当前位置：文档库 › 基于纹理与分形理论的气象卫星云图目标物识别_郑君杰

基于纹理与分形理论的气象卫星云图目标物识别_郑君杰

第25卷　第3期气象科学Vol.25,No.3　2005年6月SCIEN TIA M ET EO RO LOG ICA S IN ICA June,2005　基于纹理与分形理论的气象

卫星云图目标物识别

郑君杰　黄　峰　张　韧　董兆俊

(解放军理工大学,南京211101)

摘　要　气象卫星云图上的目标物进行识别具有重大的实际意义。本文利用计算机图像处理和模式识别技术,结合分形理论对卫星云图上常见的三种云和晴

空进行了纹理特征提取,设计神经网络进行了识别实验,结果证明这种方法是有效

的。

关键词　目标　神经网络　识别　纹理　图象处理　分形

分类号　P463.1 文献标识码　A

引　言

近年来,随着数字化卫星云图资料的出现,对卫星云图进行分析已成为各国气象工作者研究的热点和发展方向,其中云的识别是卫星云图分析的重要内容。卫星云图包含了丰富的目标信息,从中可以形象直观的看到各种云的形状和演变过程,但是准确的识别出复杂天气情况所对应的云需要积累大量的经验。为进一步扩展卫星云图资料在天气预报中的应用,提高气象保障水平,进行云的自动识别研究是非常必要的。本文运用灰度共生矩阵和分形理论,对与实际天气现象联系较大的层云、卷云、积雨云和晴空进行了纹理特征提取,设计出了适合本方案的神经网络,将提取出来的纹理特征量作为神经网络的输入量进行目标物的识别,结果证明有比较高的识别率。

1　基于灰度共生矩阵的纹理特征提取

1.1　纹　理

纹理(tex ture)是物体表面结构的模式,对于图象的理解和分析十分重要。红外卫星云图也是一种纹理图象。本方案采用的资料为日本GM S-5静止气象卫星的红外云图。

1.2　灰度共生矩阵[1]

因为纹理是相邻象元或相邻小区灰度上包括集合位置等相互关系的表征,因此统计处于同样位置关系的一对象元的灰度相关性,并用这一对象元出现的某种灰度的条件概率来表示

收稿日期:2003-03-13;修改稿日期:2004-05-24

基金项目:本文由国家自然科学基金(编号:40375019)资助

第一作者简介:郑君杰(1977-),男(汉),辽宁大连,硕士,现在解放军理工大学气象学院电子工程系。主要从事图象处理、模式识别研究

纹理。统计图象中相距位置为(Δx ,Δy )的两个灰度象元同时出现的联合频数概率的分布称为灰度共生矩阵。设图象的灰度分为N 级,则共生矩阵由N ×N 矩阵M 来表示,记作M (Δx ,Δy )(h ,k )。矩阵中第(h ,k )个元素记作m hk ,表示全图中这一对象元,它们相距(Δx ,Δy ),其中一个象元为h 灰度,另一个象元为k 灰度的情况出现的频数。应注意到x ,y 坐标的选取不同,m hk 元素也会有差别。设小区图象方块通常以从左到右为x 轴,纵向从上到下为y 轴。

为计算方便可将灰度共生矩阵归一化,将灰度共生矩阵元素用其概率来表示

m h k =m h k ∑M -1h =0∑N -1

k =0

m h k 其中h =0,1,…M -1;k =0,1,…N -1。灰度共生矩阵反映了纹理特征的统计性质,从灰度共生矩阵可以计算出如下纹理特征量:

1.2.1　对比度

CON =∑h ∑k

(h -k )2m hk 对于粗纹理,由于m hk 的数值集中于主对角线附近,(h -k )的值较小,相应的CON 值也较小。相反,对于细纹理则相应的CON 值较大。

1.2.2　熵

E N T =-∑h ∑k

m h k log m h k

当灰度共生矩阵元素均相等时,ENT 值最大,当P (i ,j )差别越大时,EN T 值越小,因此EN T 是反映纹理特征的度量。

1.2.3　相　关

COR =[∑h ∑k

hkm h k -μx μy ]/σx σy 其中μx ,μy ,σx ,σy 分别为m x ,m y 的均值和标准差,m x =∑k m hk 是矩阵M 中每列元素之和;m y =∑h m hk 是矩阵M 中每行元素之和。相关量是用来描述矩阵中行或列元素之间相似程度的,它是灰度线性关系的度量。

1.2.4　角二阶矩

AS M =∑h ∑k

(m hk )2角二阶矩是图象灰度均匀性的度量,当m hk 值的分布集中于主对角线附近时,说明局部领域的图象灰度分布是均匀的,图象呈现较粗的纹理,ASM 的值相应较大。

对于每一个方向的灰度共生矩阵都可以计算得到以上4个特征值,对于4个方向的灰度共生矩阵,每个特征都有4个不同方向的值。则可以得到对比度、熵、相关、角二阶矩均值分别为CON =14∑CO N E N T =14

