利用深度学习对声呐图像进行目标检测是近年来的研究热点, 然而声呐图像存在目标尺度分布集中、数据获取难等问题, 导致检测效果难以满足需求。针对该问题, 提出了一种基于可变尺度先验框的目标检测方法。首先, 考虑到声呐图像中目标的尺度分布具有其特殊性, 基于先验统计生成可变尺度先验框。其次, 为了解决声呐图像稀缺的难题, 采用数据增强的方法对训练集进行扩充。最后, 探索了模型的轻量化, 通过删减模型的大目标检测层, 在不降低模型精度的同时简化模型结构。为了评估算法的有效性, 以前视声呐图像为例进行了综合试验, 平均精度(mean average precision, mAP)@0.75和mAP@0.5:0.95分别达0.585和0.559, 较原Yolov5网络分别提升了5.8%和3.1%, 同时每秒10亿次浮点运算次数下降到14.9。结果表明,所提算法具有更高的精度和更轻量化的模型结构。
间歇收发用于辐射式仿真中可以有效解决收发信号互耦的问题, 但间歇收发会带来信号损失, 导致相位编码信号距离像出现高旁瓣。为了解决这一问题, 提出间歇收发互补序列设计方法, 给出了收发序列参数设计方法, 并对相位编码间歇收发回波进行重组拼接, 消除间歇收发导致的回波缺失, 获得了精确的目标距离像。仿真结果表明, 收发互补设计及回波重组拼接能够准确重构回波, 并且重构后互相关系数接近1, 验证了所提方法的可行性与正确性。
满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture, PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分, 分别对这两部分进行预测和更新, 具有较高的跟踪精度和较快的运行速度。在多目标机动场景下, 使用单一模型不足以描述目标的运动, 将导致跟踪性能的下降。针对这一问题, 提出了一种交互多模型(interacting multiple model, IMM)PMBM滤波器, 充分利用模型之间的交互信息, 可以有效实现多机动目标的跟踪。同时, 该算法采用序贯蒙特卡罗(sequential Monte Carlo, SMC)方法实现PMBM滤波, 可应用于非线性场景。仿真结果表明, 所提的IMM-SMC-PMBM算法可以有效地在非线性环境下跟踪数目变化的多机动目标, 与IMM-SMC概率假设密度(probability hypothesis density, PHD)滤波器相比具有更好的跟踪精度和稳定性。
为了实现北斗B1C+B1I信号的联合生成,提出一种基于软件无线电和图形处理器(graphics processing unit, GPU)加速的北斗B1宽带复合信号的实时生成方法, 该方法针对单边带复数二进制偏移载波(single-sideband complex binary offset carrier, SCBOC)调制方式的信号体制进行设计, 系统根据用户配置的接收机运动轨迹和星历文件, 生成中频信号并通过射频端发射。为了进一步提升GPU并行运算速度, 从优化设备内存结构、设计并行线程架构和统一计算设备架构流(compute unified device architecture stream, CUDA)加速3个方面, 设计了基于异步运算的加速采样点数据计算的CUDA优化实现方案。测试结果证明, 优化后的算法可以基于SCBOC调制实时生成北斗B1I+B1C信号, 基于GTX3060的GPU平台, 信号90 M采样率下能实现8颗卫星复合信号的实时生成。
针对宽带相干信号下波达角和极化参数的联合估计问题, 提出了一种低复杂度的参数估计方法。首先, 通过轴向虚拟平移对圆阵接收信号进行平滑, 而后对平滑后的自相关矩阵进行聚焦。之后, 联合聚焦后的自协方差矩阵和平滑后的互协方差矩阵构造极化波达方向矩阵。然后, 通过该矩阵的特征值和特征向量, 经闭合式求解出入射信号的波达角和极化参数。所提算法实现了估计参数的自动配对, 无需谱峰搜索, 计算量小, 且仅需3个阵元即可实现参数估计, 能够节约硬件资源。仿真实验从复杂度、有效性和稳健性3个方面验证了所提算法的可行性。
