目标识别技术
计算机视觉中的目标识别技术
计算机视觉中的目标识别技术计算机视觉是人工智能领域的重要分支，在许多应用领域中发挥着重要作用。
目标识别是计算机视觉的一个关键技术，它可以帮助计算机系统理解和解释图像或视频中的内容。
本文将介绍计算机视觉中的目标识别技术及其应用。
一、目标识别的定义和意义目标识别是指在图像或视频中通过计算机算法自动检测和识别出特定目标的过程。
它是计算机视觉中的核心任务之一，具有广泛的应用前景。
目标识别可以帮助计算机系统实现自主感知和智能决策，为人工智能技术在各领域的应用提供了基础。
二、目标识别的算法原理目标识别的算法原理可以分为传统方法和深度学习方法两大类。
传统方法主要基于特征提取和机器学习技术。
常用的特征提取方法包括边缘检测、直方图特征、尺度不变特征变换（SIFT）等。
机器学习技术常用的分类器有支持向量机（SVM）、朴素贝叶斯和决策树等。
这些方法在一定程度上可以实现目标的快速检测和识别，但在复杂场景中的效果有限。
深度学习方法则是目前目标识别领域的主流。
深度学习通过构建具有多个隐层的神经网络模型，能够从大规模数据中学习和提取高级特征，实现对目标的高精度识别。
典型的深度学习模型包括卷积神经网络（CNN）和循环神经网络（RNN）等。
三、目标识别的应用领域1. 安防监控：目标识别技术可以在视频监控系统中实现人脸识别、车辆识别等功能，帮助警方对违法犯罪行为进行预警和快速响应。
2. 无人驾驶：目标识别可以帮助自动驾驶系统识别道路交通标志、行人、车辆等，并根据识别结果进行智能驾驶决策。
3. 医疗影像：目标识别技术在医学影像分析中可以帮助医生自动识别疾病标记物、辅助疾病诊断和治疗。
4. 工业质检：目标识别可应用于产品质量检测，自动识别和分类产品缺陷，提高生产线的自动化程度和质量管控水平。
5. 增强现实：目标识别可以在增强现实应用中实现实时的目标跟踪和虚拟物体叠加，丰富用户的视觉体验。
四、目标识别技术面临的挑战和发展趋势虽然目标识别已经取得了显著的进展，但仍然存在一些挑战。
目标识别综述
目标识别综述
目标识别是指从深度学习算法视觉中获取图像的过程，它是人工智能的重要组成部分。
它的工作原理是在图像的结构中检测和识别物体，并将其划分到合适的类别中。
研究表明，结构扭曲和形式变换往往会极大地影响目标识别系统的准确性。
目标识别系统有很多不同类型，其中包括支持向量机（SVM）、学习向量量化（LVQ）、共生矩阵（CM）、多层感知器（MLP）等。
这些系统可以通过分析图像的像素，特征，形状和颜色，来对目标进行识别。
它们可以帮助建立分类算法，识别图像中的重要特征，检测图像中的更细致的元素，并可以追踪和识别动态图像中的物体。
将机器学习与目标识别结合起来，使人们能够构建出功能强大的系统来给图像标记、分类和检索物体。
此外，通过深度学习技术，目标识别可以实现视觉分析、运动检测和行为识别等功能，从而使目标识别算法应用得更加广泛。
总之，目标识别是一种以深度学习为基础的计算机视觉技术，它可以实现多种功能，如图像标记、图像分类和图像检索等。
它借助多种机器学习算法，对图像结构进行分析，以准确识别目标，并可以追踪和识别动态图像中的物体。
自动驾驶技术中的目标识别与跟踪技术
自动驾驶技术中的目标识别与跟踪技术自动驾驶是未来最有前途的科技发展之一。
自动驾驶技术，就是让车辆在没有司机的情况下，自主地完成驾驶过程。
这项技术的发展，需要涵盖一系列领域的协同合作，如路径规划，交通灯和路标的识别，车辆间的通信等等。
在这些核心技术之中，目标识别与跟踪技术是非常关键的一环。
