1. 多個雷達監測多個目標，怎樣確定目標的個數用什麼演算法進行目標識別
你好！
監測多個目標不一定要用多個雷達。
可以用RFbeam的KOR-001類似的多目標識別雷達感測器，天線一發四收，可以識別幾十個目標的速度、距離、方位信息。
如有疑問，請追問。
2. 有什麼機器學習的目標識別的好演算法
摘要
1. 線性回歸
3. 基於小波包變換的高光譜影像目標識別演算法與實現
5.2.1.1 小波基獲取演算法的基本思想
小波包變換優於小波變換的地方是其良好的時頻局部化能力，所以可運用小波包變換來處理高光譜數據。基於小波包變換的高光譜影像目標識別演算法的基本思想為：選取適當的小波包母函數，對像元光譜進行小波包變換，獲得樹形結構的小波包系數；選擇信息代價函數，並利用最佳基搜索演算法選取最佳基，得到最佳基在樹形結構中的位置（序號）；選取低頻部分的幾個最佳基的序號組成特徵向量，作為分類參量。這里要注意幾個基本問題：
（1）基本小波函數的選取
基本小波函數的選取直接影響小波包分解系數，進而會影響最佳基的選取及最後分類特徵參量的提取。故而，基本小波的選取直接影響分類的效果。比較常用的小波基函數主要有Daubechies正交小波系、Meyer小波、Morlet小波、Mexihat小波等。一般小波變換應用中，小波基的選擇主要考慮以下幾方面：(1)小波基如果具有正交性，則分解後的各尺度間和尺度內的系數具有較小的相關性。(2)小波基的支撐越小，其局部化能力越強，在信號的突變檢測中，緊支撐小波基是首要選擇。(3)信號（圖像）經小波抽樣分解後重構的信號是一個小波級數，它是一個線性濾波的結果，可證明，如果小波基函數系數具有線性相位，就能實現信號（圖像）的完全重建（無失真），對稱或反對稱的尺度函數和小波函數可以構造緊支撐的具有線性相位的小波基。(4)在信號奇異點的檢測中，小波基的消失矩必須具有足夠的階數，從計算量的角度考慮，消失矩的階數與緊支撐區間相關，過高的階數將增加計算量。另外，如果進行信號檢測，則應盡量選擇與信號波形相近似的小波。
對高光譜影像進行目標識別的小波包分析時，分析對象是單個像元或參考目標的光譜向量，所選小波基需具有正交性，即應選擇正交小波基。為減少計算量，選擇了消失矩為1而又唯一，同時具有對稱性和緊支撐的正交小波基函數－Haar小波（即db1小波，屬於Daubechies正交小波系）。對於植被，也可選擇與提取的目標光譜曲線相近似的D4小波。
Haar小波尺度函數：
高光譜遙感影像信息提取技術
｛φ（t－k）｝k∈z構成V0的標准正交基。兩尺度方程為
高光譜遙感影像信息提取技術
小波方程為
高光譜遙感影像信息提取技術
Haar小波系的特點是具有緊支撐性，但不連續。在實際應用中不能很好地表示和分析連續函數。具有緊支撐和對稱性的小波僅有Haar小波。
（2）邊界處理
小波分解與重構的卷積演算法在實際中有廣泛應用。在對離散信號和圖像處理的實際應用中，由於採集數據是有限的，為實現原始輸入序列的完全重構，在作卷積運算時需要將輸入序列作適當處理（即邊界延拓），以保證卷積操作的正常進行。常用的邊界延拓方法有：零延拓、周期延拓、周期對稱延拓、光滑函數延拓、平滑延拓。
本章以地物識別和分類為主要目標，對像元光譜向量或參考目標光譜向量進行小波包變換和分析，故而可以不採用上述常用邊界處理方法。但由於小波包變換是二進小波變換，需要輸入序列的長度是2的整數次冪。可以採取將像元光譜向量或參考目標光譜向量尾端補零的方法，使得像元光譜向量或參考目標光譜向量的長度為2的整數次冪。研究實例採用高光譜影像數據的波段數為224，將光譜向量尾端補零，使得輸入向量的長度變為256（28）。另外也對其他周期延拓的方式進行了實驗，得出補零方法的識別精度更好一些。
（3）分類特徵參量的提取
小波包能量法是一種常用的小波特徵提取方法。首先對信號進行小波包分解（一般3～4層），若對信號進行的是3層小波包分解，系數重構後得到各頻帶范圍的信號S3j（j＝0，1，…，7），對應的能量為E3j（j＝0，1，…，7），顯然，E3j（j＝0，1，…，