雷达导引头采用动目标显示、边搜索边跟踪等抗干扰技术, 导致传统质心、冲淡、幕墙式箔条干扰方法干扰效能降低。对此,提出一种机动化箔条幕布放方法, 通过无人机和舰船协同布放箔条弹, 使幕墙能量质心随时间不断移动, 保证舰船在有效时间内成功逃离雷达波束。首先, 基于机动化箔条幕干扰机理, 构建箔条幕布放模型, 具体包括雷达导引头运动模型、舰船运动模型、箔条幕形态模型和箔条幕运动模型。随后, 根据机动化箔条幕模型求解特点, 确定采用布谷鸟搜索算法求取布放方案;据此提出总体求解思路, 并构建布放效能条件(目标函数与约束条件); 采用Logistic混沌机制改进布谷鸟搜索算法, 建立补弹策略。最终, 通过仿真案例对机动化箔条幕布放模型的有效性进行分析验证。结果表明, 与常规箔条幕布放方法相比, 机动化箔条幕布放方法能够有效减小舰船逃逸时间, 降低箔条弹消耗量, 同时具备较强的应对不同风速风向的能力。
针对宽带非规则子阵相控阵在复杂干扰环境下性能变差的情况, 提出一种基于子阵级处理的鲁棒性干扰抑制方法。首先, 建立存在误差情况下的宽带阵列子阵级回波模型; 通过子阵级数字Stretch处理将宽带线性调频回波信号变为窄带信号, 降低处理的有效带宽; 然后, 进一步改进基于谱分离的干扰加噪声协方差矩阵重构方法, 利用测量的先验信息划分子区间, 减小重构区域, 降低运算量; 最后, 利用获得的最优权值加权各通道数据获得阵列输出。所提方法有效利用非规则子阵优势, 避免了规则子阵阵面方向图中存在栅瓣的情况, 能够在存在多种组合干扰和误差的情况下抑制干扰, 具有较强的鲁棒性。
全面、准确的电磁数据标注是电磁大数据智能分析的前提和基础。针对战场博弈强对抗条件下电磁感知数据存在的标注率低、标注信息错误冗余等问题, 提出基于张量完备理论的标注补全方案。理论上, 同一场景下的同一目标, 利用不同感知平台观测提取的特征参数(如雷达脉冲参数)是相似(低秩)的, 且在一段观测时间内的测量结果是分段连续光滑的。故跨平台接收的目标数据标注补全可以建模为基于低秩张量完备的特征复原模型, 并引入全变分正则来刻画一段时间内特征参数的分段连续光滑属性。由于模型非凸, 使用基于矩阵最大秩分解的非凸近似算法进行迭代求解。通过仿真数据以及雷达脉冲描述字实侦数据并对模型的性能进行测试。实验结果表明, 所提方法在目标特征标注信息严重缺失的情况下能够很好地实现标注补全, 同时具有一定的标注纠错功能。
针对一些超分辨网络忽略了对网络各层次特征的复用以及融合的问题, 构建了具有较强特征复用和融合能力的二阶逐层特征融合超分辨网络, 以获得具有高分辨率、高保真度的重建图像。网络的核心是逐层特征融合模块, 该模块通过特征融合操作增强特征的重用。此外, 还提出了二阶特征融合机制, 该机制在网络的局部和全局层次上采用逐层特征融合方法进行特征融合。实验结果表明该网络的重建图像在线条和轮廓上更清晰, 并且在峰值信噪比和结构相似度上也取得了更好的结果。例如当缩放尺度因子为2时, 各测试集上的峰值信噪比/结构相似度依次为38.20 dB/0.961 2、33.81 dB/0.919 5、32.28 dB/0.901 0、32.65 dB/0.932 4、39.11 dB/0.977 9, 相比其他模型有一定提升, 从客观标准和主观角度证明了二阶逐层特征融合超分辨网络具有一定的优越性。
针对矩阵重构类波束形成算法对阵列幅相误差敏感的问题, 提出一种基于盲源信号分离和斜投影的矩阵重构鲁棒波束形成算法。首先, 依靠盲源分离技术得到接收信号和混合矩阵, 结合期望信号先验信息完成混合矩阵中信号导向矢量的搜索。然后, 利用盲源分离得到的信号协方差矩阵完成阵列幅相误差估计。最后, 基于幅相误差校准的混合矩阵和斜投影思想, 构建各干扰的斜投影算子, 将接收数据分别向干扰斜投影空间进行投影, 得到对应的干扰信号, 完成干扰噪声协方差矩阵重构。仿真结果表明, 所提方法对阵列幅相误差具有较好的鲁棒性, 验证了算法的有效性。
