第二部分地址http://download.csdn.net/source/3491476 主要功能：支持多种遥感数据格式的读取及卫星、地理信息参数读取；遥感图像显示、分块读取和重采样；预处理功能包括辐射校正、几何校正、去噪、阈值分割、边缘检测和直方图调整；集成模糊逻辑和神经网络模块进行目标识别；可输出经几何校正并带有海岸线地图的结果图。用途：将遥感数据显示为图像，可对遥感图像进行预处理；对遥感图像中疑似溢油的目标区域进行识别，判断为溢油的可能性，并对目标进行地理定位。特点：（1）图像读取与显示效率高，特别对大容量数据的读取速度上有一定优势；（2）提供便捷的图像分块操作；（3）利用高效的几何校正算法实现便捷的地理坐标投影；（4）可自定义的灰度特征提取、模糊逻辑识别和神经网络识别方法，使溢油目标识别功能使用起来更为灵活。

利用SURF算法进行特征点匹配的vc++程序，适用于目标识别、定位等图像处理相关应用中，匹配成功率高，尤其是当识别目标较复杂时具有很好的识别效果。

我的毕设代码，内容为 自适应复高斯雷达目标识别 的Matlab程序。

图像特征提取及其分类图像特征提取及其分类图像特征提取及其分类

该数据集是我手动标定的一个较小的海参（165张图片）与海胆（225张图片）的VOC格式数据集，用于深度学习网络的训练。由于该类数据集资源较少，所以欢迎大家一起共享资源，我们共同学习，共同进步！（图片均来源于网络，侵删）

YOLO V3 目标识别模型在安卓移动端的实现，可以安装在安卓手机上，亲测可用

筛选毫米波雷达数据，初步确定有效目标。首先对雷达数据进行了预处理，主要是对空信号、静止目标和无效目标进行了筛选和剔除，然后结合同车道有效目标的判断方法，对相邻车道的非危险目标进行了滤除，获取初选目标，最后通过生命周期检验方法进一步验证目标存在的有效性，并建立卡尔曼滤波模型对数据信息进行滤波处理，降低噪声的干扰。 基于机器视觉的前方车辆检测方法研究。本文采用 Haar-like 方法提取车辆特征，同时利用积分法加快对特征值的计算速度，基于这些特征值，通过结合Adaboost 算法迭代训练多个弱分类器并将其组合构建强分类器，最后将多个强分类器串联建立级联分类器。考虑到获取的车辆图像在时间和空间上的连续性，本文基于无迹卡尔曼滤波算法建立了车辆跟踪模块，增强系统对车辆目标轨迹的实时追踪。 建立多传感器融合模型。利用毫米波雷达坐标系、世界坐标系、摄像头 坐标系、图像坐标系和像素坐标系之间的空间位置转换关系，实现雷达和摄像头 的空间融合。针对毫米波雷达和摄像头采样频率不同的问题，本文采用多线程法 来实现传感器间的时间同步。本文基于扩展信息融合和无迹信息融合原理，建立 了一种改进的无迹信息融合算法，该算法能够消除更新方程中的测量信息，增强 对目标的估计精度，解决各传感器间的目标信息无法进行有效结合的问题。 对融合系统的仿真和实车验证。本文选用六自由度 QJ-4B1 动感型模拟驾驶仪对融合系统进行仿真测试，通过人机交互界面建立了虚拟的传感器、道路工况和背景环境，最大限度的还原实车试验。在实车试验中，完成了对传感器的安装和试验平台的搭建，并对实车试验场地以及人员进行了相应的安排。

给出一种双目视觉系统结合SURF(Speeded Up Robust Feature)特征的目标识别与定位方法,分析了采用SURF特征实现目标识别的方法,利用双目视觉的原理求取识别出的目标物体的三维坐标信息,从而实现目标物体的识别与定位,与传统的基于SIFT(Scale Invariant Feature Transform)特征或基于颜色形状特征的目标识别与定位方法相比,该方法更具有鲁棒性和实时性.实验结果证明了该方法进行目标识别与定位的可行性,具有一定的应用价值.

基于单目视觉的目标识别与定位研究的介绍，关键技术，实现算法流程等的介绍，感兴趣的可以看看

SqueezeSeg点云目标识别的翻译版，虽然还存在一些翻译上的细节，但是相对于英文好多了。