因为如果无法对周围的环境进行快速准确的识别与跟踪，那么整个系统将无法安全稳定地运行。
目标识别技术目标识别是自动驾驶技术中非常重要的一环，它可以帮助车辆感知周围环境中的其他物体，例如行人，车辆，障碍物等等。
目标识别技术的研究和发展主要有两个方向，一个是基于传感器的视觉感知，另一个是基于雷达和激光雷达的技术。
基于传感器的视觉感知基于传感器的视觉感知主要指通过安装各类高精度的相机，来获取周围环境的图像信息。
当前的自动驾驶技术主要采用了立体视觉技术和深度学习技术作为目标识别的主要手段。
立体视觉技术可以像人眼一样，在识别物体时进行三维感知，有着非常精确的定位和跟踪系统。
深度学习技术借助于深度人工神经网络，可以在大量数据输入的情况下加工训练，较好地模拟和优化人脑神经网络的学习和分析能力，通过对大量数据集的学习识别，可以识别各种交通标志和路面标记，使车辆能够更好地了解周围环境，并作出相应的驾驶决策。
基于雷达和激光雷达的技术目前，除了基于相机的目标识别技术，还有一种广泛应用的技术基于雷达和激光雷达。
雷达技术可以帮助车辆在天气恶劣或者光线不好的情况下，通过向目标发射一束电波，根据目标反射回来的信息，实现目标检测和定位。
激光雷达技术较为先进，是一种能够将激光束扫过周围环境，根据激光束反射回来的信息，实现对周围环境三维重建和目标检测的高精度技术。
目标跟踪技术除了目标识别之外，目标跟踪也是自动驾驶技术中的核心技术之一。
目标跟踪的技术就可以根据目标的识别结果，对目标进行跟踪，并及时更新目标位置信息，以保证车辆在行驶过程中，对目标的实时控制和监控。
目标识别应用场景
目标识别应用场景在现代科技快速发展的时代，目标识别技术成为了一个热门的研究领域。
目标识别应用广泛，涵盖了许多不同的领域。
以下将从几个典型的应用场景进行描述，以展示目标识别技术的重要性和潜力。
1. 安防监控领域目标识别在安防监控领域起着至关重要的作用。
传统的监控摄像头只能提供图像或视频，但无法自动检测和识别其中的目标物体。
而目标识别技术可以通过分析图像或视频中的像素信息，自动识别出人、车等目标物体，并进行跟踪。
这使得安防人员可以更加高效地监控和管理大面积的区域，及时发现和处理异常事件，提高安全性和效率。
2. 交通管理领域目标识别技术在交通管理领域也有着广泛的应用。
例如，交通信号灯控制系统可以利用目标识别技术来检测路口的车辆数量和流量，从而智能地调整信号灯的状态，降低交通拥堵和事故风险。
此外，目标识别还可以用于车辆违法行为的监测和记录，如闯红灯、逆行等，提高交通管理的效率和准确性。
3. 医疗诊断与治疗领域在医疗领域，目标识别技术可以帮助医生进行疾病的诊断和治疗。
例如，在肿瘤诊断中，目标识别技术可以通过分析医学影像数据，识别出患者体内的肿瘤并进行定位和分析，为医生提供更准确的诊断结果和治疗方案。
此外，目标识别技术还可以用于手术辅助，帮助医生实现精确的手术操作，提高手术的成功率和患者的安全性。
4. 智能交互领域目标识别技术在智能交互领域也有着广泛的应用。
例如，智能语音助手可以利用目标识别技术来识别用户的面部表情和手势，从而实现更加智能和自然的交互方式。
此外，目标识别技术还可以用于虚拟现实和增强现实领域，通过识别用户的动作和姿态，实现更加沉浸式和交互性强的虚拟体验。
目标识别技术在各个领域都有着重要的应用价值。
它不仅可以提高工作效率和安全性，还可以改善用户体验和生活质量。
随着科技的进步和应用场景的不断扩展，相信目标识别技术将在未来发挥更加重要的作用，为人们带来更多便利和福祉。
机器视觉中的目标识别技术研究
机器视觉中的目标识别技术研究机器视觉是计算机科学的一个重要分支，研究如何使计算机能够“看到”和理解图像。