7）對應小波包分解最底層各小波包基節點，有
高光譜遙感影像信息提取技術
式中：xjk（j＝0，1，…，7；k＝0，1，…，n）表示S3j各離散點的幅值；n為重構系數的個數。由上式組成了8個子空間的特徵向量，以此為特徵參量。
（4）分解層數的確定
顯然，以上述能量特徵向量作為分類和目標識別的應用，都忽略了小波包變換的另一個優於小波變換的特點：對應於最佳小波包基的最優分解。對於同一小波包變換，不同類別的目標對應不同的最佳小波包基（通過從光譜庫選擇幾種不同地物的光譜數據進行分析可發現），使得根據最佳小波包基在小波包二叉樹中的位置來識別不同目標成為可能；但由於各種因素的影響，即便兩個像元是同一目標，它們的最佳小波包基與參考目標的最佳小波包基在小波包二叉樹中的位置也可能略有不同，而它們的最佳小波包基相互之間也不一定相同，所以對於某一目標，可以選擇其最佳小波包基的前m個即前m個低頻最佳基，記錄它們的序號即它們在小波包二叉樹中的位置，作為分類和識別的依據。因為這種方法較少考慮高頻部分，而高頻部分主要包括了一些細節信息和雜訊信息，故而這種方法還在一定程度上解決了同一目標像元分解存在細微差異的問題，並降低了雜訊信息對目標識別的影響。m的取值可以通過對目標的取樣分析確定。
基於上述提取特徵參量的思想，為使選得的前m個最佳基表徵具有更豐富的信息，可進行小波包完全分解（分解到第8層）。
（5）信息代價函數的選擇
通常的應用中都是通過實驗比較選擇最合適的信息代價函數，用得較多的是信息熵（Shannon熵）。這里，選用信息熵（Shannon熵）、范數集中度、對數熵進行比較分析。
5.2.1.2 演算法的實現
（1）數據結構設計
小波包分解可以用小波包二叉樹來表示。小波包二叉樹中的每個節點表徵小波包子空間的一個小波包基及分解系數序列。圖5.1為進行3層小波包分解時，各小波包子空間對應的小波基在二叉樹中對應的序號。其他層數分解的情況類推。故而將其設計為樹結構能更好地表現各子空間的關系；同時，也有利於最佳基的沿樹形搜索。小波包分解是遞歸實現的。
圖5.1 小波包3層分解樹結構
（2）最佳基搜索演算法過程
第一步：用 「*」標記最底層節點。
第二步：將父節點的信息代價函數值與它的兩個子節點的信息代價函數值之和進行比較。如果父節點的信息代價函數值小於它的兩個子節點的信息代價函數值之和，則用「*」 標記父節點；否則，不用標記父節點，而用兩個子節點的信息代價函數值之和代替父節點的信息代價函數值，同時將父節點原來的信息代價函數值用括弧括起來。
第三步：只考慮括弧外的值，從上到下選取與樹根最近的標記「*」 的節點（以這些節點為根的子樹的節點將不再考慮），這些被選出的標有 「*」 的節點構成空間的不重疊的覆蓋，它們正是最佳基對應的節點，這些節點對應的小波包基就是所求的最佳基（孫延奎，2005）。
這里，搜索最佳基的演算法主要由兩步組成：標志構成最佳基的節點（令其flag為1）；獲得最佳基節點的序號。前者用遞歸的方法計算信息代價函數值，並標志最佳基；後者獲得最佳基節點序號。
4. 目標檢測演算法是什麼
目標檢測演算法是先通過訓練集學習一個分類器，然後在測試圖像中以不同scale的窗口滑動掃描整個圖像；每次掃描做一下分類，判斷一下當前的這個窗口是否為要檢測的目標。檢測演算法的核心是分類，分類的核心一個是用什麼特徵，一個是用哪種分類器。
(4)目標識別有哪些演算法擴展閱讀：
目標檢測演算法可以分為：
1、背景建模法，包含時間平均模型、混合高斯模型、動態紋理背景、PCA模型、時一空聯合分布背景模型
2、點檢測法，包含Moravec檢測器、Harris檢測器 、仿射不變點檢測、S IFT
3、圖像分割法，包含Mean Shift方法 、Graph-cut方法、Active Contours方法
4、聚類分析法，包含支持向量機、神經網路、Adaptive Boosting
5、運動矢量場法，包含基於運動矢量場的方法
5. 基於圖像的目標識別都有哪幾種方法
