导读:本文包含了地面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:深度学习,目标检测,目标跟踪,ROS系统
地面目标识别论文文献综述
程兴[1]（2019）在《基于无人机的地面目标识别与跟踪》一文中研究指出随着深度学习技术崛起,目标的识别和跟踪技术的准确率被大大提升,从而极大地带动了相关产业的发展,如智能无人车、无人机技术。而无人机因为其特有的灵活性和机动性,更是被广泛应用于军事、商业、监控等各个领域。然而,目前想利用无人机进行目标识别和跟踪并得到较高的精度,存在着一定的困难。在目标的识别和跟踪任务中,就存在着众多的难题。例如,一般的检测网络进行一次检测的耗时较长,无法做到实时检测,而且网络在运行时需要利用GPU,不便于在无人机平台上实现。同时,在跟踪任务中,由于目标存在着外形、光照变化、旋转扭曲、遮挡等方面的因素,长时间保持对目标的稳定跟踪,具有极大的困难。因此,针对目前大量存在于各种场景中识别与跟踪任务需求与难点,利用无人机上有限的计算资源,本论文设计了一套基于无人机的地面目标识别与跟踪系统,完成对图像中目标的识别与跟踪。主要工作如下:首先,论文借鉴目前运行速度较快的检测网络框架,设计目标检测网络的结构,在不同的尺度和长宽比的锚框下,进行目标检测。同时,为了提高网络的检测精度,完成了对网络参数的进一步调试。然后,完成了对传统跟踪及基于相关滤波的跟踪算法的研究,并对相关滤波跟踪算法的目标建模方式进行改进,并与原算法进行对比测试,结果表明该方法提高了跟踪算法的精度。在此基础上,依据目标检测和跟踪的结果,设计了目标位置信息融合算法,并对该算法的合理性进行了测试。最后,完成对整个系统的软件架构设计与测试。在ROS系统中实现了整个系统,并在多个测试集上进行测试。结果表明,本系统能够在无人机所搭载的嵌入式系统上实时运行,稳定性良好,目标定位精度较高,具有良好的使用价值。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
郝亮亮[2]（2019）在《基于双目视觉的地面移动机器人目标识别与跟踪算法研究》一文中研究指出近年来,随着科学技术的发展,越来越多的产品开始使用计算机视觉相关的技术,也有越来越多的学者投入到图像处理相关的领域进行研究开发,计算机视觉技术也从以往的理论算法开始往实际应用发展。本文以全国RoboMasters机器人竞赛为背景,主要研究解决比赛中地面移动机器人的自动目标识别与跟踪问题,在机载嵌入式计算机系统上进行应用实现,完成对RoboMasters地面移动机器人自动目标识别与跟踪系统的设计搭建工作。本文通过计算机立体视觉技术,根据比赛中的任务对移动机器人进行目标识别和跟踪算法设计,并在实际系统上进行实现。具体包括以下的工作内容:首先,本文介绍了如何对双目摄像机进行畸变和立体校正,通过对立体匹配算法进行优化,使用双目视觉技术实现对目标的实时测距。其次,通过对地面移动机器人的特征进行分析,设计了针对比赛中移动机器人的装甲板识别算法,设计了多特征信息约束方法,保证了识别的准确性。然后,为了保证本系统中嵌入式计算机视觉系统能够稳定的输出目标的位置信息,本文利用卡尔曼滤波器对识别后的信息进行滤波预测,能够在保证识别精度的基础上有效的保证位置信息的连续性。本文也对TLD和ASMS跟踪算法进行了分析实现和测试。通过测试表明本文提出的识别方法和卡尔曼滤波器融合后的算法,相比TLD和ASMS算法能够获得更高的跟踪精度和更快的跟踪速度。最后,本文完整设计实现了地面移动机器人的目标识别与跟踪系统,平台以TX2和STM32F427分别作为计算机视觉处理器和嵌入式系统控制器。其中TX2计算机平台上运行Ubuntu16.04系统,并在系统上运行ROS机器人操作系统。在STM32F427嵌入式平台上运行FreeRTOS多任务嵌入式操作系统。在实验室模拟环境下,对地面移动机器人的装甲板目标识别和跟踪算法进行了整体的测试。实验结果表明本文针对RoboMasters比赛需求设计的双目视觉识别跟踪系统能够准确、快速、稳定的识别目标地面移动机器人。(本文来源于《哈尔滨工程大学》期刊2019-01-01）
