基于包围盒约束光谱聚类的红外目标识别算法

在红外成像过程中,目标边缘模糊化是影响红外目标识别效果的关键因素,也是红外目标识别算法的研究重点,故在光谱图像中合理补偿目标几何特征信息成为研究热点之一。结合包含目标几何特征信息的包围盒作为约束条件,对红外光谱图像进行分层限定滤波,降低原有图像数据中目标几何外形数据的丢失,提高目标可识别性。设计了在包围盒约束条件下的光谱聚类算法,设置参数η表征待测军用车辆目标的几何信息,设置参数m表征待测军用车辆目标的光谱特征信息。实验采用TEL-1000-MW型红外成像光谱仪获取多光谱图像,通过改变m和η值调整光谱特征值个数与包围盒范围,从而获得不同的目标识别图像。并与传统方法对同一幅红外目标图像的识别效果相比较,结果发现采用包围盒约束的待测目标图像几何边界信息保留效果明显优于传统方法,当m=10、η=0.7时,红外图像的目标识别效果最好,同时算法收敛速度也最优。由此可见,该算法在提高红外目标识别能力、避免误判伪目标和漏检目标方面具有很高的实用价值。

面向虚拟装配的约束建模与装配意图捕捉技术

为保证虚拟装配操作的精度和效率,提出了一种准确高效的用户装配意图捕捉算法。给出了虚拟装配环境中约束模型的表达和建模方法,引入约束元素包围盒的概念,并提出了其构造原则及方法。将约束元素包围盒的相交测试作为装配意图捕捉算法的入口,根据约束元素和自由度之间的映射关系,提出了约束多层识别算法来判断约束元素之间的装配约束类型,并通过设置约束元素优先级和利用约束元素间的进给增量比较策略来实现约束的智能确认。最后,使用时间花费代价函数表征装配意图捕捉算法的计算效率。通过某航天产品中的装配实例验证了所提算法的有效性。

多尺度区域特征的细粒度分类算法研究

为了避免复杂背景对精细目标分类的影响,充分利用卷积神经网络提取的目标全局和局部信息进行细粒度任务的研究,提出了一种多尺度区域特征的细粒度目标检测与分类算法.该方法先使用FASTER-RCNN框架训练3个尺度区域的卷积模型进行多尺度目标区域定位,对定位的结果进行包围盒约束和海伦约束以优化提高定位的精确度,然后将提取多个尺度区域的特征进行组合,并用支持向量机训练细粒度分类器.在Caltech-UCSD鸟类数据集和CompCars车型数据集上进行实验测试.实验结果表明该算法在Caltech-UCSD鸟类数据集的分类正确率达到82.8%,比没有使用多尺度区域特征的分类算法提高了7.5%,比基于部件的分类方法提高了8.9%;在CompCars车型数据集的分类正确率达到93.5%,比没有使用多尺度区域特征的分类算法提高了8.3%,比最优的GoogleNet精细目标分类算法提高了2.3%,验证了该算法的有效性.