测与识别问题是天基红外预警系统的核心难题之一.针对主动段弹道目标的检测和识别问题,分析了传统的基于空间和时间特征信息的弹道目标检测与识别方法.利用目标辐射空间与光谱的一致性,提出一种基于成像光谱技术的主动段弹道目标检测与识别方法,将空域目标检测和谱域目标识别两个环节进行联合处理.实验证明,该方法应用于复杂背景下低信噪比的红外弱小目标图像序列能得到较理想的结果,算法检测概率高、虚警概率低、具有较强的实时性.

本文将目标边界流特征和目标边沿流特征的概念和边缘特征提取的方法用于SAR图像的目标检测和识别。这个方法先采用中值滤波、自动图像分割、数学形态学二值滤波、十字模板边缘提取方法,获得目标单像素边缘。再对所得边缘采用边界跟踪、边界流信息熵和边沿流信息熵运算,得到边界流特征和边沿流特征。对测试图像和真实SAR图像进行了实验,结果表明,该方法能很好地描述目标的特征,编程简单、运算速度较快。