针对极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像存在斑点噪声严重、可视性差、直接影响目标识别精度的问题, 提出一种基于多源遥感图像多级协同融合的舰船识别算法。通过采用多级协同融合方式, 丰富图像的特征量, 提高舰船识别精度。所提方法首先进行多源遥感数据的像素级融合, 然后在上一步基础上进行特征级融合, 最终得到新的目标特征。所提方法充分发挥了不同频段的PolSAR与多光谱图像的信息互补优势,不仅保留了多频段PolSAR对目标的极化散射特征, 也保留了多光谱数据的空-谱信息。所提方法在可视性与检测精度上表现都较为出色,与传统的单一遥感数据相比, 识别精度至少提高了5.12%。
紧凑型高频地波雷达发射功率低, 目标检测时信噪比低、虚警率高, 会产生大量虚假点迹, 影响后续目标跟踪性能。为了滤除虚假点迹, 利用目标的运动特性, 提出了一种多帧聚类与极限学习机分类两级级联的虚假点迹识别方法。首先, 利用基于最优邻域尺寸的多帧聚类方法, 将连续多帧中与待识别点迹属于同一潜在目标的点迹聚类成簇。然后, 计算簇内待识别点迹与其相邻帧内点迹的距离-多普勒速度的差分值, 以其为特征利用极限学习机辨识虚假点迹。实验结果表明, 所提方法能够准确将属于同一目标的点迹聚类, 虚假点迹识别率达到95%。
对扩展目标极化散射特性进行测量时, 通常期望精确获得宽带高分辨条件下目标各散射中心的极化特征信息, 但由于各极化分量散射的信号对测试系统的正交极化通道存在能量泄漏, 会严重影响较弱的极化散射分量的测量准确性。基于极化散射测量定标原理与宽带高分辨极化测量表征模型, 分析了干扰量的产生原因以及对散射中心测试结果的影响机理, 提出了一种基于宽带正交极化纯度估计进而修正复杂目标极化测量结果的方法, 并通过对金属球、金属二面角组合和类弹头金属模型3类典型目标的实测, 验证了其有效性。
海战场环境中, 箔条幕自卫干扰构设前由于未充分考虑风向、风速等因素,容易导致干扰失败, 且无定量化的布放模型。针对此问题, 提出一种新的箔条幕干扰构设方法。基于箔条幕干扰机理分析, 构建干扰场景模型, 具体包含导弹运动模型、舰船运动模型和箔条幕形态模型; 综合考虑干扰有效性和资源损耗性, 提出采用灰狼算法进行箔条幕干扰构设方案求取的思路, 建立相应约束条件(遮蔽有效性约束条件、质心拖引有效性约束条件和干扰能力约束条件)、目标函数和补弹策略, 且采用Logistic混沌映射和反向学习策略改进灰狼算法。最终通过仿真案例分析得出以下结论: 所提出的箔条幕干扰构设方法寻优速率快, 可保证整个对抗过程中舰艇始终能够进行有效自卫干扰。初始时刻构设的箔条幕轴线基本与弹目轴垂直, 而箔条幕质心基本处于弹目轴线附近。风向与风速对自卫干扰效果影响较小, 初始弹目距离主要影响箔条弹用量, 初始反舰导弹攻击方向对自卫干扰效果影响较为明显。当从舰艇尾向进行攻击时, 干扰效果最好; 相反, 从舰艇艏向进行攻击时, 干扰效果最差。
在雷达系统、舰船系统、数据中心等大型复杂系统中, 供配电系统变流器端口阻抗信息的完整、快速、准确获取, 是研判系统可靠性的重要基础。现有研究大都使用分段线性拟合值方法进行阻抗识别, 不仅需要大量阻抗测量才能获得完整的阻抗特性, 并且可能因过度测量而对系统的正常运行造成干扰。针对这些问题, 从阻抗特性曲线的非线性拟合入手, 提出一种“非线性曲线拟合、全局误差估计、优选测量点频率”的阻抗识别方法, 实现基于曲线拟合误差估计的测量点优化选择, 以较少阻抗测量代价获取宽频带阻抗特性。与现有的方法相比, 所提方法更有助于测量点的合理选择、阻抗谐振峰的准确识别, 从而更高效地实现宽频带阻抗的识别, 为复杂供配电系统运行状况的研判提供可靠依据。算例仿真证实了所提方法的有效性。