∑E N T COR =

14∑COR ASM =14

∑ASM 1.3　4种目标的纹理特征GM S 卫星云图红外图象共有256个灰度等级,如果要用原始的灰度级进行计算,其计算2453期郑君杰等:基于纹理与分形理论的气象卫星云图目标物识别

量将是极为庞大的,所以要进行灰度级的归并。本文中将灰度级归并为32个等级,也就是将灰度值0～15置为0,16～31置为1,以此类推。选择32×32的窗口作为计算的基本单位。计算得到4种目标样本的纹理特征值如表1所示:

表1　4种目标的纹理特征值

T able 1　Texture characters of fou r kinds of object

层云

卷云积雨云晴空对比度

熵

雷达的目标识别技术

雷达的目标识别技术摘要：对雷达自动目标识别技术和雷达目标识别过程进行了简要回顾，研究了相控阵雷达系统中多目标跟踪识别的重复检测问题提出了角度相关区算法，分析了实现中的若干问题，通过在相控阵雷达地址系统中进行的地址实验和结果分析表明:采用角度相关区算法对重复检测的回波数据进行处理时将使识别的目标信息更精确从而能更早地形成稳定的航迹达到对目标的准确识别。一．引言随着科学技术的发展，雷达目标识别技术越来越引起人们的广泛关注，在国防及未来战争中扮演着重要角色。地面雷达目标识别技术目前主要有-Se方式，分别是一维距离成象技术、极化成象技术和目标振动声音频谱识别技术。 1．一维距离成象技术一维距离成象技术是将合成孔径雷达中的距离成象技术应用于地面雷达。信号带宽与时间分辨率成反比。例如一尖脉冲信号经过一窄带滤波器后宽度变宽、时间模糊变大。其基本原理如图1所示。 2．极化成象技术电磁波是由电场和磁场组成的。若电场方向是固定的，例如为水

平方向或垂直方向，则叫做线性极化电磁波。线性极化电磁波的反射与目标的形状密切相关。当目标长尺寸的方向与电场的方向一致时，反射系数增大，反之减小。根据这一特征，向目标发射不同极化方向的线性极化电磁波，分别接收它们反射(散射)的回波。通过计算目标散射矩阵便可以识别目标的形状。该方法对复杂形状的目标识别很困难。 3．目标振动声音频谱识别技术根据多普勒原理，目标的振动、旋转翼旋转将引起发射电磁波的频率移动。通过解调反射电磁波的频率调制，复现目标振动频谱。根据目标振动频谱进行目标识别。传统上我国地面雷达主要通过两个方面进行目标识别：回波宽度和波色图。点状目标的回波宽度等于入射波宽度。一定尺寸的目标将展宽回波宽度，其回波宽度变化量正比于目标尺寸。通过目标回波宽度的变化可估计目标的大小。目标往往有不同的强反射点，如飞机的机尾、机头、机翼以及机群内各飞机等，往往会在回波上形成不同形状的子峰，如图2所示。这类波型图叫作波色图。根据波色图内子峰的形状，可获得一些目标信息。熟练的操作员根据回波宽度变化和波色图内子峰形状，进行目标识别。

关于目标自动跟踪智能摄像机的探讨汇总

关于目标自动跟踪智能摄像机的探讨【摘要】：智能一体化球型摄像机在视频监控领域发挥着越来越重要的作用,而目标检测与自动跟踪逐渐成为球型摄像机的一个重要发展方向。本文实现了智能球型摄像机控制系统软件功能,并在PC上实现了目标检测,在此基础上将检测到的目标信息处理后通过PC串口发送给球型摄像机,球型摄像机控制云台运动,从而实现目标跟踪.以自动跟踪为特点的球型摄像机被誉为“解放人力的运动的跟踪技术”，采用这种摄像机的监控系统可以智能地探测、跟踪运动目标，实现对运动目标的自动跟踪、录像、报警，彻底改变了视频监控系统只能作为辅助系统的局面。【关键词】智能球形摄像机；目标检测；自动跟踪一、概述智能追踪高速球型摄像机是专为IP网络监控系统而设计的.搭载新一代电子活动目标识别和追踪技术，实现全方位无盲点监控.代表新一代安防监控产品的发展潮流。集成了全天候防护罩、云台和数字解码器及多种变焦功能的彩色／黑白一体化摄像机。全天候防护罩符合国际标准IP66防护等级，内置自动恒温装置。可适用于恶劣环境，安装方式采用吊装或壁装。球机可在水平方向实现360°无限位旋转，垂直方向180°旋转。智能追踪高速球型摄像机支持自动追踪、定时追踪、越界追踪、报警追踪四种追踪模式的设置。也支持手动追踪模式。用户可以根据自己的需求进行灵活编排。智能追踪高速球型摄像机支持系统接力追踪，当某个智能追踪球的活动目标逃离当前追踪画面，系统自动通知附近路线的智能追踪球启动追踪模式或者通知周围的普通摄像机启动活动目标检测功能。从而实现了球机到球机、球机到枪机、枪机到球机、枪机到球机的智能接力追踪。同时智能追踪高速球型摄像机支持绊线检测功能。用户可以在画面上设置虚拟的周界，当有活动目

