导读:本文包含了空中目标识别论文开题报告文献综述及选题提纲参考文献，主要关键词:目标识别,深度学习,图像处理
空中目标识别论文文献综述
冯酉鹏,吕艳辉,白云裳[1]（2019）在《空中目标识别方法研究》一文中研究指出目标识别作为计算机视觉领域的关键技术,受到了各界学者的广泛关注。在无人机航拍领域,为了实现追踪拍摄,目标识别必不可少。因此,目标识别技术是无人机航拍领域的重要研究方向。传统的识别跟踪算法都需要手动提取特征,随着识别对象的改变通常需要重新设计特征,步骤较为繁琐;而深度学习能够自动提取并学习更深层次的特征,具有更强的适用性和智能性。(本文来源于《中国新通信》期刊2019年16期）
何旭东[2]（2019）在《基于半监督学习的高分辨一维像空中目标识别技术研究》一文中研究指出精细化空中态势感知的迫切需求,使得雷达自动目标识别成为当前雷达系统技术研究的前沿热点。本文针对低信噪比时鲁棒特征提取和小样本下训练学习等困扰雷达目标识别技术研究和应用的瓶颈问题,结合深度学习对有效特征的提取和环境条件适应的优异性能以及高分辨率距离像(HRRP)获取目标信息精准性开展雷达自动目标识别技术研究工作,取得了在低信噪比和小样本条件下较为稳定、可靠的识别结果。本文的主要内容和创新点可总结如下:(1)研究了雷达HRRP的特性和卷积神经网络的基本原理与模型设计。设计了HRRP平移鲁棒性识别模型(RSRNet),并实验验证了RSRNet对HRRP目标的平移敏感性具有极强的鲁棒性,即卷积神经网络在图像特征提取上的平移不变性在HRRP上仍然成立。(2)提出了一种半监督深度U型盲去噪全卷积HRRP识别网络(SMTRNet)。SMTRNet由深度盲去噪卷积神经网络(DUBDNet)和识别网络RSRNet串联组成。DUBDNet可以利用采集到的目标邻近的两帧含噪声HRRP作为模型的输入输出进行学习,以达到盲去噪的效果。实验验证在HRRP信噪比低于5dB时,DUBDNet可以将HRRP信噪比提高10dB以上。其中,在HRRP信噪比为-15dB时,SMTRNet可以将HRRP信噪比提高15dB,识别率较RSRNet提高15%。(3)利用流形学习算法t-SNE将目标HRRP的空间分布进行了可视化。将HRRP的采样可视化和RSRNet的识别性能结合起来,分析得出对于HRRP识别来说,与样本的数量相比,姿态采样的完备性才是关键因素的结论。(4)针对非合作目标HRRP姿态采样不完备的问题,采用了两种直推式半监督HRRP识别算法。半监督卷积自编码(Semi-CAE)通过预训练的方式对待识别目标特征进行嵌入学习,再训练识别分类器,实验验证了Semi-CAE较强监督学习算法RSRNet缓解了姿态采样稀疏的问题。根据半监督学习的流行假设,采用了简单高效的深度标签重构(PL)算法,可对现有深度识别算法进行改进。在电磁仿真数据按方位角采样间隔不同的等间隔采样识别实验中,Semi-CAE和Semi-CAE(PL)在极少量训练样本下的识别性能可达到70%。(本文来源于《电子科技大学》期刊2019-03-31）
崔婷婷,唐林波,衡勇,李珍珍[3]（2018）在《基于轻量化卷积神经网络的空中红外目标识别》一文中研究指出空中红外目标识别在空中侦察和防空武器等领域有着重要的研究意义和应用价值。由于传统的目标识别算法仍存在准确率等缺点,本文将具有强大表征能力的卷积神经网络(CNN)引入到空中红外目标识别中,提出了基于轻量型CNN网络的空中红外目标识别算法。算法结合红外图像的特点,利用ROI提取方法实现目标粗提取,得到疑似目标切片及其对应的位置信息;通过构建的轻量型CNN网络,对所有的疑似目标切片进行精确分类,确定目标种类,从而完成空中红外目标识别。实验测试结果表明:本文提出的算法可以实现精确的空中红外目标识别;与传统的目标识别算法相比,该算法的识别准确率较高。(本文来源于《第十二届全国信号和智能信息处理与应用学术会议论文集》期刊2018-10-19）
