基于ISAR像的雷達(dá)目標(biāo)識別算法研究.pdf_第1頁
已閱讀1頁,還剩121頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、由于逆合成孔徑雷達(dá)(Inverse Synthetic Aperture Radar,ISAR)能夠提供目標(biāo)的形狀和結(jié)構(gòu)特征,ISAR圖像對于姿態(tài)角的敏感度較小,同時(shí)又有許多現(xiàn)有的圖像識別技術(shù)可以借鑒。因此,基于ISAR像的雷達(dá)目標(biāo)識別是非常重要且具有發(fā)展前景的目標(biāo)識別方法。本文主要針對ISAR像目標(biāo)識別中的特征提取問題進(jìn)行了深入細(xì)致的研究。論文的主要研究工作如下:
  1、研究了基于ISAR像變換的特征提取方法。為了解決目前IS

2、AR像子空間特征提取方法不允許負(fù)分解量存在的問題,本文對非負(fù)矩陣分解方法進(jìn)行了研究,提出了一種基于分塊雙向二維投影梯度非負(fù)矩陣分解的ISAR像目標(biāo)識別方法。該方法在二維投影梯度非負(fù)矩陣分解的基礎(chǔ)上,通過對二維圖像矩陣構(gòu)建的大非負(fù)矩陣進(jìn)行分塊,即同一類的訓(xùn)練樣本形成一小矩陣,對每塊小矩陣分別進(jìn)行行投影梯度非負(fù)矩陣分解和列投影梯度非負(fù)矩陣分解,通過得到的基矩陣計(jì)算每類訓(xùn)練樣本均值的系數(shù)矩陣作為標(biāo)準(zhǔn)特征樣本,根據(jù)測試樣本的系數(shù)矩陣與每類樣本均

3、值的系數(shù)矩陣的最小距離,確定目標(biāo)分類。
  2、研究了基于ISAR像多尺度的特征提取方法。目前,ISAR像特征提取算法都是直接針對原圖像在單一尺度上對目標(biāo)特征進(jìn)行分析,沒有體現(xiàn)目標(biāo)固有的多尺度特性。針對這一問題,本文提出了一種基于直方圖統(tǒng)計(jì)量的ISAR像目標(biāo)識別方法。該方法首先將ISAR像進(jìn)行Gabor小波變換,提取不同尺度和方向的Gabor幅值圖譜;然后把幅值圖譜分成小的子區(qū)域,用多尺度局部二值模式提取空域增強(qiáng)的直方圖作為特征,

4、最后在x2統(tǒng)計(jì)量作為不相似度量計(jì)算的特征空間里,采用最近鄰分類器完成五類飛機(jī)目標(biāo)模型的分類識別。
  3、研究了基于ISAR像Gabor小波變換幅值和相位融合的特征提取方法?;贕abor特征的SAR、ISAR識別算法和目前大部分基于Gabor特征的其他領(lǐng)域的識別算法都只應(yīng)用了Gabor的幅值信息,而沒有應(yīng)用相位信息。針對這一問題,本文從融合的角度去研究ISAR像的Gabor特征,將Gabor的相位特征用于ISAR像識別,并和Ga

5、bor的幅值特征相融合,提出了一種基于Gabor幅值特征和相位特征相融合的ISAR像目標(biāo)識別算法。該方法首先采用Gabor小波變換對ISAR像進(jìn)行多尺度分析;然后對得到的Gaobr幅值圖像劃分為若干矩形不重疊的子塊,分別對每個(gè)子塊計(jì)算其直方圖分布,將所有分塊的直方圖分布聯(lián)合起來作為Gabor的幅值特征;再采用局部Gabor相位模式和分塊直方圖的方法提取Gabor的相位特征;最后,將Gabor的幅值特征和相位特征采用串聯(lián)的方式相融合,作為

6、最終的ISAR像Gabor特征,通過最近鄰分類器對目標(biāo)完成分類識別。
  4、研究了基于改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)和視區(qū)劃分的ISAR像目標(biāo)識別算法?,F(xiàn)有基于模板匹配的ISAR像識別技術(shù),多通過姿態(tài)遍歷來構(gòu)建和存儲模板庫,不僅占用存儲空間,而且匹配開銷大,為此常用等間隔方位角范圍內(nèi)模板平均的方法提高識別速度。然而,方位角間隔取的過小,在精簡模板數(shù)量方面起不到明顯的改善作用;取的過大,又會影響識別性能。針對上述問題,結(jié)合計(jì)算機(jī)視覺分析中

7、視區(qū)的概念,提出了一種基于改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)和視區(qū)劃分的ISAR像目標(biāo)識別算法。該方法首先建立目標(biāo)多姿態(tài)較完備的初始模板庫,對于每一類目標(biāo),將脈沖耦合神經(jīng)網(wǎng)絡(luò)和形態(tài)學(xué)相結(jié)合共同提取特征表述參數(shù),然后,基于特征參數(shù)的相似性分析,在方位范圍內(nèi)運(yùn)用迭代自組織數(shù)據(jù)分析算法進(jìn)行聚類,將每一類相近的圖像劃歸為一個(gè)視區(qū),從而將初始模板庫劃分為數(shù)個(gè)視區(qū);再在每個(gè)視區(qū)中選取一幅能代表本視區(qū)的原型模板,組成原型模板庫,最后,以多類目標(biāo)的原型模板同輸入的

8、待識別圖像進(jìn)行匹配。
  5、研究了基于多分類器融合的ISAR像目標(biāo)識別。對于本文提出的B(2D)2pGNMF、MB-LGBP、Gabor幅值特征和相位特征相融合、改進(jìn)的PCNN四種特征提取算法,分析比較了它們在不同分類器中的特征提取性能,并從多特征多分類器融合的角度出發(fā),結(jié)合B(2D)2PGNMF、Gabor幅值特征和相位特征相融合和改進(jìn)的PCNN特征提取算法,選取最近鄰、決策樹以及余弦分類器構(gòu)建子分類器,采用樸素貝葉斯融合方法

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論