雷达成像技术保铮版第二章距离高分辨和一维距离像

第二章距离高分辨和一维距离像雷达采用了宽频带信号后，距离分辨率可大大提高，这时从一般目标（如飞机等）接收到的已不再是“点”回波，而是沿距离分布开的一维距离像。雷达回波的性质可以用线性系统来描述，输入是发射脉冲，通过系统（目标）的作用，输出雷达回波。系统的特性通常用冲激响应（或称分布函数）表示，从发射波形与冲激响应的卷积可得到雷达回波的波形。严格分析和计算目标的冲激响应是比较复杂的，要用到较深的电磁场理论，不属于本书的范围。简单地说，雷达电波作用的目标的一些部件对波前会有后向散射，当一些平板部分面向雷达时还会有后向镜面反射；这些是雷达回波的主要部分；此外还有谐振波和爬行波等。因此，目标的冲激响应（分布函数）可以用散射点模型近似，即目标可用一系列面向雷达的散射点表示，这些散射点位于后向散射较强的部位。由于谐振波和爬行波的滞后效应，有时也会有少数散射点在目标本体之外。如上所述，目标的散射点模型显然与雷达的视线向有关，例如当飞机的平板机身与雷达射线垂直时有很强的后向镜面反射，而在偏离不大的角度后，镜向反射射向它方，不为雷达所接收。目标的雷达散射点模型随视角的变化而缓慢改变，且与雷达波长有关，分析和实验结果表明，在视角变化约10°的范围里，可认为散射点在目标上的位置和强度近似不变。顺便提一下，前面曾提到微波雷达对目标作ISAR成像，目标须转动3°左右，在分析时用散射点模型是合适的。虽然目标的散射点模型随视角快得多。可以想像到，一维距离像是三维分布散射点子回波之和，在平面波的条件下，相当三维子回波以向量和的方式在雷达射线上的投影，即相同距离单元里的子回波作向量相加。我们知道，雷达对目标视角的微小变化，会使同一距离单元内而横向位置

目标检测与识别

采用视频图像的运动目标检测与识别相关调研目标检测是计算机视觉的一个重要组成部分,在军事及工业等领域有着重要的应用前景。运动目标的检测方法主要有光流法,差值法。光流法的计算量很大,实时性和应用性较差。而图像差值法比较简单,实时性较好,是目前应用最广泛,最成功的运动目标检测的方法。图像差值法可分为两类,一类是用序列图像的每一帧与一个固定的静止的参考帧做图像差分,但自然场景不是静止不变的,因而必须不断的更新背景。另一类是用序列图像的两帧进行差分,这种方法无法检测出两帧图像中重合的部分,只能检测出目标的一部分信息。在绝大多数视频监控图像应用中,每一个像素都可以用一个或多个高斯模型近似,因此,高斯背景模型是绝大多数目标检测方法常用的基本模型。智能视频服务器是飞瑞斯在多年视频分析技术优势的基础上，推出的一系列具有智能视频分析功能的DVS 视频编码设备。智能视频服务器基于DSP、ARM等核心平台，完成前端标准的H.264高压缩率编码，同时完成智能分析功能。智能视频服务器的最大的创新点在于，这一系列DVS不仅仅提供视频监控的功能，能通过飞瑞斯核心的智能视频分析技术，来感知视频场景内的环境、人和物，并挖掘其中的人(物)行为、状态、身份信息、数量、轨迹等更深层次的元数据信息。智能视频服务器赋予了视频监控系统智慧的大脑，从此视频监控不仅仅是能看得到，而且还能自己思考，提供更为智能的应用。

https://www.wendangku.net/doc/df3980129.html,/products_20_26.html?bdclkid=BztEJhpzcR34JE_Ft948PGoNuxuK0gsc zre7HPa3EhvUMBqk3J

ATR自动目标识别及定位精度研究

河海大学毕业论文 ATR自动目标识别及定位精度研究专业年级98测量一班学生姓名衣冰、廖晟、张福指导教师黄腾陈光保评阅人 2002年６月

目录前言 (2) 第一章ATR的使用意义及介绍 (3) §１，１工程建筑物安全监测自动化的意义 (3) §１，2 ATR自动目标识别及定位精度研究的意义 (3) §１，３TCA2003全站仪简介 (4) §1，4 ATR自动目标识别及定位 (5) 1，4，1原理简介 (5) 1，4，2精确定位 (5) 1，4，3 ATR测量的过程 (7) 1，4，4 目标跟踪反馈环 (7) 1，4，5目标跟踪 (8) §1，5自动观测软件 (8) 1，5，1自动观测软件简介 (8) 1，5，2操作步骤 (9) 第二章ATR外业实验部分 (11) §2，1网形的选择 (11) §2，2实验的具体步骤 (12) 2，2，1 ATR测角及观测成果 (12) 2，2，2人工测角及观测成果 (31) 2，2，3边长反算角度 (35) 第三章数据处理及精度分析 (37) §3，1边长反算角度 (37) §3，2成果比较及精度分析 (39) §3，3.精密测角的误差影响 (42) §3，4.测量时的具体情况 (42) §3，5 TCA2003 (43) 第四章外文资料及翻译 (46) 第五章结语 (51)

