复制成功
  • 图案背景
  • 纯色背景
  •   |  注册
  • /
  • 批注本地保存成功,开通会员云端永久保存 去开通
  • 基于序列图像的自动目标识别算法

    下载积分:2000

    内容提示: 第27卷第1期Z006年1月航空学报ACTA AERO N AU TI CA ET ASTRO N AU Tl CA SI N I CAV01.27 N O .1J an.2006文章编号:1000 6893( 2006) 01—0087—07基于序列图像的自动目标识别算法黄金,梁彦,程咏梅,潘泉,胡劲文( 西北工业大学自动化学院,陕西西安710072)Autom ati cTarget Recogni ti onM ethod Based onSequenti al Im agesH U AN GJ 1n,I,1AN G Yan,CH EN GYong—m et ,PANQ uan,H U J i n- w en( Col l egeof Autom ati on,N orthw estern Pdytechni calU ni versi ty,Xi ’an710073,Chi na)摘要:由下利用单幅二维图像进行三维目标识别存在识别的多义性,提出了一种基...

    亚博足球app下载格式:PDF| 浏览次数:17| 上传日期:2015-06-01 18:39:48| 亚博足球app下载星级:
    第27卷第1期Z006年1月航空学报ACTA AERO N AU TI CA ET ASTRO N AU Tl CA SI N I CAV01.27 N O .1J an.2006文章编号:1000 6893( 2006) 01—0087—07基于序列图像的自动目标识别算法黄金,梁彦,程咏梅,潘泉,胡劲文( 西北工业大学自动化学院,陕西西安710072)Autom ati cTarget Recogni ti onM ethod Based onSequenti al Im agesH U AN GJ 1n,I,1AN G Yan,CH EN GYong—m et ,PANQ uan,H U J i n- w en( Col l egeof Autom ati on,N orthw estern Pdytechni calU ni versi ty,Xi ’an710073,Chi na)摘要:由下利用单幅二维图像进行三维目标识别存在识别的多义性,提出了一种基丁二维序列图像的三维目标自动识别算法。首先以修正的H u不变矩构造目标的图像识别特征,进而采用BP神经网络分类器构造关于目标融合识别的基本置信指派函数,“ 神经网络的训练误差构造证据理论不确定性度量,采用基于吸收法的DS证据理论实现高冲突证据的贯序式融合。对各姿态飞机图像识别的仿真表明,该算法对飞机的空间姿态变化具有很强的鲁棒性,能快速地准确识别飞机类型。此外,算法对先验性参数具有一定的鲁捧性。关键词:图像目标识别;数据融台;DS证据理论;序列图像;BP神经网络中匮分类号:-【I,391文献标识码:AAbstract:Iti s m uchdi ffi cuhtorecogni zea8Dt arget j ust based on asi ngl e21) target i m agebecause ofti l e m ulti vocal i nf orm ati on.In thi s paper,an autom ati c t argetrecogni ti on m et hod basedO i l sequem i al2Di m agesi sproposedFi rstl y,the m odi f i ed H u i nvari ant m om ent s are used asthe i nvari artt characteri sti c vectors,w hi chare furtheri nputedt o aback—propagati onneural net w ork( BPN N ) cl assi f i er.Then the BPN N cl