导读:本文包含了目标识别与分类论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:目标,孔径,卷积,神经网络,稀疏,深度,图像。
目标识别与分类论文文献综述
刘树吉[1]（2019）在《结合线性与非线性特征提取与分类的SAR图像目标识别》一文中研究指出针对合成孔径雷达(SAR)目标识别问题,提出一种结合线性,非线性特征提取和分类器的方法。采用PCA和KPCA分别提取原始SAR图像的特征矢量。在此基础上,分别利用稀疏表示(SRC)和核稀疏表示(KSRC)对两类特征进行分类。通过线性,非线性特征,分类器的结合,可以更好地考察SAR图像的内部数据结构以及测试样本与训练样本的对应关系。实验中,基于MSTAR数据集进行性能测试,结果表明提出方法的有效性。(本文来源于《电子设计工程》期刊2019年21期）
张克,牛鹏涛[2]（2019）在《稀疏表示分类在SAR图像目标识别中的应用分析》一文中研究指出文中研究了稀疏表示分类在合成孔径雷达(SAR)目标识别中的应用。稀疏表示分类是基于压缩感知理论的一种新的分类算法,近年来在人脸识别、遥感图像分类等领域得到广泛应用。文中对稀疏表示分类在SAR目标识别中的应用进行分析研究,介绍了稀疏表示的基本原理以及几种典型的稀疏系数求解算法。采用稀疏表示分类器对MSTAR数据集进行了目标识别实验,验证在SAR目标识别上的性能。(本文来源于《信息技术》期刊2019年09期）
张晓,王莉莉[3]（2019）在《基于多分类器融合的卫星图像舰船目标识别》一文中研究指出针对遥感图像中舰艇目标识别性能低的问题,提出了加权投票分类器融合方法。首先分析了舰艇的颜色特征与轮廓特征,然后利用SVM、BP神经网络和AdaBoost算法训练叁种单分类器,最后采用加权投票方式对单分类器进行融合。采用融合分类器进行舰艇目标识别实验分析,实验结果表明:在google卫星图像舰艇目标识别中,所提方法能够有效提升舰艇目标识别准确率,F-measure可以达到73.54%,相较于SVM提升了2.72%,相较于AdaBoost提升了3.53%,相较于BP神经网络提升了4.28%。(本文来源于《通信技术》期刊2019年09期）
姬晓飞,石宇辰[4]（2019）在《多分类器融合的光学遥感图像目标识别算法》一文中研究指出光学遥感图像的多目标检测与识别一直是图像处理与分析的热点研究问题。基于单一特征单一分类器的多目标光学遥感图像分类识别算法存在识别准确率不高的问题。对此,充分利用特征与识别方法之间的适应性,提出了一种多特征多分类器融合的光学遥感图像多目标识别算法。首先对光学遥感图像的分类目标提取2种具有平移、缩放不变性的特征表示:Hog特征和Zernike特征;其次分别用3种适应性较好的分类器(BP神经网络、支持向量机(SVM)、随机森林(RF))进行分类;最后在决策级分别融合两种特征、叁种分类器的概率输出,给出最终的分类结果。实验结果表明,该算法较大程度地提高了光学遥感图像多目标识别的准确性,对飞机、舰船、油罐、汽车四类多目标的识别取得了95.37%的正确识别率。(本文来源于《计算机技术与发展》期刊2019年11期）
王鉴航,张广宇,李艳[5]（2019）在《基于协同编码分类器的SAR目标识别方法》一文中研究指出合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别(Automatic Target Recognition,ATR)是SAR图像解译的关键技术之一。本文提出了基于协同编码分类器的SAR目标识别方法。协同编码采用所有类别训练样本构建的全局字典最优重构测试样本,并根据各类别的重构误差判定目标类别。相比稀疏表示的方法,协同编码的策略可以提升少量训练样本对于测试样本的表示能力。针对SAR目标识别,训练样本的资源十分有限。因此,协同编码表示更为适用。采用MSTAR十类目标数据集在多种条件下进行了目标识别实验并与其它分类器进行了对比。实验结果表明,本文方法在标准操作条件、型号变化、俯仰角变化以及少量训练样本等条件下均可以觉得优越的识别性能,证明了其有效性。(本文来源于《中国电子科学研究院学报》期刊2019年03期）
王彩云,胡允侃,李晓飞,魏文怡,赵焕玥[6]（2018）在《基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法》一文中研究指出针对雷达高分辨距离像(high resolution range profile,HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。(本文来源于《系统工程与电子技术》期刊2018年11期）
