基于小波和多尺度幾何分析的自動(dòng)目標(biāo)識(shí)別技術(shù)研究.pdf

1、自動(dòng)目標(biāo)識(shí)別技術(shù)是工業(yè)機(jī)器視覺(jué)和武器制導(dǎo)系統(tǒng)的關(guān)鍵技術(shù)之一。40多年來(lái)，對(duì)這項(xiàng)技術(shù)進(jìn)行了廣泛而深入的研究，各種面向復(fù)雜應(yīng)用背景的ATR系統(tǒng)也不斷涌現(xiàn)。但由于該研究領(lǐng)域的復(fù)雜性和特殊性，使得多數(shù)傳統(tǒng)目標(biāo)識(shí)別方法無(wú)法取得令人滿意的效果。小波分析因其良好的時(shí)頻局部化特性，已經(jīng)成為信號(hào)處理和圖像分析系統(tǒng)中的有效工具；不變矩的抗噪性和相對(duì)于目標(biāo)幾何變換的數(shù)值穩(wěn)定性，使其被廣泛使用在各種目標(biāo)識(shí)別系統(tǒng)中；多尺度幾何分析克服了傳統(tǒng)小波變換方向選擇性差的

2、缺點(diǎn)，能提取目標(biāo)在任意方向的幾何結(jié)構(gòu)特征，另一方面，研究發(fā)現(xiàn)即使是相當(dāng)?shù)图?jí)的哺乳動(dòng)物，其對(duì)于視頻景象的辨別能力也遠(yuǎn)遠(yuǎn)優(yōu)于當(dāng)前的任何一種ATR技術(shù)。因此，研究融合小波分析的多尺度局部分析能力、矩特征的抗噪性、不變性、多尺度幾何分析捕獲目標(biāo)多尺度、多方向高階奇異特性能力以及神經(jīng)網(wǎng)絡(luò)的知識(shí)獲取、知識(shí)綜合和并行高效的數(shù)據(jù)處理能力的新型ATR技術(shù)，可望為自動(dòng)目標(biāo)識(shí)別技術(shù)的發(fā)展提供有益的思路。
　　 本論文的工作主要圍繞小波分析、小波神經(jīng)網(wǎng)

3、絡(luò)及多尺度幾何分析在自動(dòng)目標(biāo)識(shí)別技術(shù)中的研究展開(kāi)，論文的研究重點(diǎn)包括：目標(biāo)區(qū)域的小波不變矩特征提取及其不變性研究、小波基函數(shù)對(duì)小波不變矩特征的影響、多尺度目標(biāo)分類算法、多尺度小波變換域內(nèi)矩特征的快速算法、小波神經(jīng)網(wǎng)絡(luò)在目標(biāo)識(shí)別中的研究和基于局部Contourlet域二值模式特征的目標(biāo)識(shí)別方法等方面。另外，對(duì)復(fù)雜場(chǎng)景下自動(dòng)目標(biāo)檢測(cè)和目標(biāo)檢測(cè)中特征選擇等問(wèn)題進(jìn)行了深入研究，提出了一種基于粒子群優(yōu)化和支持向量機(jī)的自動(dòng)目標(biāo)檢測(cè)算法。
　　

4、 本論文的主要研究?jī)?nèi)容和創(chuàng)新性工作包括：
　　 1.提出了一種基于粒子群優(yōu)化算法和支持向量機(jī)的自動(dòng)目標(biāo)檢測(cè)算法，為復(fù)雜場(chǎng)景下
　　 目標(biāo)姿態(tài)變化和被遮擋時(shí)的目標(biāo)探測(cè)技術(shù)提供了新的思路。
　　 2.提出了描述目標(biāo)區(qū)域特性的小波矩特征，從理論上證明了小波不變矩的構(gòu)造定理，通過(guò)實(shí)驗(yàn)驗(yàn)證了小波不變矩的不變特性，比較了小波不變矩與Fourier描述子及全局矩不變量對(duì)相似目標(biāo)的特征鑒別能力。
　　 3.研究了小波函

5、數(shù)的支集長(zhǎng)度、對(duì)稱性、正交性、消失矩階數(shù)和正則性對(duì)小波不變矩分類性能的影響，得出了選擇“合適”小波函數(shù)進(jìn)行目標(biāo)識(shí)別的初步結(jié)論：（?。?緊支集小波分類性能優(yōu)于非緊支集小波；（ⅱ）.對(duì)稱小波分類性能優(yōu)于非對(duì)稱小波；（ⅲ）.雙正交小波分類性能優(yōu)于正交小波；（ⅳ）.適當(dāng)?shù)南Ь匦〔芴岣叻诸愋阅堋?br>　　 4.提出了一種基于全局不變矩和小波不變矩的多尺度目標(biāo)識(shí)別方法。該方法利用全局不變矩和小波不變矩的各自優(yōu)點(diǎn)并結(jié)合多尺度分析，提供了一種由

6、粗到精、從全局到局部的多尺度逐級(jí)匹配的思路。實(shí)驗(yàn)結(jié)果表明，基于全局不變矩和小波不變矩的多尺度目標(biāo)識(shí)別算法比僅使用全局不變矩或小波不變矩特征的目標(biāo)識(shí)別方法具有更好的識(shí)別效果、更高效的識(shí)別效率和更廣的適用范圍。
　　 5.提出了多尺度小波變換矩概念并將其推廣到二維情況，多尺度小波變換矩將小波分解和不變矩理論聯(lián)系起來(lái)，為通過(guò)小波變換計(jì)算幾何矩提供了理論依據(jù)。提出了一種基于投影變換的二維多尺度小波變換矩快速算法。該快速算法通過(guò)投影變換將

7、二維圖像小波變換低頻分量信息投影到一維空間中，降低了多尺度小波變換矩的計(jì)算復(fù)雜度，而且保證了計(jì)算精度。
　　 6.提出了一種基于目標(biāo)邊界特征的小波神經(jīng)網(wǎng)絡(luò)識(shí)別方法。該方法利用小波神經(jīng)網(wǎng)絡(luò)整合小波分析提取信號(hào)局部奇異特征和人工神經(jīng)網(wǎng)絡(luò)白適應(yīng)學(xué)習(xí)分類的優(yōu)點(diǎn)，以目標(biāo)邊界規(guī)范化曲率函數(shù)在特定尺度和位置處的連續(xù)小波變換模值為特征進(jìn)行自動(dòng)目標(biāo)分類。小波神經(jīng)元尺度和位移參數(shù)的初值可以由目標(biāo)邊界曲率的時(shí)頻分析確定，同時(shí)，網(wǎng)絡(luò)能通過(guò)訓(xùn)練自適應(yīng)地調(diào)

8、整這些尺度和位移參數(shù)，使小波神經(jīng)元能自動(dòng)提取并選擇區(qū)分各類目標(biāo)形狀差異的最優(yōu)尺度因子和位移因子，因而即使在噪聲較大的情況下，小波神經(jīng)網(wǎng)也有較好的分類能力。對(duì)于多類目標(biāo)識(shí)別的場(chǎng)合，本文設(shè)計(jì)了一種MNSO（MultiNetwork Single Output）型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。與傳統(tǒng)多目標(biāo)分類網(wǎng)絡(luò)相比，MNSO模型靈活性更大，MNSO可以根據(jù)目標(biāo)類別數(shù)量的改變，動(dòng)態(tài)地增減和訓(xùn)練神經(jīng)子網(wǎng)，從而自適應(yīng)地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)。
　　 7.提出了一種