assi fi er gi vesthepri m ary recogni ti onresul t,w hi chi s com bi ned w i th thetrai ni ngerror to achi eve thebasi c bel i ef assi gnm ent( BBA) Fi nal l y,arevi sedD em pster- Shafer f D S) reasoni ngm et hod nam edabsorpti onm et hod,w hi chcand∞1w i th hi gh confl i cti ng evi dences,i sappl i edt o i m pl em ent thefi nalreasoni ng deci si on.The si m ul ati on based 011m ul ti pl eai rcrafti m ages w i th vari ous atti tudes dem onstratesthatthe proposed m et hodCS.Hrecogni ze the ai rcraftsqui ckl yandaccuratel y.Besi des thi s,thi s m et hod hasst rongrobustness to apri ori param eterandthe atti tude vari ety ofai rcraft i m agesKey w ords;i m age recogni ti on;data f usi on;D S evi dence reasoni nglsequenti al i m age;BPneural net w ork三维目标自动识别是计算机视觉领域的核心问题之一。由于目标的运动导致其相对于摄像机在不同方向角所呈现的图像姿态变化万千,使得利用其二维数字图像进行识别难度大大增加。常用的三维目标识别方法如最近邻法” 。}、特征匹配法o’ ” 和神经网络法n’ “ ,通常是在得到图像传感器关于目标的一次量测的基础之上就做出识别,这对识别算法要求比较高,而且易受图像传感器性能瓶颈和外界环境干扰的影响,识别结果不可靠。如果能连续地获得目标不同姿态的序列图像。利用数据融合的方法把对目标序列图像的识别结果融合起来,就能逐渐增大目标识别的置信度,从而提高识别率以及识别的鲁棒性和可靠怔。基于此,本文提出一种基于序列图像的自动目标识别方法,以修正的H u不变矩作为图像特征,采收稿日期:2004-09 21;修订日期:200505 09基金项目:茸家自然科学菇食( 60372085,50404011) 资助项目 万方数据用神经网络分类器对图像作初步识别,用能处理高冲突证据的D S证据组合规则一吸收法进行决策级融合处理得到最后的识别结果;同时针对DS理论基本置信指派构造困难的问题,采用神经网络的训练误差以及网络初步识别结果来构造基本置信指派函数,仿真结果表明了该法的有效性和适用性。1算法框架基于序列图像的自动日标识别算法框图如图l 所示。下面分别叙述系统框架中的几个重要组成部分。1。1图像矩特征提取图像目标识别的第一步就是提取有效的图像特征。图像的矩特征足以图像分布的各阶矩来描述灰度的统计特性的方法,它在图像目标识别中得到了广泛的应用“ 。5。]。 航空学报塑区芦型第27卷D S融合处理器k-1叫捌融合结粜图1基于序列图像的自动目标识别打法框图Fi g1Bl ockdi agramoftheproposed m ethodH u口1利用二阶和三阶中心矩构造了7个不变矩,但H u所定义的7个不变矩,尽管在连续情况下具有平移、旋转和比例不变性,在离散情况下比例不变性却不成立,因此将矩用于数字图像目标识别需要进行修正。杜” 1对7个不变矩作了修正,修正后的不变矩将具有比例,旋转和平移不变性,在利用单幅图像进行识别的仿真中获得较好的效果,故本文采用修正的7个H u不变矩作为待识别图像的特征。1.2基于D S推理的融合处理器传统的目标识别方法依赖于目标数据库的完备性,但要建立一个完备的目标数据库是非常困难的,这就导致信息的不完备性;同时,由于从某个位置得到的不同三维目标的图像可能非常相似,在利用目标单幅图像进行识别时就可能导致识别结果的不确定性。