前言随着科学技术的发展，测量行业在技术和仪器上都有了长足的发展，给这个行业带来了勃勃生机和前进力量。ATR技术就是电子技术和自动化技术不断发展的结果。全站仪是智能型测量仪器，被誉为测量机器人。它利用自控马达和CCD相机来完成搜索目标、精确照准和自动观测三个过程，来实现自动测量。本实验使用TCA2003全站仪和开发的自动测量程序，进行多种情况下（不同距离、不同大气环境等）的自动观测实验，并且与人工测量和精密测边反算角度作比较，来评定ATR的测量精度，并寻求高精度的ATR观测条件。并得出相应结论，供今后使用查询。关键词： ATR 全站仪精度分析自动观测TCA2003

目标检测综述教学内容

一、传统目标检测方法如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。（实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域） (2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。（这个阶段常用的特征有SIFT、HOG等） (3) 分类器主要有SVM, Adaboost等。总结：传统目标检测存在的两个主要问题：一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。二、基于Region Proposal的深度学习目标检测算法对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？对于滑动窗口存在的问题，region proposal提供了很好的解决方案。region

proposal（候选区域）是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比）。比较常用的region proposal算法有selective Search和edge Boxes，如果想具体了解region proposal可以看一下PAMI2015的“What makes for effective detection proposals？” 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。对于图像分类，不得不提的是2012年ImageNet大规模视觉识别挑战赛（ILSVRC）上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC分类任务的Top-5 error降低到了15.3%，而使用传统方法的第二名top-5 error高达26.2%。此后，卷积神经网络占据了图像分类任务的绝对统治地位，微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以内多，这已经超越人在这个特定任务上的能力。所以目标检测得到候选区域后使用CNN对其进行图像分类是一个不错的选择。 2014年，RBG（Ross B. Girshick）大神使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征，设计了R-CNN框架，使得目标检测取得巨大突破，并开启了基于深度学习目标检测的热潮。 1. R-CNN (CVPR2014, TPAMI2015) (Region-based Convolution Networks for Accurate Object d etection and Segmentation)

自动目标识别和照准技术

自动目标识别和照准技术总结Summary of automatic target recognization and sighting Technology

主要内容 1. 自动目标识别和照准技术的定义 2. 自动目标识别技术的发展历史及研究现状 3. 全站仪自动目标识别的原理和过程 4.目标识别技术的效果评估

1.自动目标识别和照准技术的定义自动识别与照准技术：应用一定的识别装置，通过被识别目标和识别装置之间的接近活动，完成目标识别、照准与跟踪后，经过图像处理识别光斑与中心定位，自动地获取被识别目标的相关信息，并提供给后台的计算机处理系统来完成相关后续处理的一种技术。

ATR发展简史自1958 年Barton通过AN/FPS-16 雷达对前苏联人造卫星Spuknit II 的外形特征作出准确论断，世界各国对于雷达ATR 技术的研究已有五十年历史。自动识别技术在全球范围内得到了迅猛发展，初步形成了一个包括条码技术、磁条磁卡技术、IC卡技术、光学字符识别、射频技术、声音识别及视觉识别等集计算机、光、磁、物理、机电、通信技术为一体的高新技术学科。此外，ATR 技术在军事、测绘领域、医学CT 诊断、生物特征识别、手写输入、语音鉴别等民用领域中也受到了广泛重视，并取得了长足的进步。

条码识别技术：售货员通过扫描仪扫描商品的条码，获取商品的名称、价格，输入数量，后台POS 系统即可计算出该批商品的价格，从而完成顾客的结算。 ATR 技术的分类及应用生物识别技术:声音识别、人脸识别、指纹识别图像识别技术:车牌识别过程磁卡识别技术:用于制作信用卡、银行卡、地铁卡、公交卡、门票卡、电话卡；电子游戏卡、车票、机票以及各种交通收费卡等 123 4