于冠群[3]（2018）在《地面装备目标识别实验与评价系统需求研究》一文中研究指出自动目标识别是智能火控、自寻的导弹和地面无人系统的核心功能。以目标环境素材库为基础的目标识别感知实验与评价系统,作为算法筛选的择优平台和外场验收的补充手段,是整合地方科研力量算法开发优势和军工厂商工程化能力的必要条件,其建设将扭转目标环境素材数据缺失和数据管理混乱的局面,打破军民融合研发共用技术的数据获取门槛,增强装备在标准靶场以外复杂环境的作战能力。(本文来源于《火力与指挥控制》期刊2018年06期）
张积洪,陈亚亚[4]（2018）在《基于EWT与GA-SVM的地面目标识别》一文中研究指出为提高地面移动目标识别效率,提出基于EWT(经验小波变换)与GA-SVM(遗传优化支持向量机)的目标识别方法。对采集到的地震动信号进行小波包去噪,对去噪信号进行经验小波变换,提取信号特征并构建特征向量输入到支持向量机中训练;利用遗传算法参数寻优,找到支持向量机的最佳参数,以此构建预测模型;利用训练完成的GA-SVM模型对目标进行分类。实验结果表明,GA-SVM模型优于未改进的交叉验证法SVM模型,对常见地面移动目标具有很好的分类准确率。(本文来源于《计算机工程与设计》期刊2018年04期）
李龙[5]（2017）在《基于高分辨距离像的雷达地面目标识别技术》一文中研究指出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,并实现较高的识别正确率。4.针对雷达地面目标高分辨一维距离像识别中的目标鉴别问题,构建一种基于聚类-空间描述的目标鉴别器。在训练阶段利用基于相关系数预处理的K-Means聚类方法对库内目标特征空间进行区域划分;针对特征向量的多区域聚合性,采用改进的支持向量域描述方法确定特征空间边界;最终利用特征空间边界与加权K近邻原则实现目标鉴别。本方法解决了库内目标与库外目标的鉴别问题,完善了目标识别系统的功能。通过对训练特征空间的区域划分,在有效地减小了运算复杂度的基础上,实现了更为精确的特征空间描述。最后通过实测数据进行实验,验证了本方法具备优良的鉴别性能与实时处理能力。5.为实现雷达高分辨一维距离像目标识别中鉴别与分类的联合处理,构建一种基于多重支持向量模型的目标识别器。根据目标高分辨一维距离像特征空间的密度分布,对基于密度敏感的多重支持向量模型进行组合优化,实现对特征空间的区域分割,并构建多个子分类超平面,实现对不同密度、不同类别目标的特征空间区域划分,以得到更为精细化的目标特征空间描述。本方法有效地解决了特征空间密度分布非均匀给目标识别带来的分类偏差问题,同时实现了目标鉴别与分类的融合。此外,本方法基于支持向量模型,内存需求少、计算复杂度低,适合目标识别系统的实际工程应用。利用实测数据得到的实验结果表明,本方法具有良好的目标鉴别与目标分类性能,并具备一定的工程实用化潜力。(本文来源于《西安电子科技大学》期刊2017-11-01）
刘环宇[6]（2017）在《基于图像深度学习的地面目标识别应用系统研制》一文中研究指出遥感图像目前广泛的应用于对地观测、气象、测绘、通讯导航、资源勘探以及军事目标探测等领域。遥感图像具有更新速度快、覆盖面积广、来源广泛的特点,适用于军事情报的获取。当前随着遥感成像技术发展带来遥感图像数据快速增长与落后的遥感图像处理和应用手段之间的矛盾日益突出,尤其在基于遥感图像的情报获取方面,仍主要依靠人工判读,且大量数据没有有效管理,给遥感数据应用带来难度。为此,本文旨在研究行之有效的遥感图像数据分析方法,出基于深度学习的遥感目标识别系统,将大量多源遥感数据快速转化为目标情报,为遥感图像数据应用供技术支持。首先,根据遥感图像目标识别应用的需求,对系统的应用部署模式及技术实现进行了总体方案设计。本系统采用B/S架构实现了基于深度学习的遥感目标识别系统。