对解决图像目标识别这种不完备、不确定的问题,DS证据推理作为一种智能融合方法有其独特的优势。7。80。在基于序列图像的目标识别中,把图像序列中的每幅图像均看作一个证据,用D S组合规则对证据按时间顺序逐步融合,从而提高识别的鲁棒性和准确性。证据理论将来自两个或多个证据体的置信函数通过D em pster组合规则融合起来得到一个新的置信函数,以融合后的置信函数作为判决的依据。假定辨识框架@ 上性质不同的2个证据B和c,其焦元分别为B,和C,,基本置信指派函数( Basi c Bel i efAssi gnm ent,下文简称为BBA) 分别为m 。和I"11:,则有如下Dem pster组合规则r0A一≠m 。A’ 一j∑m 。(B,)m :(c,)/(1h。斤百一“K)A壬≠K一>:m L( B.) m 2( Cj ) <1县斤百;÷( 1)其中:K为归一化因子;m ( A) 确定了一个新的基本置信指派。对于多个证据的组合,可用组合规则对证据进行两两综合。 万方数据文献Eg] 指出,由于传统的Dem pster组合规则为了保持BBA的归一性,在处理矛盾因子时,使2个证据的公共焦元的BBA变为原来的1/( 1-K) ,这意味着把局部的冲突放在全局中去分配,但冲突指派并非所有焦元共同造成的,也并非BBA大的公共焦元产生冲突的可能性大,这样分配会带来不合理性,因此该文提出一种新的组合规则一吸收法。仿真表明,吸收法在处理冲突证据方面的性能要优于D em pster组合规则。在三维图像目标识别中,由于图像传感器噪声的影响以及利用二维图像识别三维目标本身存在的不确定性,出现冲突证据的可能性是非常大的,为此,本文在用D S进行融合时采用了能处理高冲突证据的吸收法组合规则。1.3基本置信指派函数的构造证据理论处理不确定信息的能力已经得到公认,但在用证据理论作目标识别时,BBA的构造是一个难点,需要专家的经验知识,或者需要知识库的支持。可以用距离函数和指数函数来构造基本置信指派” J ,但这种构造方法计算量比较大,影响实时性。人工神经网络由于具有自组织、自学习、自适应的特点,能不断的通过学习来调整网络连接权值来达到识别、分类的目的。经过训练后的人工神经网络在一定程度上已经具有领域专家的判别能力,因此用神经网络对目标序列图像的每次判别输出作为一个证据来构造BBA是切实可行的,另一方面,神经网络可以离线训练,在线实时计算,采用它来构造BBA又可以解决文献E7] 计算量过大的问题。由于证据理论要求BBA满足归一化要求,虽然对神经网络进行有监督学习可使网络输出都在[ o,1] 之间,但节点输出( 设为Y,,j 一1,⋯ ,N ) 之和并不满足归一化要求,同时,还没有给辨识框架@ 分配BBA,亦即还没有分配不确定信息,因此采用如下方法构造BBA:令N 为训练集中样本的总数,网络训练中第 第1期黄金等:基于序列图像的自动目标识别算法n次迭代时( 亦即输入训练集中第” 个样本时) 第J 个( j —l ,⋯ ,c,c为目标类别数) 输出神经元的期望输出为d.( n) ,网络实际输出为YJ ( ” ) ,废次迭代的网络瞬时误差记为e( n) ,整个训练集上的均方误差记为e,则有e(n)一∑(√,(” ),,(” )2)/2。.,}( 2)}一∑e(n)/N^一1由于网络训练收敛后X, }i j i I练集的均方误差e’是网络所有参数的函数,它的大小实际上反映了网络对目标识别的精度,在_f}j 神经网络米构造BBA时,可以将其作为网络不确定信息的度量,亦即神经网络分配给辨识框架的指派为m ( @ ) =}。从而BBA构造的步骤如下:( 1) 初始化m ( @ ) 一};令C—l 一Ⅲ( @ ) ;( 2) 对神经网络节点输出归一化Y7,一YJ /∑m ,一1,⋯“J —l( 3) 构造BBAm ,一(≯j如果77l ,<口,则( 3)Ⅲ( @ ) 一m ( @ ) +m ,;m ,一0( 4)其中:c一1~m ( @ ) 。式( 3) 中乘以c的目的是为满足BBA之和为l 的要求,即∑m 。+m ( @ ) 一1。