在机器视觉的研究中，目标识别技术是一个关键的研究方向。
目标识别技术旨在通过计算机视觉算法，自动地检测和识别出图像或视频中的目标物体。
目标识别技术在许多领域中具有广泛的应用，包括自动驾驶、安防监控、机器人技术、医学影像分析等。
通过目标识别技术，计算机可以对图像或视频进行分析，并根据识别结果进行相应的决策和处理。
目标识别技术的研究主要包括以下几个方面：1. 特征提取：在目标识别过程中，计算机需要从图像或视频中提取出有用的特征，以便对目标进行识别。
常用的特征提取方法包括边缘检测、颜色直方图、纹理特征等。
目标识别的准确性和效率很大程度上取决于特征提取的质量和效果。
2. 目标检测：目标检测是指在图像或视频中定位和标记出目标物体的位置和边界框。
常见的目标检测方法包括基于特征的方法、基于模型的方法和基于深度学习的方法。
随着深度学习技术的发展，基于深度学习的目标检测方法在准确性和效率上取得了显著的提高。
3. 目标识别：目标识别是指通过分析图像或视频，确定目标物体的类别或身份。
目标识别算法通常使用训练好的模型和分类器，将图像中的目标与已知的目标类别进行匹配。
常用的目标识别方法包括支持向量机、卷积神经网络等。
4. 目标跟踪：目标跟踪是指在连续帧的图像或视频中，追踪目标物体的位置和运动轨迹。
目标跟踪技术在许多实际应用中非常重要，如视频监控和自动驾驶等。
常见的目标跟踪方法包括基于特征的方法、基于学习的方法和基于深度学习的方法。
随着计算机硬件性能的提升和算法技术的进步，目标识别技术在实际应用中取得了显著的进展。
然而，目标识别仍面临一些挑战和问题，如复杂场景中的目标识别、遮挡和光照变化等。
为了提高目标识别的准确性和鲁棒性，研究人员正在不断提出新的算法和方法。
总的来说，目标识别技术在机器视觉领域具有重要的研究意义和应用价值。
《NAO机器人的目标识别与运动设计》范文
《NAO机器人的目标识别与运动设计》篇一一、引言随着科技的飞速发展，机器人技术已成为当今社会的重要研究领域。
NAO机器人作为一款具有高度自主性和智能性的机器人，其目标识别与运动设计技术显得尤为重要。
本文将详细探讨NAO 机器人的目标识别与运动设计技术，包括其基本原理、实现方法以及应用场景。
二、NAO机器人的目标识别技术1. 基本原理NAO机器人的目标识别技术主要基于计算机视觉和图像处理技术。
通过安装在高精度摄像头的传感器阵列，NAO能够获取环境中的视觉信息。
通过图像处理和机器学习算法，NAO可以实现对目标的自动识别和跟踪。
2. 实现方法（1）图像预处理：NAO机器人首先对获取的图像进行预处理，包括去噪、增强对比度等操作，以提高图像质量。
（2）特征提取：通过使用特定的算法，从预处理后的图像中提取出目标的特征信息，如形状、颜色、大小等。
（3）目标识别：利用机器学习算法对提取的特征信息进行分类和识别，从而实现对目标的准确识别。
（4）跟踪与交互：一旦目标被识别，NAO机器人将通过摄像头和传感器阵列进行实时跟踪，并根据需要进行交互操作。
3. 应用场景NAO机器人的目标识别技术广泛应用于各种场景，如智能家居、安防监控、无人驾驶等。
在智能家居中，NAO机器人可以通过识别家庭成员的行为和需求，提供个性化的服务。
在安防监控中，NAO机器人可以实现对目标的实时跟踪和监控，提高安全性能。
在无人驾驶领域，NAO机器人的目标识别技术可以帮助车辆更准确地识别道路上的障碍物和行人，提高行驶安全性。
三、NAO机器人的运动设计技术1. 基本原理NAO机器人的运动设计技术主要基于动力学和运动学原理。