为给深度学习网络训练供数据,实现了多源遥感数据管理功能和预处理,遥感数据管理获取大量遥感源数据、重点目标数据、属性数据,通过数据解析、可视化以及查询检索等辅助功能,得到深度学习网络所需要的数据集;为有效标注这些数据,设计遥感图像数据预处理,完成重点目标标记、重点目标裁剪、大气校正和辐射校正,其中大气校正和辐射校正意在改善图像质量易于标注目标数据集,上述设计为深度学习网络训练供数据支撑。其次,针对遥感图像格式多样性、多源性、数据量大的特性以及冗余信息量大、应用任务复杂的应用特性,结合基于深度学习的目标识别系统的技术原理,对遥感目标识别系统具体技术方案及关键技术进行设计及分析。采用Arc GIS Server平台实现多源遥感数据在浏览器端的可视化呈现;采用XML文件和遥感数据地理信息文件实现遥感数据内部和遥感数据间的有效组织;采用ENVI平台和Oracle数据库实现面向应用的重点目标数据库建设;采用深度学习技术实现了遥感目标的快速、准确的识别。实验结果表明,上述设计可实现不低于5种遥感格式的数据解析,遥感目标在地图上的直观呈现。良好的人机交互便于重点目标标记、重点目标裁剪。上述辅助技术的采用升了深度学习目标识别性能,综合测试显示遥感目标识别精度不低于90%。最后,针对遥感图像应用系统的稳定性及可靠性要求,对系统进行了综合测试与分析。测试结果表明,系统具备管理并解析不低于5种数据格式的遥感图像数据,系统具备良好的图像预处理功能,有效增强了图像质量,具备快速构建重点目标数据库的能力。对系统的压力测试结果表明,支持1000用户同时访问的应答时间小于1秒,达到系统要求。(本文来源于《哈尔滨工业大学》期刊2017-06-01）
朱同宇[7]（2017）在《基于深度学习的合成孔径雷达地面目标识别技术研究》一文中研究指出合成孔径雷达(Synthetic Aperture Radar,SAR)工作受天气影响较小,可以全天时工作且对观测目标有一定穿透能力。SAR一经问世就成为一种不可替代的遥感信息获取手段。目前,SAR已被广泛的应用于国防和国民经济领域。近年来SAR成像技术不断成熟,由SAR系统获得的数据不断增多,成像质量也越来越高。如何从海量数据中快速的提取出感兴趣目标,是目前迫切需要解决的问题。SAR图像解译是近年来的研究热点,SAR目标识别技术是SAR图像解译的重要环节。SAR目标识别技术主要包括数据预处理、特征提取和分类器设计叁个部分。如何设计和提取出目标的判别性特征是SAR目标识别技术的主要难点之一。近些年兴起的深度学习技术具有从海量数据中自动地提取层次化特征的优点,该技术已经在图像识别领域取得了一系列优异的成果。本篇论文结合现代深度学习技术,提出了一种基于改进的卷积神经网络模型的SAR目标识别方法。本文的主要工作包括以下几个方面:首先,本文分析了卷积神经网络的工作原理,在此基础上,深入研究了卷积神经网络的核心结构。特征提取是SAR目标识别的重要步骤,传统的特征提取方法往往根据专业知识手工设计,这一过程是十分困难和耗费时间的,本文利用卷积神经网络可以自动地提取图像层次化特征的优点,设计出一种适用于SAR图像的目标识别方法。其次,由于SAR图像数据集偏少,直接应用传统的卷积神经网络算法会产生严重的过拟合问题。本文在卷积模型中引入Re LU激活函数、L2正则化、批量归一化以及Dropout等现代深度学习技术,并使用4种适用于SAR图像的数据增强方法,有效地抑制了过拟合问题。最后,在MSTAR实测数据集和OKTAL仿真数据集验证本文算法的有效性,并使用扩充测试集验证模型对目标镜像、位移、旋转以及噪声的敏感程度。实验结果表明,本文提出的算法在两个数据集上都取得了较高的识别正确率,并且模型对目标镜像、位移、旋转和噪声不敏感。(本文来源于《哈尔滨工业大学》期刊2017-06-01）
