基于小波和多尺度幾何分析的自動目標識別技術研究.pdf

1、自動目標識別技術是工業(yè)機器視覺和武器制導系統(tǒng)的關鍵技術之一。40多年來，對這項技術進行了廣泛而深入的研究，各種面向復雜應用背景的ATR系統(tǒng)也不斷涌現(xiàn)。但由于該研究領域的復雜性和特殊性，使得多數(shù)傳統(tǒng)目標識別方法無法取得令人滿意的效果。小波分析因其良好的時頻局部化特性，已經(jīng)成為信號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于目標幾何變換的數(shù)值穩(wěn)定性，使其被廣泛使用在各種目標識別系統(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，能提取目標在任意方向的幾何結構特征，另一方面，研究發(fā)現(xiàn)即使是相當?shù)图壍牟溉閯游铮鋵τ谝曨l景象的辨別能力也遠遠優(yōu)于當前的任何一種ATR技術。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多尺度、多方向高階奇異特性能力以及神經(jīng)網(wǎng)絡的知識獲取、知識綜合和并行高效的數(shù)據(jù)處理能力的新型ATR技術，可望為自動目標識別技術的發(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、絡及多尺度幾何分析在自動目標識別技術中的研究展開，論文的研究重點包括：目標區(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)對小波不變矩特征的影響、多尺度目標分類算法、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)絡在目標識別中的研究和基于局部Contourlet域二值模式特征的目標識別方法等方面。另外，對復雜場景下自動目標檢測和目標檢測中特征選擇等問題進行了深入研究，提出了一種基于粒子群優(yōu)化和支持向量機的自動目標檢測算法。
　　

4、 本論文的主要研究內(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的自動目標檢測算法，為復雜場景下
　　 目標姿態(tài)變化和被遮擋時的目標探測技術提供了新的思路。
　　 2.提出了描述目標區(qū)域特性的小波矩特征，從理論上證明了小波不變矩的構造定理，通過實驗驗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相似目標的特征鑒別能力。
　　 3.研究了小波函

5、數(shù)的支集長度、對稱性、正交性、消失矩階數(shù)和正則性對小波不變矩分類性能的影響，得出了選擇“合適”小波函數(shù)進行目標識別的初步結論：（?。?緊支集小波分類性能優(yōu)于非緊支集小波；（ⅱ）.對稱小波分類性能優(yōu)于非對稱小波；（ⅲ）.雙正交小波分類性能優(yōu)于正交小波；（ⅳ）.適當?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識別方法。該方法利用全局不變矩和小波不變矩的各自優(yōu)點并結合多尺度分析，提供了一種由

6、粗到精、從全局到局部的多尺度逐級匹配的思路。實驗結果表明，基于全局不變矩和小波不變矩的多尺度目標識別算法比僅使用全局不變矩或小波不變矩特征的目標識別方法具有更好的識別效果、更高效的識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，為通過小波變換計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算復雜度，而且保證了計算精度。
　　 6.提出了一種基于目標邊界特征的小波神經(jīng)網(wǎng)絡識別方法。該方法利用小波神經(jīng)網(wǎng)絡整合小波分析提取信號局部奇異特征和人工神經(jīng)網(wǎng)絡白適應學習分類的優(yōu)點，以目標邊界規(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行自動目標分類。小波神經(jīng)元尺度和位移參數(shù)的初值可以由目標邊界曲率的時頻分析確定，同時，網(wǎng)絡能通過訓練自適應地調(diào)

8、整這些尺度和位移參數(shù)，使小波神經(jīng)元能自動提取并選擇區(qū)分各類目標形狀差異的最優(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。對于多類目標識別的場合，本文設計了一種MNSO（MultiNetwork Single Output）型神經(jīng)網(wǎng)絡結構。與傳統(tǒng)多目標分類網(wǎng)絡相比，MNSO模型靈活性更大，MNSO可以根據(jù)目標類別數(shù)量的改變，動態(tài)地增減和訓練神經(jīng)子網(wǎng)，從而自適應地調(diào)整網(wǎng)絡結構。
　　 7.提出了一種