基于散度比例准则的高分辨距离像特征提取

基于散度比例准则的高分辨距离像特征提取摘要:针对传统线性判别分析(lda)的子空间倾向于保留大类间距离类对的可分性，而丢弃小类间距离类对的可分性的问题，基于子空间应均衡保留各类对可分性的思想，提出一种新的准则——散度比例(pd)准则。pd准则为各类对子空间散度与原空间散度之比的均值，并推导出最大化pd准则的线性判别分析(pd.lda)的求解过程。采用pd.lda对高分辨距离像(hrrp)的幅度谱进行特征提取，基于外场实测数据，分别训练了最小欧氏距离分类器和支持向量机(svm)分类器，两种分类器的识别结果均表明，pd.lda相比lda，可显著降低数据维数并有效提高识别率。关键词:雷达自动目标识别；散度比例；线性判别分析；特征提取；高分辨距离像 hrrp feature extraction based on proportion of divergence criterion liu jing1*, zhao feng2, liu yi 3 1. school of electronic engineering, xi’an university of posts and telecommunications, xi’an shaanxi 710121, china ; 2. school of computer science and technology, shandong institute of business and technology, yantai shandong 264005,

china

; 3. school of electronic engineering, xidian university, xi’an shaanxi 710071, china abstract: traditional linear discriminant analysis (lda) faces the problem of tending to keep the separabilities of the class pairs having large between class distances, while discard the separabilities of those having small between class distances. based on the viewpoint that the feature subspace should uniformly keep the separability of each class pair, a new criterion, i.e., the proportion of divergence (pd), is presented. pd criterion is the mean of the proportion of the subspace divergence to original space divergence of each class pair. the solution of the lda maximizing pd criterion (pd.lda) is also presented. pd.lda was used to perform feature extraction in the amplitude spectrum space of high resolution range profile (hrrp). shortest euclidian distance classifier and support vector machine (svm) classifier were designed to evaluate the recognition performance. experimental results for measured data show that, comparing with traditional lda, pd.lda reduces data dimension remarkably and improves recognition rate effectively.

高分辨一维距离成像技术在某地面雷达的实现

高分辨一维距离成像技术在某地面雷达的实现* 马志刚** (华东电子工程研究所,合肥230031) 摘要:介绍了高分辨一维距离成像技术在某雷达的实现。基于现有并行处理结构的ADSP21060硬件平台,对大带宽时宽信号进行频域脉压,得到一维高分辨距离像。实验结果表明,该实现可较好地分辨密集编队飞行的目标架次和识别机型的大小,为开展地面雷达的ISAR成像和自动目标识别奠定了基础。关键词:ADSP21060脉冲压缩高分辨中图分类号:TN95 文献标识码:A 文章编号:1009-0401(2010)02-0009-04 The m i p le m entati on of one-dm i ensi onalHRRP tec hnol ogy i n a ground radar MA Zhi gang (E ast China R esearch Instit u te of E lectronic E ngineering,H e fei230031) Abst ract:The i m ple m entation of the1D HRRP techno l o gy in a g round radar is i n troduced.B ased on the ex isti n g ADSP21060hard w are p latfo r m w ith parallel processi n g arch itecture,the HRRP is obta i n ed through the pulse co m pressi o n o f large ti m e bandw idth si g na ls i n frequency do m a i n.The test resu lts sho w that such i m ple m en tation can d istingu ish num bers and sizes o f aircrafts in co mpact aircraft for m ations,wh ich establishes a basis for the ISAR i m ag ing and auto m atic targe t recogn ition of ground radars. K eyw ords:ADSP21060;pulse co m pression;h i g h resolution 1 引言按雷达信号分辨理论,在保证一定信噪比并实现最佳处理的前提下,测量精度和分辨力对信号形式的要求完全一致[1]:测距精度和距离分辨力主要取决于信号的频率结构,它要求信号具有大的带宽;而测速精度和速度分辨力取决于信号的时间结构,它要求信号具有大的时宽。因此,理想雷达信号必须采用具有大时宽带宽乘积的复杂信号形式。在匹配滤波理论的指导下,首先提出并得到应用的是线形调频脉冲(L M F)及其匹配处理脉冲压缩(PC)。这种信号是在宽脉冲内附加载波线性调频,在大时宽的前提下扩展信号的带宽,对接收的宽脉冲LF M回波进行匹配滤波处理,使其变成窄脉冲以提高距离分辨能力。2 ADSP21060介绍 ADSP21060是ADSP2106X系列品种之一,其他品种是以ADSP21060为基础的衍生产品。ADSP2106X 采用超级哈佛结构,有4套独立的总线,分别用于双数据存取、指令存取和输入输出接口。ADSP2106X有多种外部接口:外部地址、程序/数据总线可以全速工作在40MH z,它提供的多种外部控制信号线可以使多片ADSP2106X无需外部控制逻辑就能直接相连,构成一个高效的紧耦合式并行处理系统;输入/输出控制器还提供了6套链路口和两个串行通信口,可以将大量的ADSP2106X构成一个松耦合的并行处理系统。这样,通过合理地分配并行处理子任务间通信、握手和运算处理时序,可以设计出高效多处理器系统[2]。第30卷第2期2010年6月雷达与对抗 RADAR&ECM V o.l30 N o.2 Jun.2010 * **收稿日期:2010 04 03 作者简介:马志刚,男,1980年生,工程师,主要研究方向为雷达信号处理。

目标识别技术

目标识别技术摘要：针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。引言：雷达目标识别技术回顾及发展现状雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标识别理论和技术。随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反映一个国家的军事实力和作战能力。雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别提出了越来越高的要求。目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高