口为某个闽值,当网络对某个目标的BBA小于该阈值时,将该指派分配给辨识框架@ 以使证据组合尽快收敛于正确的目标。参数a的引入基于如下考虑:由于采用神经网络构造BBA,而神经网络存在不可避免的逼近误差,当某个输出节点其输出值很小时,无法判断它究竟是逼近误差还足置信指派,所以,该节点的输出应该是不确定的信息,也就是应该分配给辨识框架@ 。证据理论的优势就在于能将这部分不确定的信息通过融合逐渐分配给正确的目标。基于此可以根据神经网络训练的结果来自适应的确定a,方法如下:令m n—m trl fI m M 一“ mI),,一l ,2,⋯,C,” 一1,2,⋯,N ,则n一∑赢/Nt( 5)式中:疬,,为神经网络对训练集中的第n个样本各节点输出误差的最小值;a为训练集输出误箍最小值的平均值。 万方数据至此,构造出了证据理论融台时所需的基本置信指派值。2算法流程基于序列图像的自动目标识别算法流程描述如下:步骤一提取目标模型库的修正H u矩特征。H u[ 43利用图像二阶和三阶中心矩构造的7个不变矩其具体公式如下M t一伽+彻M z一(孕。一珈2)2+4讲,M 。一( 孕。一3珊2) 2 4-( 3班,和) 2M =( 毕。+叩-2) 2+( 驰1+枷) 2蝇一(铷--3r/12)(q。。+孕2)[(巾。+孕,)23(孕,+啦3)2]+(3班,≯x)(啦,+矾一)[ 3( 秘+_t。) 2一( 孕-+秘) 2]M a一( 弛秘) L( 轴+7l ?) 2( 班- +秘) 2] +4研1( 孕o+叩12) ( 班· +珈。)M ,一( 3孕,珈3) ( 啦。+_12) [( 毕。+翠-2) 2~3( 啦l +砷3) 2]+( 印。3叩1 2) ( 孕l +砷。)[3(们。+孕。)2一(球· +伽,)’ ]杜‘ ” 修正后的H u矩计算式如下M ’M 42一M 2f M |l —M IM 7:一M ,/M i硝.一M 。/M iM 1,一M 。f峨M 7。一—%/M IM 11一M 1 y啦没计神经网络结构和参数,利用目标模型库对神经网络进行离线堋练。( 6)( 7)步骤二BP神经网络足一种利用误差反向传播算法进行网络训练的多层感知器,具有很强的泛化能力,在模式识别分类中获得r广泛的应用。本文采用带一个隐层的BP神经网络作为分类器来构造基本置信指派。网络结构设计如下:输入节点数由提取的待识别图像的特征矢量维数决定,因这里采用修正的7个H u不变矩作为图像特征矢量,因此输入节点数为7;隐层节点数在BP神经网络程序设计中设为可调,激励函数取为反对称的si gm oi d函数;输出节点数由识别的类别数确定,若待识别目标有c类,则输出节点数为c,训练时输出单位矢量P,对应第J 类日标;BP神经网 航空学报第27卷络的训练算法采用附加动量项和自适应学习率结合的方法;训练时将样本以随机方式输人网络。收敛后计算网络对模型库的训练误差£,作为对辨识框架@ 的初始基本置信指派;步骤兰实时输入待识别目标的图像,按式( 6,式( 7) 提取图像修正H u矩特征。步骤四日标图像修正H u矩特征输入训练好的神经网络进行初步识别,按式( 3) 和式( 4) 构造BBA。步骤五奉文融合顺序为每输人一幅图像即进行一次融合,故每次都是两个证据进行融合,按如下的吸收法组台规则融合神经网络对序列图像的初步识别结果m ( A) 一>:m -( B。) 卅2( c,) +B。卉百一“>:m 1( A) m 2( c,) /2+nn‘ =≠ ,IⅢ1一IA)m 2‘ 叫“∑m (B,)Trt2(A)/2ARB:2f - Im 2( n) ⋯ 1( B。) I≤L其中:B、c为融合前的两个证据体;A为融合后的证据体;L表示指派值的一个限度。当两证据( 8)置信指派差在这个限度范围内,该规则认为两证据对冲突的产生起同样的作用.所以冲突置信指派值均分给两焦元;反之,若置信指派差超过这个范围,则把冲突置信指派分配给具有较大置信指派值的焦元,即大的置信指派吸收了小的簧信指派,这就是“ 吸收法” 的含义。文献[ 9] 指出,j ,的大小町根据实际情况对组合结果突变的限制来选取,但没有给出进一步的分析和比较。