边缘区域不变矩提升缺损扩展目标智能识别

该研究论文探讨了一种创新的基于边缘区域不变矩的缺损扩展目标识别方法。在光电对抗中的目标识别与跟踪任务中，识别那些外形复杂、占据较大视场且可能发生局部遮挡或噪声污染的扩展目标是一项关键挑战。传统的识别特征如线矩、拐点不变量和傅里叶描绘子在处理这类问题时，对边界和拐点的精确定位有较高的要求，如果定位不准确，可能导致识别错误。 作者提出的方法主要依赖于边缘区域的局部不变矩，这是一种更专注于局部特征而非整体特征的处理策略。边缘区域的选择是因为它们对目标的形状变化相对不敏感，即使在目标出现缺损或变形时，依然能够保持一定程度的稳定性。论文深入分析了在离散情况下，如何确保基于边缘区域的局部不变矩在平移、旋转和尺度变换下的不变性，这对于构建稳健的识别模型至关重要。 研究者采用多层BP（Backpropagation）人工神经网络，将边缘区域的局部不变矩作为输入特征，每个神经网络负责处理不同的目标处理区域。通过这种方式，他们能够综合多个网络的分类结果，提高识别率，特别是针对那些严重缺损的扩展目标，这种方法显示出明显的优势。 论文的核心贡献在于提供了一种新的方法论，既能捕捉到目标局部的不变特性，又能处理目标的旋转、平移和尺度变化，从而有效应对缺损扩展目标识别的难题。这种方法的实验结果显示，它在实际应用中表现出了良好的性能，验证了其在光电对抗领域的潜力。 这项研究为缺损扩展目标识别提供了一种高效且鲁棒的解决方案，它将边缘区域不变矩理论与神经网络技术相结合，有望在目标识别领域取得突破，并对相关技术的发展产生积极影响。