动态视频目标检测和跟踪技术(入门)

动态视频目标检测和跟踪技术传统电视监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全面地了解所发生的事件：“什么地方”，“什么时间”，“什么人”，“在做什么”。将“原始数据”转化为“有用信息”的技术中，目标检测与跟踪技术的目的是要解决“什么地方”和“什么时间”的问题。目标识别主要解决“什么人”或“什么东西”的问题。行为模式分析主要解决“在做什么”的问题。动态视频目标检测技术是智能化视频分析的基础。本文将目前几种常用的动态视频目标检测方法简介如下：背景减除背景减除（Background Subtraction）方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动目标的一种技术。它一般能够提供相对来说比较全面的运动目标的特征数据，但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等也特别敏感。实际上，背景的建模是背景减除方法的技术关键。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向，影子，树叶随风摇动等。大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。时间差分时间差分（Temporal Difference 又称相邻帧差）方法充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。只有在有前景移动目标的部分相邻帧的像素差异比较大。时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。让我们来考虑安装固定摄像头所获取的视频。我们介绍利用连续的图像序列中两个或三个相邻帧之间的时间差分，并且用阈值来提取出视频图像中的运动目标的方法。我们采用三帧差分的方法，即当某一个像素在连续三帧视频图像上均有相

雷达高分辨距离像模板自动生成算法

第26卷第6期2010年6月信号处理SIGNAL PROCESSING Vol.26.No.6Jun.2010 收稿日期：2009年4月23日；修回日期：2009年11月24日雷达高分辨距离像模板自动生成算法彭勃魏玺章黎湘（国防科技大学电子科学与工程学院长沙410073）摘要：模板的完备性直接决定了基于高分辨距离像的雷达目标识别系统的分类性能；在外场试验中限于目标姿态、环境等因素难以获得准确标定的目标立体角范围内全姿态模板数据。针对一维距离像识别的工程实用化需求，本文基于数据驱动思想，提出了新的一维距离像聚类模板自动生成算法。与传统方法相比，本文方法在提高工程可行性的同时提高了识别性能。为满足实验需要，本文提出了新的基于MSTAR 图像的高分辨距离像反演算法，得到更精确的反演数据。基于该数据的实验结果表明算法解决了模板生成姿态角依赖性问题，提高了识别性能。关键词：高分辨距离像；模板；聚类；反演中图分类号：TN957.51 文献标识码：A 文章编号：1003－0530（2010）06－0819－05 Automatic Generation of High Range Resolution Profiles Models for Radar Recognition PENG Bo WEI Xi-zhang LI Xiang （School of Electronic Science and Engineering ，NUDT ，Changsha 410073） Abstract ： The completeness of template directly determines the classification performance of automatic radar target recognition system based on high resolution range profiles （HRRP ）.It ’ s difficult to get HRRP training data labeled accurately covering the entire target-aspect angle because of a lot of practical factors in the field experiments ，such as target attitude ，environment and so on.Accord-ing to the demand of engineering practical development ， the dissertation proposes an algorithm of automatic generation of HRRP template based on data driving means.The proposed approach can be realized much easier with better recognition performance ，comparing with the traditional approach.The dissertation puts forward a new HRRP inversion method based on MSTAR image to get more precise HRRP using in cyber-emulation.At last ， the result of the experiments proves the algorithm.Key words ： High Range Resolution Profiles ；template ；clustering ；HRRP inversion 1引言自从雷达自动目标识别研究兴起以来，基于高分辨距离像的雷达目标识别系统因具有识别速率高、适应性广的优点受到广泛的关注。其中，高分辨距离像模板自动生成是该类自动目标识别系统的基础，直接关系到匹配识别的质量和效率。高分辨距离像（HRRP ）有着平移敏感性、幅度敏感性和目标姿态敏感性。识别系统通常采用预处理的方法克服HRRP 的平移敏感性和幅度敏感性，包括利用最小二乘准则实现距离对准、能量归一化以及去直流漂移［1，2］。三种敏感性中尤为不容易克服的是目标特征信号姿态敏感性问题。高分辨雷达工作在光学区，可以利用散射点模型较好描述［3］。根据该模型，高分辨距离像随姿态角的变化主要来源于越距离单元游动导致的散射点模型改变，即同一距离单元的散射点位置随着雷达视角及目标姿态所发生的变化。针对该问题，通常的解决办法可分为两类，一是基于HRRP 模板来进行匹配识别，二是提取目标姿态不变性质的特征。1993年，文献［4］阐述了直接将一维距离像作为特征矢量的可行性，提出了基于匹配度的距离像匹配识别方法。文献［5］利用多幅飞机目标的一维距离像构造相关滤波器，减少了识别过程中所需的运算量。文献［6］在每一个姿态角域内构造识别所需的合成模板，文献［1］提出了基于姿态角的平均模板生成算法，文献［7］根据数据间的相近程度和样本数量动态调节各帧模板训练数据的角度边界，优化了基于姿态角的平均模板生成算法。文献［8，9］中采用混合 Gamma 模型来描述目标HRRP 的统计特性，将多分量的后验概率应用于距离像识别，充分利用目标HRRP