陈亚亚[8]（2017）在《基于地震动的地面移动目标识别研究》一文中研究指出本文利用单轴加速度传感器来采集地面移动目标的地震动信号,通过对信号的分析处理以及对特征量的提取,设计目标识别算法,从而实现对目标的识别。运用地震动信号对目标进行识别在跑道入侵防范以及安全监测应用例如机场周界、区域保护等方面都有很大的应用价值。本文首先研究了地震波的产生与传播机理,介绍了地震动加速度传感器的工作原理。由于地面运动目标产生的地震动信号易受环境噪声的影响,采用小波包变换对信号先进行去噪处理。然后运用经验小波变换提取信号的IMF分量,与经验模态分解方法相比,该方法分解得到的模态更少而且计算速度更快。再对小波包去噪后的信号进行过零分析并提取去噪后信号的各项时域和频域参数指标;同时提取基于互相关准则选取的各IMF分量的能量指标,最后将这些特征参数进行组合构造特征向量,以此作为多分类支持向量机的输入进行训练和预测。针对传统支持向量机参数难以选择的问题,利用遗传算法参数寻优,找到支持向量机模型的最佳参数:惩罚因子C和核参数g。实验结果表明,采用改进支持向量机模型即GA-SVM模型对特征向量进行训练和测试,能较好地提升分类器性能。而且遗传算法优化支持向量机模型在训练速度和识别效率上优于未改进的交叉验证法支持向量机模型。该模型对地面移动目标如人员、车辆还有飞机能进行正确的识别分类。(本文来源于《中国民航大学》期刊2017-05-01）
余娟[9]（2017）在《基于判别性字典学习和稀疏表示的SAR地面目标识别》一文中研究指出合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术不受到距离、光照、天气等因素的影响,具备全天时、全天候、高分辨率成像的特点。目前,SAR成像技术已经被广泛应用于军事探测以及民用测绘的多个领域。但是,在SAR目标自动识别领域,由于SAR图像的相干成像原理,致使SAR图像被大量复杂的相干斑噪声污染,并且由于对SAR辐射特性以及成像原理相关知识的缺乏,导致提取有效的SAR目标特征进行目标识别十分困难,从而制约了SAR自动目标识别技术的发展。基于此,本文绕过特征提取这一难题,利用训练样本的类别信息,通过学习判别性字典来对样本进行稀疏编码,利用编码系数进行SAR目标识别,最终的实验数据证明了此类方法在SAR目标识别上具有可行性,且识别效果可观。本文的主要工作内容可概括为以下几点:(1)针对SAR图像的特性,进行了相关的预处理工作,主要涉及了噪声抑制、目标检测等相关算法的研究。(2)在现有的Fisher判别性字典学习方法的基础上对目标函数进行了改进,并将该方法成功应用在了SAR目标识别上,并取得了一定的识别效果。(3)为了验证本文改进的算法在SAR目标识别上的性能,本文将该算法与现有的经典稀疏分类方法SRC、K-SVD、D-KSVD、以及基于Fisher判别性字典学习方法的目标识别方法进行了对比,并总结了本文改进算法在SAR目标识别上的特性。(4)通过在不同大小训练样本集的实验,分析了字典大小对识别效果的影响,字典越大,本文算法识别率越高;另外,实验结果验证了当训练样本各子类数量差异较大时,数量较少的子类对应的识别率降低。(本文来源于《电子科技大学》期刊2017-04-01）
杨凯[10]（2017）在《基于机载视觉的地面目标识别与跟踪》一文中研究指出随着无人机技术的迅速发展,人们在无人机应用领域的研究不断深入,无人机的功能也是越来越丰富。其中,无人机机载GPS、惯导、雷达以及机器视觉等感知设备发挥了关键作用,它们不仅为无人机自身的飞行控制提供了保障,同时也为无人机执行目标监测、追踪和远距离测量等任务提供了重要手段。基于机载视觉的地面目标识别与跟踪是无人机应用当中的重要功能之一,可用于军事侦察、城市监控、智能交通等多个领域。视觉传感器可以从外界获取更加丰富的信息,并且受温度、磁场等影响小、抗干扰能力强,能够准确地反映目标的位置和运动状态。本文在四旋翼无人机平台上构建了机载视觉系统,并研究了基于机器视觉的地面目标识别与跟踪算法,实现了在复杂背景下对地面目标的识别与跟踪。本文以道路运动车辆作为地面目标,对目标的颜色、形状等主要特征进行了分析,设计了机载视觉系统硬件结构及图像信息处理方式,制定了地面目标识别与跟踪技术研究的总体方案。针对地面目标识别问题,本文采用全局特征与局部特征相结合的方法来完成目标识别过程。首先根据颜色特征和边缘特征初步确定地面目标的疑似区域,然后再利用SURF特征对目标进行精确定位。该方法有效降低了背景中相同颜色或形状物体对目标识别的干扰,提高了算法的准确性和鲁棒性。