基于注意力机制增强残差网络的雷达信号调制类型识别

针对情报分析中在低信噪比下雷达信号调制样式识别率较低的问题,提出基于注意力机制增强残差网络的雷达调制类型识别算法。利用平滑伪Wigner-Ville分布时频变换的强能量聚集特点将信号调制样式转化为二维时频图像;搭建2层卷积网络和6层残差块的残差网络,并在网络之间穿插加入卷积注意力机制模块,用以增强对特征的关注度,提高特征提取的有效性;将二维时频图像输入到该网络模型中实现调制类型识别。仿真实验结果表明,该算法对6类典型雷达信号调制类型能够有效提取到时频图像的特征,在信噪比0 dB以上实现100%的正确率,在信噪比-10 dB下正确率依然能够保持94.2%,具有较强的识别优势。

基于局部仿射配准的鲁棒非刚体配准算法

针对传统点集非刚体配准算法对复杂局部形变数据配准精度低,收敛速度慢等问题,该文提出一种基于局部仿射配准的鲁棒非刚体配准算法。该算法采用分层迭代的方式由粗到精地完成点集的非刚体配准。在每层迭代中,首先对子形状点集集合和子目标点集集合进行分块处理并更新分块后每一类子点集的形状控制点。然后利用控制点引导仿射迭代最近点(ICP)算法求解对应子点集间的局部仿射变换。接着利用上一步求解的局部仿射变换,更新子形状点集集合及其形状控制点集合。直到配准误差收敛时,循环结束并输出更新后的形状点集。实验结果表明,所提算法与传统点集非刚体算法相比具有更强的精确性和收敛性。

基于模糊聚类回归的人脸特征点定位研究

传统基于回归的人脸特征点定位算法存在忽略人脸局部结构信息、姿态偏转较大时定位精度差等问题。为此,提出一种基于模糊聚类回归的定位算法。利用人脸特征点之间的局部结构信息对人脸训练集进行聚类,并根据阈值判决结果适度扩充训练样本。分别训练所有子训练集的回归结构,在测试过程中加入多次形状约束以自动调整每次聚类的结果和回归结构的选择,由此提高人脸特征点定位的精度。在300-W数据库上的实验结果表明,与形状回归算法和鲁棒姿势回归算法相比,该算法明显提高了姿态偏转较大情况下的定位精度。

融合卷积特征与判别字典学习的低截获概率雷达信号识别

针对低截获雷达信号通常采用人工特征选择,且在低信噪比、样本数量少情况下识别率低的问题,提出一种融合雷达信号时频图像的卷积特征与字典学习识别算法。该算法以表征信号调制方式的时频图像为基础,通过时频变换获得信号的二维时频数据,输入到LeNet-5卷积神经网络中。网络通过美国MNIST数据库手写数据集进行预训练,将预训练后网络中的2~6层网络参数迁移到新的LeNet-5中,取出第6卷积层的数据作为提取的卷积特征。使用判别字典学习方法进行识别。仿真结果表明:通过预训练处理能够加快网络的收敛与优化,有效提取到每类信号的卷积特征;与文献[4]、文献[24]、文献[25]、文献[26]中4种算法相比,利用判别字典学习能够在样本少、低信噪比情况下取得较高的识别率。

基于快速仿射模板匹配和改进仿射迭代最近点算法的人脸稳健精确仿射配准

提出了一种仅基于单个模板的人脸仿射配准方法。首先,为了克服人脸仿射变换而产生的局部形变,引入颜色特征来平衡模板人脸和目标人脸之间的颜色相似性和形状错配率,进而提出了一种基于颜色特征的人脸粗搜索算法。接着,采用人脸粗搜索算法得到的仿射变换作为初始约束,建立上步仿射约束下的人脸形状精确配准算法。在算法的每一步迭代中,利用前一步迭代得到的仿射变换,建立最近点的对应关系,并利用前步仿射约束下的目标函数求解新的仿射变换。本文算法成功解决了旋转、缩放和噪声干扰情况下人脸形状难以配准的问题。与传统人脸仿射配准算法相比,本文算法有效提高了人脸仿射配准的稳健性和精确性。

基于控制点一致性约束的点集仿射配准算法

提出一种基于控制点一致性约束的稳健仿射迭代最近点算法,该方法通过建立控制点约束下的目标函数,引导数据点集仿射配准到目标点集,建立数据点集和目标点集的最近点对应关系,采用随机抽样一致性方法筛选高精度形状控制点,实现控制点约束下的目标函数更新仿射变换。实验结果表明,与传统的图像点集仿射配准算法相比,所提算法的准确性和稳健性显著提高。