基于高分辨距离像的雷达地面目标识别技术

基于高分辨距离像的雷达地面目标识别技术在如今日益复杂的地面战场环境下,利用传统雷达信号处理技术已无法实现对地面目标的准确探测,因此对雷达目标识别技术的需求愈加迫切。高分辨一维距离像可以提供目标在雷达视线上的结构信息,其成像条件简单、容易获取且运算与存储压力小的特点,使得基于高分辨一维距离像的雷达地面目标识别技术受到了广泛的关注和研究。目前,基于高分辨一维距离像的目标识别技术已经取得了一定的进展与突破,但是针对弹载这一特定的应用场合,目标非合作性导致的训练模板库非完备问题,地面目标相似导致的特征向量低可分性问题, 复杂地面战场环境导致的低信噪比与假目标干扰问题,特征空间分布的随机性导致的分类边界不准确问题,严重地影响了目标识别的总体性能。本论文以实现复杂战场环境下的目标识别为出发点,围绕上述弹载雷达地面目标识别中存在的问题展开研究。具体包括以下几个方面:1.为解决雷达地面目标高分辨一维距离像识别中,非合作目标模板库非完备的问题,提出一种基于混合模型的雷达非合作目标高分辨一维距离像仿真方法。本方法基于模型匹配目标识别基本思想,利用有限的目标信息进行建模仿真,从而构建完备的目标训练模板库。本方法通过构建目标精细化散射点模型,并利用时域高频电磁散射计算方法获得散射点的散射强度,同时基于距离单元服从的统计分布特性,建立散射点间的统计相关性,以实现目标高分辨一维距离像电磁散射特性与统计分布特性的兼顾。通过与目标实测数据的对比,本方法所生成的目标高分辨一维距离像与实测目标数据具有较高的相似性。利

用本方法生成识别模板库,并基于实测数据进行测试,验证了本方法在目标识别中的有效性。2.为提取高分辨一维距离像的低维度、高可分性特征,提出基于统计核函数相关判别分析的特征提取算法。本算法通过对目标高分辨一维距离像距离单元统计特性的分析,分别构建距离单元理想统计模型与非理想统计模型下的统计核函数,对不同统计模型下的目标特性进行描述,从而实现最小信息损失的特征分量提取。以此为基础,基于可分性判别分析与典型相关分析理论构建特征融合准则函数,实现特征空间中类内相关性与类间差异性最大化,同时减少目标特征中的冗余信息,保证特征向量的低维度特性。利用实测数据对本算法进行验证,结果表明,在保证目标特征向量低维度的条件下,本算法有效地提高了特征向量的可分性,从而改善了高分辨一维距离像目标识别系统的总体性能。3.为提高低信噪比下高分辨一维距离像目标识别性能,提出基于稀疏-低秩联合学习的噪声稳健目标识别方法。本方法通过对稀疏、低秩的联合表示,实现对目标高分辨一维距离像局部特征与全局特征的提取。以此为基础,在训练阶段利用支持向量理论与字典学习原理,对特征提取字典进行优化,从而提高特征向量的可分性;此外,为了更加精确的对目标特征空间进行描述,结合机器学习理论,采用基于联合可分性分析的多分类器加权融合字典学习方法,进一步提高本模型的识别性能。在测试阶段,利用因子分析模型匹配方法对去噪声字典进行优化,从而实现对噪声的有效抑制,保证了目标识别系统的噪声稳健性。实验结果表明,本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像,并实现较高的

自动目标识别与照准原理简介

在全站仪目标方向观察中，主要有目标照准，度盘读数两大步骤。下面以徕卡自动化全站仪的ATR技术为例，介绍自动目标识别与照准的基本原理一原理简介自动目标识别部件被安装在全站仪的望远镜上，红外光束通过光学部件被同轴地投影在望远镜上，从物镜发射出去，反射回来的光束，形成光点由内置CCD传感器接收，其位置以CCD传感器中心作为参考点来精确的确定。假如CCD传感器中心与望远镜光轴调整正确，则可从CCD传感器的光点的位置直接计算并输出以ATR方式测得的水平方向和垂直角。图带ATR望远镜结构示意图与人工照准目标存在视准差一样，ATR同样存在视准差。ATR视准差的校正是提高其测量精度的重要环节。测定ATR视准差时，必须人工将望远镜对准棱镜中心，望远镜十字丝提供的视准线与CCD传感器中心之间的水平和垂直方向上的偏差由仪器计算并储存下来，用于ATR方式测量时角度改正。如果在测角中既用ATR方式，又用人工方式，检查并校准ATR视准是十分必要。因为只有这样，两种方法才能达到最佳匹配。二目标精准照准 ATR自动识别并照准目标主要有三个过程：目标搜索过程，目标照准过程和测量过程。在人工粗略找准棱镜后，启动ATR，首先进行目标搜索过程。在现场内如果无发现棱镜，望远镜在马达的驱动下按螺旋式或矩形式连续搜索目标，如图所示。ATR一旦探测到棱镜，望远镜马上停止搜索，即刻进入目标照准过程。