在对识别出的既定目标进行跟踪时,为了解决背景中多运动目标干扰、目标被遮挡等难点问题,本文提出将Kalman滤波算法与多特征融合的CamShift跟踪算法进行二次融合。该方法将颜色直方图特征和边缘方向直方图特征的反向投影图进行加权融合,来改进传统的CamShift跟踪算法,并结合Kalman滤波器对目标实际状态进行估计预测,实现了对地面目标的跟踪。最后,进行了复杂背景条件下地面目标识别试验、相似色背景下地面目标跟踪试验和遮挡情况下地面目标跟踪试验。试验数据显示识别正确率在95%左右,平均每次识别时间283ms,平均每帧的跟踪时间为159ms。试验结果表明本文提出的目标识别与跟踪算法能够快速准确地实现复杂场景下地面目标的识别与跟踪,既解决了无人机地面目标追踪问题,同时也为其它形式的高空视频监控提供了借鉴。(本文来源于《南京航空航天大学》期刊2017-03-01）
地面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：
近年来,随着科学技术的发展,越来越多的产品开始使用计算机视觉相关的技术,也有越来越多的学者投入到图像处理相关的领域进行研究开发,计算机视觉技术也从以往的理论算法开始往实际应用发展。本文以全国RoboMasters机器人竞赛为背景,主要研究解决比赛中地面移动机器人的自动目标识别与跟踪问题,在机载嵌入式计算机系统上进行应用实现,完成对RoboMasters地面移动机器人自动目标识别与跟踪系统的设计搭建工作。本文通过计算机立体视觉技术,根据比赛中的任务对移动机器人进行目标识别和跟踪算法设计,并在实际系统上进行实现。具体包括以下的工作内容:首先,本文介绍了如何对双目摄像机进行畸变和立体校正,通过对立体匹配算法进行优化,使用双目视觉技术实现对目标的实时测距。其次,通过对地面移动机器人的特征进行分析,设计了针对比赛中移动机器人的装甲板识别算法,设计了多特征信息约束方法,保证了识别的准确性。然后,为了保证本系统中嵌入式计算机视觉系统能够稳定的输出目标的位置信息,本文利用卡尔曼滤波器对识别后的信息进行滤波预测,能够在保证识别精度的基础上有效的保证位置信息的连续性。本文也对TLD和ASMS跟踪算法进行了分析实现和测试。通过测试表明本文提出的识别方法和卡尔曼滤波器融合后的算法,相比TLD和ASMS算法能够获得更高的跟踪精度和更快的跟踪速度。最后,本文完整设计实现了地面移动机器人的目标识别与跟踪系统,平台以TX2和STM32F427分别作为计算机视觉处理器和嵌入式系统控制器。其中TX2计算机平台上运行Ubuntu16.04系统,并在系统上运行ROS机器人操作系统。在STM32F427嵌入式平台上运行FreeRTOS多任务嵌入式操作系统。在实验室模拟环境下,对地面移动机器人的装甲板目标识别和跟踪算法进行了整体的测试。实验结果表明本文针对RoboMasters比赛需求设计的双目视觉识别跟踪系统能够准确、快速、稳定的识别目标地面移动机器人。
（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。
地面目标识别论文参考文献
[1].程兴.基于无人机的地面目标识别与跟踪[D].哈尔滨工业大学.2019
[2].郝亮亮.基于双目视觉的地面移动机器人目标识别与跟踪算法研究[D].哈尔滨工程大学.2019
[3].于冠群.地面装备目标识别实验与评价系统需求研究[J].火力与指挥控制.2018
[4].张积洪,陈亚亚.基于EWT与GA-SVM的地面目标识别[J].计算机工程与设计.2018
[5].李龙.基于高分辨距离像的雷达地面目标识别技术[D].西安电子科技大学.2017
[6].刘环宇.基于图像深度学习的地面目标识别应用系统研制[D].哈尔滨工业大学.2017
[7].朱同宇.基于深度学习的合成孔径雷达地面目标识别技术研究[D].哈尔滨工业大学.2017
[8].陈亚亚.基于地震动的地面移动目标识别研究[D].中国民航大学.2017
[9].余娟.基于判别性字典学习和稀疏表示的SAR地面目标识别[D].电子科技大学.2017
[10].杨凯.基于机载视觉的地面目标识别与跟踪[D].南京航空航天大学.2017