幅度插值方位估计法通过对少数几个波束采样插值得到来波方位, 避免了密集的方位搜索, 在工程中有广泛的应用。目前该方法大多基于一维, 且使用对称函数进行插值, 估计误差较高。本文通过解耦的方式将该方法由一维推广至二维任意阵, 并考虑真实方位谱在偏离0°后左右波束不对称的情况, 利用左右波束斜率比作为求解条件, 使用非对称函数进行幅度插值。进一步, 针对二维非对称插值中出现的角度失配问题, 提出了迭代插值的解决方法。最后仿真分析了插值方法、迭代插值以及信噪比对插值精度的影响,所提出方法的插值精度优于传统对称插值方法;且通过千岛湖实验数据验证,所提方法以10°间隔插值得到的估计精度可以比拟常规波束形成以0.01°进行密集扫描的估计精度。所提方法能够在满足一些工程应用中对实时性要求的同时达到较高的方位估计精度。
作为非平稳信号的重要特征,瞬时频率(instantaneous frequency, IF)和瞬时调频率(instantaneous frequency rate, IFR)的准确估计具有重要意义。现有方法在处理存在时频交叠的多分量非平稳信号时易发生关联错误等问题。短时调频傅里叶变换通过将信号在时间-频率-调频率三维空间中进行表征,使不同分量发生交叠的可能性大幅降低,且基于频率-调频率的变化规律可实现分量的时序关联。据此,提出一种基于检测-跟踪算法的多分量IF-IFR估计方法。首先,针对传统检测算法在噪声环境下精度不足问题,提出了基于改进YOLOX网络的检测方法,实现了信号瞬时频率-调频率的估计和瞬时形状特征的提取。然后,提出基于卡尔曼滤波的瞬时估计值和形状特征时序关联方法,以形成稳定连续的多分量IF和IFR估计。通过仿真及实测实验对所提算法进行了验证,在设置的仿真场景中,-5 dB信噪比条件下最优估计误差小于0.8 Hz,证明了所提方法的有效性。
针对现有定位节点选择算法依赖先验测量误差的问题, 研究了一种不依赖先验测量误差的时差与频差无源定位节点选择方法, 该方法将两步加权最小二乘定位算法中目标估计误差协方差作为目标函数。在给定可用定位节点数目的情况下, 通过引入一组布尔量构建关于目标函数为带约束的最小估计误差寻优问题, 通过半定松弛技术将非凸问题转为半定规划问题进行求解, 依据最小化问题特性, 使得所提算法不依赖先验测量误差。仿真结果表明, 不依赖测量误差的方法与穷举搜索法相比在定位性能上无太大差别; 相比于穷尽搜索算法, 所提方法复杂度低、实时性好。同时, 仿真结果进一步表明在对运动目标定位过程中, 及时调整定位节点组合的必要性。
小型航空磁异常探测平台的飞行路径优化是提高磁异常信号强度的关键途径之一。然而, 铁磁性目标在地磁场中磁化产生的磁矩大小和方向随其姿态变化, 导致目标磁场的空间分布与不可知的目标姿态相关。针对以上问题,建立了典型目标磁矩精确计算模型, 计算结果表明: 目标在不同姿态(方位0°~360°和俯仰-90°~90°)下被地磁磁化产生的磁矩模值变化范围为3.55×105~2.42×106 A·m2。当目标长轴与地磁场方向一致时取最大值, 当目标长轴与地磁场方向垂直时取最小值, 计算结果与多物理场软件仿真结果的差异仅有0.003%~0.04%。模拟航磁探测过程的建模分析表明: 当目标处于任意姿态时, 目标磁矩在飞行平面内磁异常信号变化最大的路径与地磁场投影的夹角γxy变化范围为0°~50.045 7°; 在目标姿态和磁矩信息未知的情况下, 沿地磁场在飞行平面内的投影方向飞行是最优的选择, 此时, 能获取的磁异常变化量约为飞行平面内最大变化量的78%~100%。