ATR的CCD传感器接收到经棱镜反射过来的照准光点，如果该光点偏离棱镜中心，CCD 传感器则计算出该偏移量，并按该偏移量驱动望远镜直接移向棱镜中心，如图所示。当望远镜十字丝中心偏离棱镜中心在预定的限差之内后，望远镜停止运动，ATR测量十字丝中心和棱镜中心间的水平和垂直剩余偏差，并对水平角和垂直角进行校正。所以，虽然在望远镜视场内看到十字丝中心没有精准地照准棱镜中心，但仪器显示的水平角和垂直角实际是以棱镜中心为准。之所以采用这种目标照准方式，主要是为了优化测量速度，因为要望远镜十字丝中心准确定位于棱镜中心是比较困难的。图ATR角度修正与照准 ATR需要一块棱镜配合进行目标识别，因为ATR的角度测量和距离测量同时进行。在每一次ATR测量过程中，十字丝中心相对棱镜中心的角度偏移量都要重新测定，并相应改正水平方向和垂直角，进而精确地测量出距离或计算出目标点坐标。图给出了ATR的目标识别，照准与测量的流程图。当使用ATR方式进行测量时，由于其望远镜不需要对目标调焦或人工照准，因此，不但加快了测量速度，并且测量精度与观察员的水平无关，测量结果更加可靠。图ATR目标自动识别与照准流程图

雷达目标识别

目标识别技术 2009-11-27 20:56:41| 分类：我的学习笔记| 标签：|字号大中小订阅摘要：针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。引言：雷达目标识别技术回顾及发展现状雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标识别理论和技术。随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反映一个国家的军事实力和作战能力。雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别提出了越来越高的要求。目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高我国的军事实力，适应未来反导弹、反卫、空间攻防、国土防空与对海军事斗争的需要，急需加大雷达目标识别技术研究的力度雷达目标识别策略主要基于中段、再入段过程中弹道导弹目标群的不同特性。从结构特性看，飞行中段

CVPR2016目标检测之识别效率篇：YOLO, G

CVPR2016目标检测之识别效率篇：YOLO, G 1.YOLO: You Only Look Once：Unified, Real-Time Object Detection YOLO是一个可以一次性预测多个Box位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快。事实上，目标检测的本质就是回归，因此一个实现回归功能的CNN并不需要复杂的设计过程。YOLO没有选择滑窗或提取proposal的方式训练网络，而是直接选用整图训练模型。这样做的好处在于可以更好的区分目标和背景区域，相比之下，采用proposal训练方式的Fast-R-CNN 常常把背景区域误检为特定目标。当然,YOLO在提升检测速度的同时牺牲了一些精度。下图所示是YOLO检测系统流程：1.将图像Resize到448*448；2.运行CNN；3.非极大抑制优化检测结果。有兴趣的童鞋可以按照 https://www.wendangku.net/doc/df3980129.html,/darknet/install/的说明安装测试一下YOLO的scoring流程，非常容易上手。接下来将重点介绍YOLO的原理。 1.1 一体化检测方案 YOLO的设计理念遵循端到端训练和实时检测。YOLO将输入图像划分为S*S个网络，如果一个物体的中心落在某网格

(cell)内，则相应网格负责检测该物体。在训练和测试时，每个网络预测B个bounding boxes，每个bounding box对应5个预测参数，即bounding box的中心点坐标(x,y)，宽高（w,h），和置信度评分。这里的置信度评分 (Pr(Object)*IOU(pred|truth))综合反映基于当前模型bounding box内存在目标的可能性Pr(Object)和bounding box预测目标位置的准确性IOU(pred|truth)。如果bouding box内不存在物体，则Pr(Object)=0。如果存在物体，则根据预测的bounding box和真实的bounding box计算IOU，同时会预测存在物体的情况下该物体属于某一类的后验概率Pr(Class_i|Object)。假定一共有C类物体，那么每一个网格只预测一次C类物体的条件类概率Pr(Class_i|Object), i=1,2,...,C;每一个网格预测B个bounding box的位置。即这B个bounding box共享一套条件类概率Pr(Class_i|Object), i=1,2,...,C。基于计算得到的Pr(Class_i|Object)，在测试时可以计算某个bounding box类相关置信度： Pr(Class_i|Object)*Pr(Object)*IOU(pred|truth)=Pr(Class_i)* IOU(pred|truth)。如果将输入图像划分为7*7网格（S=7），每个网格预测2个bounding box (B=2)，有20类待检测的目标（C=20），则相当于最终预测一个长度为 S*S*(B*5+C)=7*7*30的向量，从而完成检测+识别任务，整个流程可以通过下图理解。