罗元康[4]（2018）在《基于图像处理的空中目标识别关键技术研究》一文中研究指出随着科学技术的迅速发展,数字图像处理技术在国民经济各部门中得到了大量的使用。生活中的信息大部分是以视觉感知方式获得的,计算机视觉就相当于给计算机装上了人的眼睛。近些年来,计算机视觉的发展速度日益加快,其应用在工业检测、生物医学、军事、航空航天等领域得到大量的普及。目前,视觉技术应用极大的提高了工业生产效率,但是,目前依然面临着极大的挑战,计算机视觉中的目标识别技术依然还有很多难点需要去解决。本文是以隐身电动水面无人艇项目为依托研究由通过使用图像采集设备对海面上空中的目标进行采集,并对采集的图像做处理。隐身电动水面无人艇项目部分内容是开发无人艇的视觉感知系统,检测其行驶路径上是否有空中飞行物的存在如飞机等,为无人艇的行驶轨迹规划提供参考,确保无人艇安全行驶。首先,对采集的海天图像预处理,主要包括图像平滑、降噪滤波和二值化。应用四种常见的边缘检测算子如罗伯特、索贝尔、蒲瑞维特、高斯—拉普拉斯算子方法做实验效果的对比,最终选择Canny边缘检测算子。其次,应用改进的Hough变换找到海天线,通过海天线旋转后准确确定目标区域,提取目标。然后,对目标图像进行轮廓提取,得到飞机图像的轮廓曲线。提取目标的几何特征和矩特征,并对提取的特征应用PCA方法进行特征融合约简,把约简后的特征输入支持向量机进行学习分类。最后,在程序实现上使用Halcon商业库写出算法导出成C++代码嵌入到使用MFC做框架的系统中,对部分代码进行封装生成DLL动态库,通过调用的形式来实现模块功能。最后通过系统软件的验证,所提取的特征有效,系统操作简单,通过大量的实验,识别率在80%。(本文来源于《江苏科技大学》期刊2018-05-14）
周超,胡晓峰,郑书奎,刘潇[5]（2016）在《智能算法在空中目标识别问题中的应用》一文中研究指出针对空中目标识别问题,建立了基于朴素贝叶斯的目标识别模型和基于概率神经网络的目标识别模型.在输入数据处理上分别采用zscore和0-1标准化方法,最后通过实例对模型进行验证,验证了模型的合理性,并对概率神经网络和朴素贝叶斯方法在空中目标识别准确率上进行了比较.(本文来源于《指挥与控制学报》期刊2016年02期）
李洪安,杜卓明,李占利,康宝生[6]（2016）在《基于灰度与纹理特征的空中目标识别与跟踪》一文中研究指出视频监控技术在航天领域中得到广泛应用,已成为航天安全和管理的重要技术手段之一。为了实现在环境影响及遮挡情况下对航天视频监测和管理中对空中运动目标的运动状态监测,首先运用背景差分法与相邻帧差法相结合的方法检测出运动目标的变化区域,通过二值化、形态学滤波等处理后得到运动目标,提出灰度特征与纹理特征相结合的方法识别运动目标。然后采用改进的Mean-Shift方法实现对空中运动目标的跟踪,完成对空中运动目标的安全监控。结果表明:提取与选择的目标特征在识别中取得较满意的效果,针对空中运动目标的跟踪具有较好的鲁棒性,该方法具有可行性。(本文来源于《图学学报》期刊2016年02期）
吴强,姜礼平,季傲[7]（2015）在《基于模糊集和D-S证据理论的空中作战目标识别》一文中研究指出在空中作战中,目标识别是态势评估和威胁估计的基础,是作战指挥辅助决策的重要依据。对雷达获取的不同时刻目标信息,通过模糊集理论构造隶属度函数,并转换为待识别目标的基本概率分配(BPA)函数,最后利用改进的冲突证据合成方法进行融合,实现来袭目标身份识别。仿真计算表明,该方法能够识别目标身份,且便于实现。(本文来源于《指挥控制与仿真》期刊2015年04期）
刘砚菊,寇国豪,宋建辉[8]（2015）在《基于RBF神经网络的空中目标识别技术》一文中研究指出空中目标识别的正确与否对防空火力的部署、分配及有效打击有着重要的意义。利用径向基函数(RBF)神经网络逼近非线性的空中目标识别模型。在RBF神经网络空中目标识别模型中,输入向量是雷达探测到的空中飞行目标的6种目标属性,输出向量是空中飞行目标的类型。通过Matlab的数据仿真结果与传统的BP神经网络目标识别模型相比,该模型的误差更小,可以有效地提高空中目标的识别率。(本文来源于《火力与指挥控制》期刊2015年08期）
孙俊,陈亚伟,李崇谊,谢苏道[9]（2015）在《基于雷达宽窄带多特征信息融合的空中目标识别》一文中研究指出宽带高分辨一维距离像(HRRP)含有丰富的目标特征信息,是进行型号识别的良好特征。窄带特征所携带的目标信息虽不如宽带丰富,但其与宽带特征有很强的互补性,且有识别距离远、受目标姿态影响小等优点。因此,综合利用目标的宽、窄带特征进行识别能够提高识别系统性能。文中分析了以HRRP的功率谱和目标速度、高度为识别特征的宽窄带识别系统的特点,利用DS证据理论,实现了基于宽窄带识别结果的决策层融合目标识别;外场实测数据的实验结果表明了该方法的有效性。(本文来源于《现代雷达》期刊2015年07期）