步骤六判决输出由于各目标是互不相容的,亦即目标信息之间是冲在目标识别系统当叶1,突的,不可能出现既属于A类目标又属于B类日标的情形,因此证据的焦元仅仅是单元素集合,在用组合规则组合多个证据得到新的BBA之后,目标P:的置信函数为Bel ( P.) 一>:171.( A) 一m ( P:)Ac三;cp:所以利用置信函数对日标类别进行判断,就简化为利用融合后各目标的BBA进行判断。( 9)基于一定的目标判定规则对融台后的BBA做系统判决输出。如果融合结果满足当前判定规则,则输出最终的目标识别结果,识别过程结束,否则转步骤三。综上,基于序列图像的自动目标识别系统的算法流程图如图2所示。J耋I 2基于序列凰像的自动识刺尊法流程用“ g2F【uw charlof am om ati ctargetrecogni ti on based onsequenti a] i m ages3仿真分析采用3类飞机图像做仿真试验。3类飞机每类选取20幅不同姿态图作为训练图像,10幅姿态相近的序列图像作为测试图像,限于篇幅,给出飞机部分姿态图像如图3所示。识90时,将某类飞机的10幅测试图像依次输入识别系统,以模拟图像传感器获取目标序列图像的场景。罔33美E机部分姿悉圈Fi g.3Several atti tudeIm ages ofthree types of ai rcrafts神经网络训练后,根据式( 2) 计算得网络对模型库的均方误差£一0.09,故c一0.91;根据式( 5)计算的结果为a=0.0472,故测试库的仿真取a一0.0472,仿真发现融合结果置信曲线发生较大变化的临界值为a=0.05,说明了按照公式( 5) 计算a的有效性和自适应性。参数j ,根据融合结果突变处的I临界值取先验值为,。一0.2,下文将给出L在不同取值下的仿真结果对比图。下而将通过3个方而的仿真对比说明算法的合理性和有效性。+十%∽∽咿∽”m 硼m 氇∑p∑∥一w~ 万方数据 第1期黄金等:基于序列图像的自动目标识别算法3.1基于序列图像的融合识别与基于单幅图像的识别对比图4以图形方式显示了融合算法分别对3类E机序列图像的识别结果,图中横坐标为输入序列图像的序号,纵坐标为对应的识别结果。图4( a) 、( c) 、( e>中的四条曲线分别表示证据理论融合前根据式( 3) 和式( 4) 构造的对3个目标以及辨识框架分配的基本置信指派值,图4( b) 、( d) 、( f)中4条曲线分别表示证据理论融合后对应的基本置信指派值。现以分析图4( c) 和图4( d) 为例说明算法效果,由图4( e) 可知,神经网络对第2类i {;ji魏/A≮泛l ’ +。H“ 、+I⋯}-:艨;l —‘ 辨识框絮鬻蔫褥焉⋯57,_,1,__-,j39输入图像序列( a) 对第1类飞机融台前的激奉置信指派/[一l/+口标】口目标2呻日标3一)! j f识框架乱N 量l 一:3579输入图像序列( b) 对第】类飞机证据理论融合后结果;+H 杯1;.o日轫:2:呻日标3*i i 量.强’/iVi’ ≯{lHi 尉l/聪 |/蛰爨!!一-j.、崩,.3!琢j 贿i ,一,卜-÷ 、输刘射像序列( c) 对第2类飞机融台前的基本置信指乖I里蔗妲稠特瑚趔砦把坦脚*瑚}一‘p。+日标1e爿标2呻11标3一辨口濉颦kV蚤I3579输^图像序州( d) 对第2类飞机征据理比融台后结果( e) 对第3类b机融合前的基本置信指派/日$ |、l日$ i 2‘ ⋯_.H 标3一辫识杠架i入3579输八幽像序列( f) 对第3类飞机证据理论融合后结果图4融合前后识剐结果Fi g.4Recogni t i onresul ts before and af ter the D S f usi on飞机序列图像的第3、第6幅图像的识别结果是错误的( 误识为第1类飞机) ,而时第8幅图像的识别结果是无法确定的( 无法确定是第1类还是第2类) 。图4( d) 下图是证据理论融合后的结果,由于针对序列图像采用证据理论进行融合处理,使得识别系统消除了识别的不确定性,识别结果逐渐收敛到正确的目标。根据融合后的置信曲线,可以采用一定的目标判定规则进行辅助决策,不同的应用需求可能对应不同的判定规则,如可以采用以下的日标判定规则” J :①判定的目标类型应具有最大的基本置信指派值;②判定的目标船“¨雌。