当干扰信号的空域和极化域特征与目标信号相似时, 采用空-极化域联合抗干扰技术在消除干扰的同时也会抑制目标信号, 导致干扰对消后信干噪比(signal to interference plus noise ratio, SINR)低于雷达系统需求, 从而形成干扰对消盲区。针对这一现象, 通过在空域、极化域与空-极化域分别建立交替极化阵列对消盲区模型, 推导了对消盲区位置和大小的数学表达式, 从而给出了交替极化阵列对消盲区的数学表征方法。进而分析了交替极化阵列对消盲区的分布规律与影响因素, 研究发现阵元间距能够显著影响交替极化阵列对消盲区的分布, 在相同条件下交替极化阵列对消盲区大于共点极化阵列对消盲区, 结果表明交替极化阵列虽然通过减少天线数目降低了设备成本, 但增大了阵列的对消盲区。然后, 对消盲区模型进行了数值仿真, 仿真结果验证了理论分析。最后, 利用信道模拟器搭建了实验平台, 信道模拟实验测得的对消盲区与理论值基本一致, 再次证明了分析结论的有效性。
交叉眼技术是对抗单脉冲雷达最有效的方式之一。针对交叉眼干扰多侧重于仿真建模、实验设计及实施复杂等特点, 基于交叉眼干扰原理、单脉冲测角原理和矢量网络分析仪幅相精确测量等特性, 设计了基于喇叭天线、微带天线、幅相调节器和非脉冲矢量网络分析仪组成的非反向交叉眼干扰实验系统。在微波暗室环境下, 先后开展了基于矢量网络分析仪的测角实验和非反向交叉眼干扰实验, 并通过建立干扰天线相位中心电磁仿真模型, 对误差展开了分析。实验和仿真结果表明: 交叉眼干扰下实验测量的角度值与理论角度值随相位差变化趋势一致, 其理论最大角度值与实际最大角度值误差不超过2°, 对应的交叉眼增益误差小于0.5;基于矢量网络分析仪设计的非反向交叉眼实验系统可行, 可模拟非反向交叉眼干扰对被动单脉冲雷达干扰, 亦可部分模拟反向交叉眼干扰应用场景, 为交叉眼干扰机设计和测试提供一定的指导。
为解决无监督单目深度估计边缘深度估计不准确的问题, 提出了一种基于边缘强化的无监督单目深度估计网络模型。该模型由单视图深度网络和姿态网络两部分构成, 均采用编解码结构, 其中单视图深度网络编码器使用高分辨率网络(high-resolution net, HRNet)作为骨干网络, 在整个过程中保持高分辨率表示, 有利于提取精确空间特征; 单视图深度网络解码器引入条状卷积, 细化深度边缘附近的深度变化, 同时利用经典的高斯拉普拉斯算子增强边缘细节, 最终充分利用深度边缘信息提高深度估计质量。在KITTI数据集中进行的实验结果表明: 所提模型具有较好的深度估计性能, 能够使深度图中的目标边缘更加清晰, 细节更加丰富。
在遥感图像分类实际应用中, 深度学习经常面临高光谱数据有效标签不完备、样本多类不平衡和数据分布随时空动态变化等问题, 难以发挥优势。基于上述问题, 提出一个基于人工少数类过采样方法(synthetic minority oversampling technique, SMOTE)和深度迁移卷积神经网络的土地覆盖分类算法。所提算法创新性地采用深度迁移学习, 使算法能够学习不同时空相同地物的相似性, 并利用SMOTE方法对学习数据进行类分布空间优化平衡, 从而解决目标域数据不足和数据类不平衡问题。两组公开的高光谱遥感图像被用来验证所提算法的有效性。实验结果表明, 相比传统的深度学习, 所提算法能够更有效地解决数据不足和数据类不平衡问题提高分类精度。
特征选择是雷达高分辨一维距离像目标识别的关键步骤, 可降低特征维度, 提高特征稳健性。提出一种基于散度的特征选择方法, 采用该方法对适用于距离像地面目标识别的特征集合进行特征选择, 得到优选的特征子集后再进入分类器网络进行识别。采用地面目标仿真数据和实测数据进行神经网络分类器识别实验。实验结果表明: 在距离像信噪比、俯仰角和距离分辨力参数变化的情况下, 基于散度的特征选择方法在基本保持或提升特征集的识别性能的前提下, 能保持甚至提升识别的稳健性, 具有较好的应用价值。
目前已有无人机类型识别算法仅通过通信域或雷达域的信号特征实现单个无人机类型的识别, 存在识别准确率低等问题。提出了一种基于通信信号和雷达信号融合特征的无人机集群类型识别算法。首先, 提取集群通信信号的高阶累积量和瞬时特征统计量, 并融合雷达航迹特征构建无人机集群特征矩阵。其次, 提出一种改进的特征选择算法—二次筛选的近邻成分分析, 对融合特征矩阵进行降维。最后, 利用稀疏自编码器网络进行集群类型的识别。仿真结果表明, 该算法显著降低了集群特征矩阵的维度(仅为原始矩阵维度的27%),同时在信噪比为0 dB时, 对5种集群类型识别的正确率可达88%。