採用工業相機拍攝圖片，然後再利用軟體根據圖片灰階差做進一步識別處理，圖像識別軟體國外代表的有康耐視等，國內代表的有圖智能等，是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。一般工業使用中圖像識別
6. 智能作戰機器人的目標識別有哪些技術
圖像採集與目標識別技術：在復雜背景條件下對目標進行圖像採集和精確識別是影響智能作戰機器人命中率的重要因素，智能作戰機器人圖像採集與目標識別技術，具有目標搜索能力強、圖景拼接精度高的洞庫目標圖像採集硬體系統，在目標識別、目標定位軟體演算法的基礎上，提出採用改進的霍夫變換檢測目標的外形特徵，設計具有自主知識產權的洞庫輪廓識別技術｡針對洞庫類目標圖像像質較差的問題，提出採用圖像轉換、圖像增強、圖像平滑、中值濾波、圖像分割、邊緣檢測、數學形態學處理等方法，強化圖像的有用信息，濾除圖像的冗餘信息，改善圖像的信息質量，正確指導對敵洞庫目標的精確攻擊。
7. yolo演算法是什麼
yolo演算法是一種目標檢測演算法。目標檢測任務的目標是找到圖像中的所有感興趣區域，並確定這些區域的位置和類別概率。目標檢測領域的深度學習方法主要分為兩大類兩階段式（Two-stage）目標檢測演算法和單階段式（One-stage）目標檢測演算法。兩階段式是先由演算法生成一系列候選邊界框作為樣本，然後再通過卷積神經網路分類這些樣本。
yolo演算法原理
因為它採用深層卷積神經網路，吸收了當前很多經典卷積神經網路架構的優秀思想，在位置檢測和對象的識別方面，性能達到最優（准確率非常高的情況下還能達到實時檢測）。因為作者還將代碼開源了。真心為作者這種大公無私的心胸點贊。
美中不足的是雖然將代碼開源，但是在論文介紹架構原理的時候比較模糊，特別是對一些重要改進，基本上是一筆帶過。現在在網路上有很多關於YOLO原理的講解。
8. 圖像識別演算法都有哪些
圖像識別，是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。一般工業使用中，採用工業相機拍攝圖片，然後再利用軟體根據圖片灰階差做進一步識別處理，圖像識別軟體國外代表的有康耐視等，國內代表的有圖智能等。另外在地理學中指將遙感圖像進行分類的技術。
9. yolo演算法是什麼
Yolo是一種目標檢測演算法。
目標檢測的任務是從圖片中找出物體並給出其類別和位置，對於單張圖片，輸出為圖片中包含的N個物體的每個物體的中心位置（x,y)、寬（w)、高（h)以及其類別。
Yolo的預測基於整個圖片，一次性輸出所有檢測到的目標信號，包括其類別和位置。Yolo首先將圖片分割為sxs個相同大小的grid。
介紹
Yolo只要求grid中識別的物體的中心必須在這個grid內（具體來說，若某個目標的中心點位於一個grid內，該grid輸出該目標類別的概率為1，所有其他grid對該目標預測概率設置為0)。
實現方法：讓sxs個框每個都預測出B個boungding box，bounding box有5個量，分別為物體的x,y,h,w和預測的置信度；每個grid預測B個bounding box和物體類別，類別使用one-hot表示。
10. 計算機視覺中，目前有哪些經典的目標檢測演算法
第一章介紹運動的分類、計算機視覺領域中運動分析模型、計算機視覺領域運動檢測和目標跟蹤技術研究現狀、計算機視覺領域中運動分析技術的難點等內容；
第二章介紹傳統的運動檢測和目標跟蹤演算法，包括背景差分法、幀間差分法、光流場評估演算法等；
第三章介紹具有周期性運動特徵的低速目標運動檢測和跟蹤演算法，並以CCD測量系統為例介紹該演算法的應用；
第四章介紹高速運動目標識別和跟蹤演算法，並以激光通信十信標光捕獲和跟蹤系統為例介紹該演算法的應用；
第五章介紹具有復雜背景的目標運動檢測過程中採用的光流場演算法，包括正規化相關的特性及其改進光流場評估演算法，並介紹改進光流場演算法的具體應用；
第六章介紹互補投票法實現可信賴運動向量估計。