孙伟[7]（2018）在《基于生成网络和分类器融合的小样本立体目标识别》一文中研究指出最近几年,人工智能迎来了飞速发展的黄金时期,与此同时,目标识别技术作为其研究内容的一个重要方向,从最初的图像特征提取并结合机器学习分类器到非常流行的深度学习方法,目标识别的效果一直在不断地提升。除了人工智能技术,共享经济也已经充分融入到我们日常生活当中,共享积木玩具也逐渐走进大家的视野。由于积木零件种类繁多,在积木玩具归还问题上,人工清点积木零件效率低下,利用计算机识别积木玩具成了一个非常有价值的研究方向。本文主要以立体目标识别为研究课题,并以任意姿态下的积木玩具识别为例,针对课题及研究过程中碰到的问题展开了一系列研究,主要工作如下:(1)提出了基于改进多特征的分类器融合立体目标识别算法。通过改进方向梯度直方图算法以及自定义图像特征,融合多个分类器进行立体目标识别。以积木零件识别问题为例,验证了本章算法在实际应用场景中能够对任意姿态的立体目标取得很好的识别效果,也通过对比实验证明了本章算法的优越性。(2)使用基于迁移学习和精简网络结构的方法来提升小规模样本数据集下分类网络的性能。在实际应用过程中,训练样本的规模是制约网络性能的一个重要方面。本文研究了在小规模训练集的情况下,使用迁移学习的方式,将已有网络模型参数作为当前网络的部分初始值,再通过构建精简的网络后部分结构,完成本章算法的网络结构设计。实验表明,在小规模样本数据集的情况下,本章方法在立体目标识别问题上能够带来很好的性能提升,并且拥有更精简的网络结构和更小的参数规模。(3)提出了利用改进后的CycleGAN模型来生成样本辅助小规模样本集训练分类网络的算法。本算法将改进后的CycleGAN网络与分类网络融为一体形成新的网络结构,以立体目标的3D模型和小样本集为输入,实现了端到端的训练。实验表明,本算法能够提升小规模数据集下分类器的正确率,与此同时,本章算法还能够生成高质量的样本。终上所述,本文主要研究了基于改进多特征的分类器融合立体目标识别算法,此外,还针对研究过程中碰到的小规模样本数据集下网络难训练的问题,通过从迁移学习和精简网络结构的角度来缓解网络训练困难的问题,以及从扩充训练样本集的角度,提出了基于融合CycleGAN改进网络和分类网络来生成样本辅助训练分类网络的算法。结合以积木玩具识别为例的研究来看,本文提出的上述算法具备鲁棒性好,实用价值高的优点,并且在未来会有很大的推广价值。(本文来源于《西安电子科技大学》期刊2018-06-01）
高美[8]（2018）在《无人机对地目标识别与分类》一文中研究指出作为计算机视觉、人工智能、数字图像处理、人机交互等多学科的交叉学科,目标识别与分类得到了广泛的关注。而随着信息技术的发展和无人机的日益普及,基于视觉的无人机在智能视频监控、叁维场景重建以及军事应用等方面发挥着越来越重要的作用。本文以无人机对地面目标的识别与分类为研究重点,首先总结国内外目标识别与图像分类的研究现状,然后针对不同的地面目标以及分类任务,提出了不同的方法,论文主要分为四大部分:第一,基于多特征融合的目标识别。在该部分,首先介绍了目标检测中常用的特征表示方法,并详细阐述了HOG特征和LBP特征的提取过程。然后引入PCA算法对HOG特征进行降维,解决了HOG特征维度过高的问题,再将HOG-PCA特征与LBP特征进行融合处理,利用融合之后的特征训练SVM分类器,实现空对地场景中汽车目标的检测。第二,基于DPM模型的目标识别。在该部分,介绍了DPM模型中HOG特征的计算过程、DPM模型的相关理论知识以及使用LatentSVM训练车辆DPM模型的实现原理。在目标检测阶段,首先利用训练好的模型计算场景图像各个位置的得分,然后通过NMS消除重复的检测框以及超出图像边界的检测框,得到符合要求的检测集合,最后得到检测集合中得分最大的位置即为检测目标的位置。第叁,视觉显着性和PCANet相结合的目标识别。在该部分,首先介绍了K-means算法、Mean-Shift算法、显着性区域检测模型、卷积神经网络等基础知识,然后重点论述了使用PCANet模型训练分类器的实施方法。在目标检测阶段,首先通过AC显着性检测模型确定图像中的疑似目标区域,再对检测出的疑似目标区域使用PCANet算法进行特征提取,并载入训练好的分类器过滤掉非目标区域,实现对坦克目标的检测。第四,场景图像分类与标示方法。在该部分,介绍了图像中值滤波和场景图像的分割方法。首先对中值滤波后的图像进行Mean-Shift分割,然后对分割后的图像进行轮廓提取,并创新性地提出通过设定轮廓阈值合并图像的相邻区域以解决Mean-Shift算法的过分割问题,其次提取各个区域的颜色特征和纹理特征,将融合后的特征作为SVM分类器的输入,进行类别判断,最后实现对场景图像的分类与标示。(本文来源于《西安电子科技大学》期刊2018-05-01）