针对合成孔径雷达图像目标检测易受噪声和背景干扰影响, 以及多尺度条件下检测性能下降的问题, 在兼顾网络规模和检测精度的基础上, 提出了一种改进的合成孔径雷达舰船目标检测算法。使用坐标注意力机制, 在确保轻量化的同时抑制了噪声与干扰, 以提高网络的特征提取能力; 融入加权双向特征金字塔结构以实现多尺度特征融合, 设计了一种新的预测框损失函数以改善检测精度, 同时加快算法收敛, 从而实现了对合成孔径雷达图像舰船目标的快速准确识别。实验验证表明, 所提算法在合成孔径雷达舰船检测数据集(synthetic aperture radar ship detection dataset, SSDD)上的平均精度均值达到96.7%, 相比于YOLOv5s提高1.9%, 训练时收敛速度更快, 且保持了网络轻量化的特点, 在实际应用中具有良好前景。
在复杂水声条件下, 针对采用典型运动样式的水下目标的被动检测难题, 研究了一种自适应随机Hough变换检测前跟踪方法对水下旋回运动目标进行检测。首先, 根据水下目标旋回运动特点, 推导了小舵角旋回运动方程。其次, 通过构建自适应关联声纳浮标检测组,采用三浮标最小方差交叉定位技术, 完成了浮标声纳覆盖阵量测信号预处理。然后, 针对水下目标旋回运动的不同阶段, 提出了自适应随机Hough变换检测方法, 得到了初始检测航迹。最后, 通过对初始检测航迹进行点迹优化, 实现了水下目标检测。仿真结果表明,在小测角误差、复杂水声及低信噪比条件下, 该方法的平均检测概率达到60%以上, 整体性能优于现有权威检测方法水平。
时域离散类主瓣干扰在时域上处于离散状态, 干扰训练样本不易提取, 其样本纯度将直接影响干扰抑制效果和目标测角性能。针对时域离散类主瓣干扰背景下的雷达干扰抑制和目标角度估计问题, 提出了一种时域离散类主瓣干扰下基于样本识别的雷达和差测角方法。该方法利用了目标和干扰在和、差通道的时域相关性差异, 由此提取纯净的干扰训练样本, 然后利用空域方位维、空域俯仰维的正交性进行时域离散主瓣干扰抑制, 同时估计目标角度。理论推导和仿真实验表明所提方法具备时域离散类主瓣干扰背景下的较好的雷达测角能力。
针对卫星导航应用中线性调频(linear frequency modulated, LFM)干扰统计特征时变引起的抗干扰性能下降问题, 提出了一种基于数据空时频三维特征分组的空频自适应处理(space-frequency adaptive processing, SFAP)算法。首先通过时频分析方法获取采样数据的时域、频域联合分布, 并利用空间相关系数分析相同频率干扰在不同时间的空间相关性, 然后对SFAP的采样数据进行分组, 将不同时间具有相同频率和到达角参数的采样点分到相同组, 最后利用分组后的数据进行协方差矩阵估计、权值计算和自适应滤波, 提高了干扰特征值、增加了零陷深度、提升了抗干扰能力。仿真结果表明, 所提算法可有效提升卫星导航接收机对LFM干扰的抑制能力, 且对存在单个和多个LFM干扰的场景均能适用。
对于待匹配图像具有旋转、缩放、平移等空间几何变换的图像模板匹配任务, 现有的算法耗时较长, 且准确率不高。针对该问题提出一种高准确率、低运算成本的图像匹配算法, 首先根据中心点与邻域点的像素差来寻找特征点, 进行快速特征检测, 然后以这些特征点为中心, 并以快速特征检测所计算出来的旋转角截取出一定尺寸的图像块。再将这些图像块输入空间变换注意力模块的特征描述子提取网络, 最后使用K最邻近算法计算两张待匹配图像特征描述子中匹配的特征。特征描述子提取网络中引入了空间变换注意力模块, 网络在训练的时候着重对空间信息进行学习, 故所提算法提高了具有较大空间变化图像匹配任务的准确率。在匹配时间方面, 所提的匹配算法仅次于检测和匹配都使用快速特征检测算法的方法。在匹配准确率方面, 所提算法匹配的准确率远远优于实验所比较的其他算法。