基于小樣本的相干激光雷達(dá)距離像目標(biāo)識別研究.pdf

1、隨著激光技術(shù)的發(fā)展,激光成像雷達(dá)逐漸獲得了廣泛的應(yīng)用,與其緊密相關(guān)的目標(biāo)識別技術(shù)已成為國內(nèi)外研究的熱點(diǎn)問題。本論文主要基于簡單背景的相干激光雷達(dá)仿真距離像,在小樣本情況下,分析三維目標(biāo)形狀的特征表示、特征選擇和識別,建立有效的三維目標(biāo)識別方法。論文的主要工作分為四部分:
　　為了減少Zernike不變矩(ZMIs)計(jì)算量,提出了利用ZMIs的偶階矩進(jìn)行激光雷達(dá)距離像目標(biāo)識別;研究了目標(biāo)識別性能與Hu不變矩(HMIs)、仿射不變矩(

2、AMIs)和ZMIs,支持向量機(jī)(SVM)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)以及訓(xùn)練樣本數(shù)目之間的關(guān)系;還利用真實(shí)激光雷達(dá)圖像驗(yàn)證了三種不變矩的旋轉(zhuǎn)不變性。
　　為了提高目標(biāo)識別性能,把4組組合不變矩引入到激光雷達(dá)目標(biāo)識別中;為了解決小樣本情況下組合不變矩引起的“休斯”現(xiàn)象,依據(jù)隨機(jī)子空間支持向量機(jī)集成(RSE-SVM)算法思想,提出了半隨機(jī)子空間支持向量機(jī)集成(sRSE-SVM)算法,并且利用這兩種算法和Relief算法以及支持向量

3、機(jī)回歸特征消去(SVM-RFE)算法對組合不變矩進(jìn)行特征選擇,提高了激光雷達(dá)距離像目標(biāo)識別的性能。
　　為了提高小樣本時無鉸接式目標(biāo)識別的性能,提出了融合激光雷達(dá)距離像任意方位角信息的SVM集成和BPNN集成方法。基于單一不變矩和組合不變矩,分析分類器集成、Relief算法、SVM-RFE算法、RSE-SVM和sRSE-SVM算法的目標(biāo)識別性能。還研究了訓(xùn)練樣本俯仰角不變而改變測試樣本俯仰角時,基于單一不變矩的分類器集成的泛化能力