郝志伟,吴勇,张建东,喻芳[10]（2014）在《BP网络与改进证据合成规则空中目标识别》一文中研究指出针对现代空战目标识别高准确性、实时性的要求,以及目标识别融合中可能出现的高度证据冲突问题,提出了一种基于BP网络与改进证据合成规则的空中目标识别方法。该方法通过BP神经网络获取各传感器对目标类别判断的基本概率赋值,并以此为证据,使用引入加权平均证据的合成规则对各组证据进行空间域融合和时间域融合,得到目标身份结论。仿真结果表明,该方法可以很好地解决证据冲突问题,能够准确、可靠地完成空中目标识别任务。(本文来源于《电光与控制》期刊2014年12期）
空中目标识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
精细化空中态势感知的迫切需求,使得雷达自动目标识别成为当前雷达系统技术研究的前沿热点。本文针对低信噪比时鲁棒特征提取和小样本下训练学习等困扰雷达目标识别技术研究和应用的瓶颈问题,结合深度学习对有效特征的提取和环境条件适应的优异性能以及高分辨率距离像(HRRP)获取目标信息精准性开展雷达自动目标识别技术研究工作,取得了在低信噪比和小样本条件下较为稳定、可靠的识别结果。本文的主要内容和创新点可总结如下:(1)研究了雷达HRRP的特性和卷积神经网络的基本原理与模型设计。设计了HRRP平移鲁棒性识别模型(RSRNet),并实验验证了RSRNet对HRRP目标的平移敏感性具有极强的鲁棒性,即卷积神经网络在图像特征提取上的平移不变性在HRRP上仍然成立。(2)提出了一种半监督深度U型盲去噪全卷积HRRP识别网络(SMTRNet)。SMTRNet由深度盲去噪卷积神经网络(DUBDNet)和识别网络RSRNet串联组成。DUBDNet可以利用采集到的目标邻近的两帧含噪声HRRP作为模型的输入输出进行学习,以达到盲去噪的效果。实验验证在HRRP信噪比低于5dB时,DUBDNet可以将HRRP信噪比提高10dB以上。其中,在HRRP信噪比为-15dB时,SMTRNet可以将HRRP信噪比提高15dB,识别率较RSRNet提高15%。(3)利用流形学习算法t-SNE将目标HRRP的空间分布进行了可视化。将HRRP的采样可视化和RSRNet的识别性能结合起来,分析得出对于HRRP识别来说,与样本的数量相比,姿态采样的完备性才是关键因素的结论。(4)针对非合作目标HRRP姿态采样不完备的问题,采用了两种直推式半监督HRRP识别算法。半监督卷积自编码(Semi-CAE)通过预训练的方式对待识别目标特征进行嵌入学习,再训练识别分类器,实验验证了Semi-CAE较强监督学习算法RSRNet缓解了姿态采样稀疏的问题。根据半监督学习的流行假设,采用了简单高效的深度标签重构(PL)算法,可对现有深度识别算法进行改进。在电磁仿真数据按方位角采样间隔不同的等间隔采样识别实验中,Semi-CAE和Semi-CAE(PL)在极少量训练样本下的识别性能可达到70%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
空中目标识别论文参考文献
[1].冯酉鹏,吕艳辉,白云裳.空中目标识别方法研究[J].中国新通信.2019
[2].何旭东.基于半监督学习的高分辨一维像空中目标识别技术研究[D].电子科技大学.2019
[3].崔婷婷,唐林波,衡勇,李珍珍.基于轻量化卷积神经网络的空中红外目标识别[C].第十二届全国信号和智能信息处理与应用学术会议论文集.2018
[4].罗元康.基于图像处理的空中目标识别关键技术研究[D].江苏科技大学.2018
[5].周超,胡晓峰,郑书奎,刘潇.智能算法在空中目标识别问题中的应用[J].指挥与控制学报.2016
[6].李洪安,杜卓明,李占利,康宝生.基于灰度与纹理特征的空中目标识别与跟踪[J].图学学报.2016
[7].吴强,姜礼平,季傲.基于模糊集和D-S证据理论的空中作战目标识别[J].指挥控制与仿真.2015
[8].刘砚菊,寇国豪,宋建辉.基于RBF神经网络的空中目标识别技术[J].火力与指挥控制.2015
[9].孙俊,陈亚伟,李崇谊,谢苏道.基于雷达宽窄带多特征信息融合的空中目标识别[J].现代雷达.2015
[10].郝志伟,吴勇,张建东,喻芳.BP网络与改进证据合成规则空中目标识别[J].电光与控制.2014