标签: 特征融合

目标分割方法是工业自动化、在线产品检验、生产过程控制等领域的关键技术之一。基于特征匹配策略，研究了如何增强纹理特征的区分能力以及如何快速分割特定的目标。在纹理特征提取方面，首先通过形态学处理获取图像细节信息，然后对细节信息进行过滤进而得到鲁棒的局部信息，最后融合局部二值模式用于增强特征的区分能力。在目标分割方面，基于纹理特征和变化分解窗口框架，根据目标窗口和待定目标窗口间的特征距离分等级的变化分解窗口的尺度，从而快速定位到目标。最后，在纹理数据集上验证了方法的有效性。

针对军事战场背景下不同军事目标相似度较高，使得复杂环境中目标识别率较低，且军事目标与作战环境相似度也比较高，因此对作战环境中的军事目标图像分类技术进行研究是有必要的，本文利用卷积神经网络在静态图像上稳健的特征提取能力，提出一种基于卷积神经网络的并行网络模型，用于军事目标图像分类，该方法利用两种边缘检测算子分别提取目标图像特征，之后输入卷积神经网络中进行深度特征提取，与传统卷积神经网络相比，分类识别率提高了1.2%，达到了97%。理论分析与实验数据说明，通过该模型能够对军事目标图像数据进行有效区分，对准确提供军事作战信息有重要意义。

针对训练样本与测试样本非线性可分问题，借助核算法，将样本特征向量映射到易实现线性可分的核空间，进而在高维核空间内运用核稀疏表示对所提取的特征进行分类表达。该算法受益于将核稀疏表示理论同多模生物识别技术相结合，使其对生物特征图像有较强的鲁棒性。实验证明基于核稀疏表示的多模身份识别算法在遮挡、含噪声的情况下具有较好的识别准确率，相较于其他同类算法在性能上有一定程度的提高。