蒋鑫[9]（2018）在《基于深度学习的SAR图像目标识别分类研究》一文中研究指出合成孔径雷达(Synthetic Aperture Radar,SAR)成像系统相对于光学成像系统有其独到优势,能够在任何时刻、不同气候条件下工作。近年来,无论在军事还是民用领域,对SAR图像的应用关注度不断提高,从而对SAR目标识别技术的要求也越来越高。随着深度学习理论成为人工智能研究者们研究的热点,图像处理等领域的深度学习模型被不断提出,并取得了令人瞩目的成功。本文在研究SAR图像特性的基础上,依托深度学习中的卷积神经网络模型,研究了基于深度学习的SAR图像目标识别分类方法,主要研究内容如下:本文首先描述了SAR图像的主要特性,包括分辨率特征、统计分布特征等,分析了SAR图像目标识别的主要难点,即应用传统的识别方法时,需要大量的先验知识,而人类对目标在SAR图像中特征的认知缺乏,故难以有效地选择SAR图像中的目标特征。基于深度学习具有盲学习和无监督学习的特点,本文应用基于深度学习中的卷积神经网络模型来解决此难点。由于深度学习模型对参数非常敏感,本文分析了激活函数、池化方式、卷积核尺寸、批尺寸、卷积层次结构等参数对网络性能的影响。研究结果表明:1、不同的激活函数会影响网络的性能,swish激活函数可以有效代替常用的Re LU激活函数;2、对于SAR目标而言,平均池化的效果要优于最大池化;3、不同的卷积核尺寸、批尺寸对SAR目标识别率以及网络的计算效率有一定影响;4、对SAR目标而言,层次结构的加深能有效提高识别率;本文根据实验结果选取各类参数的最优值,对SAR目标的分类识别率均能够达到99%以上。针对不同背景下的SAR图像,本文通过实验分析了不同的环境背景因素对SAR目标识别准确率的影响,并提出了两种方式来降低此类影响。一种是提取目标,尽可能剔除背景因素的影响;另一种是扩充训练数据集,增加不同背景的SAR图像样本数量。实验证明,这两种方法均能有效降低不同背景对SAR目标识别准确率的影响。本文最后还研究了目标部分被阴影遮挡对SAR目标识别的影响。在缺少类似遮挡的训练样本情况下,识别性能出现明显的下降。因此,要想提高复杂情况下的SAR图像目标识别率,改善系统的识别性能,可以增加类似条件下的训练样本图像数量。(本文来源于《电子科技大学》期刊2018-03-30）
黄杰,朱广平[10]（2018）在《水声目标识别中的K-D树KNN-SVM分类器研究》一文中研究指出常规的KNN-SVM联合分类器中K-近邻算法没有充分挖掘训练样本的信息,使用遍历的方法来计算待识别样本与训练样本之间的距离,特别是在训练样本巨大时,存在大量的冗余计算。针对该问题,将训练样本训练成K-D树的结构,设计了K-D树KNN-SVM分类器,该分类器可以大大减少这些多余的计算,从而提高了搜索效率,有效缩短了搜索时间。进行了仿真和实验研究,分别设计了KNN、SVM、KNN-SVM分类器对两类水下目标进行了分类识别,并对相关参数的选取进行了优化。实验结果表明:在选定了最佳参数后的KNN-SVM联合分类器较其它两类分类器在识别率和识别效率方面都是最佳的;采用了K-D树结构的KNN-SVM联合分类器中KNN部分识别效率要比常规的高约7.5倍。(本文来源于《海洋技术学报》期刊2018年01期）
目标识别与分类论文开题报告
（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：
文中研究了稀疏表示分类在合成孔径雷达(SAR)目标识别中的应用。稀疏表示分类是基于压缩感知理论的一种新的分类算法,近年来在人脸识别、遥感图像分类等领域得到广泛应用。文中对稀疏表示分类在SAR目标识别中的应用进行分析研究,介绍了稀疏表示的基本原理以及几种典型的稀疏系数求解算法。采用稀疏表示分类器对MSTAR数据集进行了目标识别实验,验证在SAR目标识别上的性能。
（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。
目标识别与分类论文参考文献
[1].刘树吉.结合线性与非线性特征提取与分类的SAR图像目标识别[J].电子设计工程.2019
[2].张克,牛鹏涛.稀疏表示分类在SAR图像目标识别中的应用分析[J].信息技术.2019
[3].张晓,王莉莉.基于多分类器融合的卫星图像舰船目标识别[J].通信技术.2019
[4].姬晓飞,石宇辰.多分类器融合的光学遥感图像目标识别算法[J].计算机技术与发展.2019
[5].王鉴航,张广宇,李艳.基于协同编码分类器的SAR目标识别方法[J].中国电子科学研究院学报.2019
[6].王彩云,胡允侃,李晓飞,魏文怡,赵焕玥.基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法[J].系统工程与电子技术.2018
[7].孙伟.基于生成网络和分类器融合的小样本立体目标识别[D].西安电子科技大学.2018
[8].高美.无人机对地目标识别与分类[D].西安电子科技大学.2018
[9].蒋鑫.基于深度学习的SAR图像目标识别分类研究[D].电子科技大学.2018
[10].黄杰,朱广平.水声目标识别中的K-D树KNN-SVM分类器研究[J].海洋技术学报.2018
论文知识图
