为了提高水果识别的准确性，减少周围环境对识别的影响，设计了一种用于智能水果采摘机器人的识别系统。采用随机森林来学习优化气味传感器的输出，其目的是更好地识别气味；利用摄像机采集到的原始图像计算出对应的本质图像，来对采集到的图像特别是有阴影的图像进行去阴影分析辨识。最后通过结合气味传感器的“气相”结果与摄像机的“色相”结果来评定采摘动作。实验证明该识别系统为后期果实的采摘提供了比较精确的参考。

目标识别与跟踪技术进行了分析，在此基础上结合智能小车目标跟踪系统的开发

mstar_with_machine_learning 先决条件 该存储库使用python 3.6和scikit-learn API给出了带有机器学习的公共MSTAR数据集上的SAR ATR的示例。 建议直接安装Anaconda 3，它提供了numpy，matplotlib和scipy等常见软件包以及scikit-learn。 说明 该示例支持大多数机器学习方法的实现，包括逻辑回归，神经网络，支持向量机等。 为了减少计算量，它使用主成分分析来减少特征。 数据处理和模型声明分别在data.py和model.py中定义。 当然，您可以添加您自己的操作。

基于高分辨距离像的雷达自动目标识别技术研究，南京航空航天大学电子信息工程学院博士论文。 雷达自动目标识别技术在军事和民用上都有着巨大的应用价值。宽带雷达高分辨距离像（HRRP）具有目标结构信息丰富、易于获取的特点，是雷达目标识别重要的发展方向之一。本文以探寻稳健、实用的识别算法为目标，围绕 HRRP 目标识别的关键问题，系统地研究了姿态敏感性、特征提取、噪声背景下的稳健识别和序列识别问题，为 HRRP 目标识别的实用化进行了有益的探索。

2010年全国优博提名奖得主，对雷达成像研究方面有很大的借鉴意义

目标检测 ssd 源码，初学目标检测的同学非常有用。SSD全称“Single Shot MultiBox Detector“：将图像切分为N个区域，对每个区域进行单目标检测，并汇总所有的单目标检测结果。

前视红外目标识别是精确制导武器的关键技术。实际应用中，模板和实时图存在尺度和角度的差异，易导致误匹配。为克服上述问题，提出了一种基于边缘仿射不变坐标的前视红外目标识别算法。以边缘曲线的区域质心为基准点建立局部坐标系，在此坐标系下，边缘点的坐标值具有仿射不变；将边缘的坐标集合作为描述子，利用平均hausdorff 距离度量边缘的相似性；最后结合边缘的相对位置剔除误匹配，实现前视红外目标的稳健识别。通过三组实验，与基于灰度模板和基于边缘模板的识别算法相比，识别率和稳健性均有所提高。

针对合成孔径雷达（SAR）目标识别问题，提出一种结合线性，非线性特征提取和分类器的方法。采用PCA和KPCA分别提取原始SAR图像的特征矢量。在此基础上，分别利用稀疏表示（SRC）和核稀疏表示（KSRC）对两类特征进行分类。通过线性，非线性特征，分类器的结合，可以更好地考察SAR图像的内部数据结构以及测试样本与训练样本的对应关系。实验中，基于MSTAR数据集进行性能测试，结果表明提出方法的有效性。

为了解决 SAR 图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题，提出了一种新 的仿射、形变不变特征-热核特征，并将该特征用于 SAR 图像目标识别。首先采用推广的核模糊 C-均 值方法分割 SAR 图像，提取 SAR 图像目标形状；接着对目标形状进行 Delaunay 三角剖分，采用余切 权重法对 Laplace-Beltrami Operator 离散化，通过离散化 Laplace-Beltrami Operator 特征值、特征向量 求每一点热核特征；然后采用谱距离公式对点点间热核距离计算，转化为距离分布表示目标形状的热 核特征；最后采用 L1 相似性准则对图像进行相似性度量，得到识别结果。实验表明：与经典的 Hu 不 变矩方法相比，对于仿射变换和发生形变的 SAR 图像，该方法都具有更高的识别率。因此，基于热核 特征的 SAR 图像识别方法是一种更加有效的识别方法

针对单独机器人难以执行复杂环境中任务的问题，Unmanned Air/Ground Vehicle(UAV/UGV)协同系统近年来受到了广泛关注。为了提高执行任务的工作效率，提出一种基于视觉传感器下UAV/UGV协同系统中UAV目标识别下UGV全局路径规划的方法，无人机利用高空视野优势获取目标物与环境信息, SURF算法和图像分割实现环境建模。无人车根据无人机获取的信息，利用优化的A*算法完成全局路径规划，并且在典型搜救场景中进行了仿真验证。实验表明，SURF算法能满足目标识别的精确度、实时性和鲁棒性；并且利用优化的A*算法实现了UGV快速准确的全局路径规划。