雌%¨雌。趔崔颦驻剐恃蜷惦¨¨呲。型蜡_呈£嶝咖恃瑚吣%¨屺。理蜂妲芈孵恃瑚吣“¨雌。趔冀晷f呈l聊*鞲 万方数据 航空学报第27卷类型与其它目标类型的基本置信指派值之差要大于某个门限T。;③不确定基本置信指派值,亦即分配给辨识框架的基本置信指派值必须小于某一阈值L。奉例中如果取T,一0.5,瓦一0.1,那么对序列图像融合后的识别结果是100%正确的,而神经网络利用单幅图像进行识别的识别率为80%。仿真结果表明,由于融合了月标的多幅图像信息,本方法比采用目标单幅图像进行识别的结果其识别率、可靠性和鲁棒性大大增加。由图4( a) ~( d) 可以得到同样的结论。3.2传统D em pster组合规则和吸收法的融合结果对比阁5是对D em pster组合规则( 上图) 和吸收法组台规则( 下阁) 融合效果的比较。上图中目标2融合后的置信曲线出现较大的波动,而F图目标2融合后的置信曲线非常平缓,且收敛较抉。可见D em pster组合规则在处理冲突证据时存在不足,而且收敛速度要低于吸收法组合规则,而吸收法组合规则鲁棒性较强,即使出现冲突证据也不像D em pster组合规则那样使融台结果出现明显的振荡。仿真说明了本文采用吸收法的合理性。型鸳靼也捌将瑚( a) D em pster组台规则口+口标1旷?呻E1标3一耕BI框禁k、[ 卜3579Il输^图像序刮( b) 幔收法组合规则罔5D em pster组合规则和吸收法融合识别结果对比罔Fi g.SRecogni t i onresul t s w i t hdem psterrul e andabsorpti on⋯th’ d 万方数据3.3吸收法参数L的鲁棒性分析图6是在L取不同值下吸收法的融合结果图。仿真结果表面L的选取对融合结果将产生较大影响,由图可见,L较小时,由于冲突指派值被分配给具有较大置信指派值的焦兀,有利于融合结果向正确的日标收敛,I『『i 随着』。的增大,由于冲突指派值逐渐在两冲突焦元中均分,导致吸收法解决冲突『ⅡJ题的能力自然下降,其融合性能逐渐差于Dem pster组合规则,在L=1的极端情况下,“ 吸收法” 就成r趔《____三枉*蓦d氅墼坦封博衅智蜷垩{‘ __三删每瑚“ ● ,,=03图6帔收法中L在不同取值下的融音识别结果Fi g6Recogni t i onresul ts w i th di tferent L val uesi nabsorpf i on i xl e[ hod∽%¨呈!o㈣嘶¨雌。掣《靼迥报*瑚 第1期黄金等:基于序列图像的自动目标识别算法“ 平均法” ,完全丧失了处理冲突证据的能力。但是L在一定范围之内,如L一0.2及以下时,融合结果是非常鲁棒的。如何自适应的选取L是吸收法一个比较关键的问题.值得进一步研究。4结论针对在i 维目标识别中存在数据不完备和识别小确定的问题,提出了一种基于序列图像的自动目标识别方法,同时针对证据理论应用中基本置信指派函数构造困难的问题,用神经网络的训练误羞来模拟专家不知道的信息,用神经网络分类结果来构造对目标的基本置信指派函数,仿真结果表明了采用证据理论对序列图像进行融合识别的有效性以及本文基本置信指派构造方法的合理性,同时也说明了吸收法组合规则处理冲突征据的性能在一定条件下要优于Dem pster组合规则。参考文献[ 1] H uM KVi sual paft⋯recogni ti on byl nom erl li nvari ant[ 『] IRE Trans l nform a' donTheory.1962,1( 8) :179187.[ 2] D udaniSA,Breedi ngK J ,M eG beeR B Ai rcraft i dem i ficati onby m om el l ti n vari ants[ J ] .1EEE TransCom put ,1977,( 1) :39—46.Ea] M arouani S.H ucrtasA,M edi oni G .M oddbased ai rcraftrecogni ti oni n perspecti ve aeri al i m agery[ A:.Proceedi ngso【Inl erna*i onalSym posi um onCom l m ter Vi si on[ C]1 995.37卜一376[ 41张洪钺.