基于小样本的相干激光雷达距离像目标识别研究

摘要

随着激光技术的发展,激光成像雷达逐渐获得了广泛的应用,与其紧密相关的目标识别技术已成为国内外研究的热点问题。本论文主要基于简单背景的相干激光雷达仿真距离像,在小样本情况下,分析三维目标形状的特征表示、特征选择和识别,建立有效的三维目标识别方法。论文的主要工作分为四部分:
　　为了减少Zernike不变矩(ZMIs)计算量,提出了利用ZMIs的偶阶矩进行激光雷达距离像目标识别;研究了目标识别性能与Hu不变矩(HMIs)、仿射不变矩(AMIs)和ZMIs,支持向量机(SVM)和反向传播神经网络(BPNN)以及训练样本数目之间的关系;还利用真实激光雷达图像验证了三种不变矩的旋转不变性。
　　为了提高目标识别性能,把4组组合不变矩引入到激光雷达目标识别中;为了解决小样本情况下组合不变矩引起的“休斯”现象,依据随机子空间支持向量机集成(RSE-SVM)算法思想,提出了半随机子空间支持向量机集成(sRSE-SVM)算法,并且利用这两种算法和Relief算法以及支持向量机回归特征消去(SVM-RFE)算法对组合不变矩进行特征选择,提高了激光雷达距离像目标识别的性能。
　　为了提高小样本时无铰接式目标识别的性能,提出了融合激光雷达距离像任意方位角信息的SVM集成和BPNN集成方法。基于单一不变矩和组合不变矩,分析分类器集成、Relief算法、SVM-RFE算法、RSE-SVM和sRSE-SVM算法的目标识别性能。还研究了训练样本俯仰角不变而改变测试样本俯仰角时,基于单一不变矩的分类器集成的泛化能力,并且与单分类器性能比较。
　　为了提高铰接式目标姿态识别的性能,把弹性形状分析方法引入到激光雷达距离像。研究在任意方位角下,激光雷达距离像铰接式目标姿态识别,利用相同数目的样本,分别与HMIs、AMIs和ZMIs的SVM识别性能比较。另外,还研究了弹性形状分析方法的平移、尺度和平面内旋转的不变性。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1课题的来源及研究目的和意义

1.2激光成像雷达目标识别概述

1.3主要工作及内容安排

第2章 基于单一不变矩的距离像目标识别研究

2.1相干激光雷达图像噪声机理和预处理

2.2不变矩概述

2.3三种目标识别算法原理

2.4真实图像实验结果与分析

2.5模拟图像仿真结果与分析

2.6本章小结

第3章 基于组合矩的特征选择的距离像目标识别

3.1特征选择算法实现

3.2组合矩的目标识别仿真实验与分析

3.3特征选择算法识别性能比较

3.4 RSE-SVM目标识别实验结果与分析

3.5本章小结

第4章 基于分类器集成的距离像目标识别研究

4.1分类器集成算法实现

4.2单一不变矩的分类器集成的实验结果与分析

4.3分类器集成对俯仰角改变影响分析

4.4基于组合不变矩分类器集成的实验结果与分析

4.5本章小结

第5章 基于弹性形状分析的距离像目标姿态识别

5.1弹性形状分析方法概述

5.2铰接式目标姿态识别的仿真实验结果与分析

5.3本章小结

结论

参考文献

攻读学位期间发表的学术论文

声明

致谢

个人简历