杨雪助,郭红涛蕞于仿射变换的飞机|璺|像的识别[ J ] 航卒半报,2003,24( 3) :25J 一254Zhan8 H Y,Yang XQ - G uoH TAi rcraft i naage reeogniti on based oi l affi netransform ati on[ J ] Acta Aeronout i ca etAst ronautl caSi ni ca,2003,24( 3) :251—254.( i nChi nesc/i s] 廖闻剑.成瑜.二维飞机自动职gj l 的一种有效方法[ 】] 航空学报,1 998,19( 6) ;730735Li ao WJ ,( 7beng Y.Effecti ve m ethod for 3- D ai rcrafttar—getautom oti c recogni ti on[ J ] .Acta Ael onoutl caetAst ronauf i ca Si n[ ca.1998,19( 6/:730735( i n Chi nese)L6] 杜亚蛸,张洪_.潘泉.基于矩特征的=维飞机目标识别[ J ] 数据采集与处理.2000,15( 3) :390—394D u YJ ,Zhang HC,Pang Q Three di m ensi onalrecogni ti on usi ng⋯∞㈣ts[J ].J uurnalai rcraftof D at aAcqui si ti onandProcessi ng.2000,18( 3) :390394( i n Cbi nese)[ 7] 程咏梅,潘泉.张洪才,等信息融台图像识别算法丑其在=维飞机刚像识别中的应用研究[ J ] 航空学报,2004,25( 2) .I 76一17 9.ChenYM ,PanQ ,ZhangHC,F£Ⅱf.1nfom ati onf usi oni m age recogni ti on M gori thmand appl i cati onsi n three di -m ensi onai rpl ane i m age recogni ti on[ J ] AetaAeronout i caet Astronauti ca Si n{ea,2004.25( 2) :1761 78( i n Chl -nese)Es] 徐从富,耿卫东.潘百鹤面向数据融台的D S方往综述0] .电子学报,2001,29( 3) -393Xu C F,( ;eta W D .Pan Y H Revi ew of dem pster sharer396.m ethod for datafusi on[ J ] Acta ELectroni ea Si ni ca,2001,29( 31:393396.( i nChi nese)[ 9] 张⋯ 鹰,潘泉,张洪才一种新的正据推理组合规则[ J ] .控制与决策,2000.15f 5 J ;540—544.Zhang SY,Pang Q ,Zhang H C.A new ki nd of com bi na一*i onrul eofevi dence theory[ J ] ControlandDeci si on.2000,1 5( 5) :540—544( i nChi nese)作者筒介:黄金11 979一) 男.湖南,郴州,硕士,主要从事图像处理和分析、目标议别、害传感嚣信息融合等方阿的研究。E m ai l :huang—J i n@si na.CO III联系电话:029 88495954—8叭。粱彦C197l 一)男,河南,新多,西北工仆太学自动化学院副教授,1898年、2001年先后硕士、博十毕业于西北上业大学自动控制系,2003年于清华大学自动化系博上后出站。主要从事自动i d标识剐,多目标跟踪,数据融合、雌时斯弼结等方面的研究。E—m ai l ;l i augyan@ nw pu.edu.el l 联系电话:029 88, 194352。程咏梅( 1960一)女,陕西,西安,西北上业大学自动化学院教授.博士.2001年博士毕业于西北上业大学自动控制系。主要从事人工智能,信息融台,图像识别,歙宇信号处理.复杂环境下机动运动日标建模,数据关联,主动及技动武跟踪等矗面的研究。潘泉( 19G 1一) 男.上海,西北j 一业大学冉动化学院教授,博上,1997午博士毕业于西北工业大学自动控制系。主要从事动态系坑建模、估计与控制.信息融合,图像处理、识别,多目标跟踪等,胡劲文{1983一) 男,山两.太原.硕上。主要从事图像处理芹l |分析、日标识别,SAR图象模拟等方面的研究。{责任编辑:李泓洁) 万方数据 基于序列图像的自动目标识别算法基于序列图像的自动目标识别算法作者:黄金, 梁彦, 程咏梅, 潘泉, 胡劲文, HUANG Jin, LIANG Yan, CHENG Yong-mei,PAN Quan, HU Jin-wen作者单位:西北工业大学,自动化学院,陕西,西安,710072刊名:航空学报英文刊名:ACTA AERONAUTICA ET ASTRONAUTICA SINICA年,卷(期):2006,27(1)被引用次数: 参考文献(9条)参考文献(9条)9次 1.Hu M K Visual pattern recognition by moment invariant 1962(08)2.Dudani S A;Breeding K J;McGhee R B Aircraft identification by moment in variants[外文期刊]1977(01)3.Marouani S;Huertas A;Medioni G Model-based aircraft recognition in perspective aerial imagery[外文会议] 19954.张洪钺;杨雪勤;郭红涛 基于仿射变换的飞机图像的识别[期刊论文]-航空学报 2003(03)5.廖闻剑;成瑜 三维飞机自动识别的一种有效方法[期刊论文]-航空学报 1998(06)6.杜亚娟;张洪才;潘泉 基于矩特征的三维飞机目标识别[期刊论文]-数据采集与处理 2000(03)7.程咏梅;潘泉;张洪才 信息融合图像识别算法及其在三维飞机图像识别中的应用研究[期刊论文]-航空学报2004(02)8.徐从富;耿卫东;潘云鹤 面向数据融合的DS方法综述[期刊论文]-电子学报 2001(03)9.张山鹰;潘泉;张洪才 一种新的证据推理组合规则[期刊论文]-控制与决策 2000(05) 本文读者也读过(2条)本文读者也读过(2条)1. 贺鹏飞.苏新彦.王鉴.HE Peng-fei.SU Xin-yan.WANG jian 基于序列图像的小目标检测[期刊论文]-应用光学2011,32(2)2. 林宏彰 序列图像的目标识别算法改进[学位论文]2009 引证文献(8条)引证文献(8条)1.修春波 序列图像的目标识别方法[期刊论文]-计算机工程与应用 2007(33)2.吉兵.单甘霖 基于航迹插值和模型匹配的三维目标识别[期刊论文]-电光与控制 2011(2)3.郑爱博 计算机视觉监控系统[期刊论文]-电脑编程技巧与维护 2009(8)4.刘准钆.程咏梅.潘泉.苗壮 证据冲突下自适应融合目标识别算法[期刊论文]-航空学报 2010(7)5.夏晓鸥.蔡美峰.陈帮 利用数字图像处理技术测量机械运动轨迹的研究[期刊论文]-有色金属(选矿部分)2008(4)6.黄宝娟.柯芬蓉.庄健.徐仁鹏.于德弘 基于图像外形的多尺度相关性检索算法[期刊论文]-西安交通大学学报2007(1)7.穆频.HOU Ming-shan.侯明善.孙小倩 基于比例冲突再分配理论的目标识别应用研究[期刊论文]-计算机仿真2008(6)8.王正国.罗来邦.董卫斌.郑少超.吴徐谦 基于多分类器组合的红外目标识别方法[期刊论文]-探测与控制学报2012(2)

    关注我们

  • 新浪微博
  • 关注微信公众号

  • 打印亚博足球app下载
  • 复制文本
  • 下载基于序列图像的自动目标识别算法.XDF
  • 您选择了以下内容