通过分析机器人的结构、质量和力等参数，以及环境因素对机器人运动的影响，设计出合理的运动轨迹和策略。
2. 实现方法（1）运动规划：根据任务需求和环境因素，为NAO机器人规划出合理的运动轨迹和姿态。
（2）运动控制：通过控制算法和执行器，实现对NAO机器人运动的精确控制。
基于机器人视觉的目标识别与追踪研究
基于机器人视觉的目标识别与追踪研究机器人技术的快速发展以及人工智能的智能化应用，使得机器人视觉系统成为机器人感知和交互的关键组成部分。
目标识别与追踪是机器人视觉领域的重要研究方向之一，它为机器人提供了对环境中目标物体的感知和跟踪能力，具有广泛的应用价值。
本文将重点介绍基于机器人视觉的目标识别与追踪研究的相关技术和应用。
一、目标识别技术目标识别是指通过机器视觉系统对环境中的目标物体进行自动检测和识别。
目标识别技术的发展主要依赖于计算机视觉和深度学习等相关领域的技术进步。
1.特征提取特征提取是目标识别的关键步骤之一，它通过对目标物体周围的像素进行处理，提取出具有区分能力的特征用于目标分类。
常用的特征提取方法包括颜色特征、纹理特征、形状特征等。
例如，颜色特征可以通过在RGB或HSV颜色空间中计算目标物体区域的颜色直方图来表示。
2.目标分类目标分类是指将提取到的特征与预先定义的目标类别进行比对，从而确定目标物体的类别。
传统的目标分类方法主要基于机器学习算法，如支持向量机、决策树等。
而深度学习的发展，特别是卷积神经网络(CNN)的兴起，使得目标分类的准确率得到了显著提升。
二、目标追踪技术目标追踪是指在连续的图像序列中跟踪目标物体的位置和运动状态。
目标追踪技术的发展旨在解决目标在复杂环境下的姿态变化、遮挡、光照变化等问题，使得机器人能够更加准确地进行目标跟踪。
1.基于特征点的追踪基于特征点的追踪是一种传统的目标追踪方法，它通过提取图像中的特征点，并利用特征点的运动信息进行目标追踪。
典型的算法包括Lucas-Kanade光流法、SURF特征等。
这些方法在一些简单场景下具有较好的鲁棒性，但对于复杂场景和遮挡情况下的目标追踪效果有限。
2.基于模型的追踪基于模型的目标追踪方法通过对目标物体进行建模，并利用目标模型与当前帧图像的匹配程度来进行追踪。
常见的方法包括卡尔曼滤波器、粒子滤波器等。
这些方法在对目标变化复杂的情况下具有较好的鲁棒性，但对计算资源要求较高。
目标识别技术的发展与应用
目标识别技术的发展与应用随着技术的不断发展，目标识别技术渐渐成为人们关注的焦点。
目标识别技术是一种通过图像、声音等信号进行人、物、事物等目标的自动识别和跟踪的技术。
随着人工智能技术的发展，目标识别技术将发挥更加重要的作用。
一、目标识别技术的发展历程目标识别技术的发展历程可以追溯到上世纪五六十年代。
当时，军方开始研究如何从飞机拍摄的照片中识别地形和目标。
最早的目标识别技术主要依靠图像特征分析，通过分析目标的颜色、纹理、轮廓等特征来识别目标。
随着计算机技术的发展，人工智能技术开始应用于目标识别领域。
20世纪90年代以来，目标识别技术在语音识别、人脸识别、文本识别等领域得到了广泛应用。
近年来，随着深度学习技术的兴起，目标识别技术得到了进一步的提升。
二、目标识别技术的应用现状目标识别技术已经在多个领域得到了应用，下面将分别介绍几个具有代表性的应用案例。
1. 机器人视觉目标识别技术在机器人视觉领域得到了广泛应用。
机器人可以通过目标识别技术来识别环境中的障碍物和物品，并进行相应的操作。
例如，机器人在工厂中可以通过视觉系统来识别产品，然后将其放置到正确的位置。
2. 智能监控目标识别技术被广泛应用于智能监控领域。
监控系统可以通过目标识别技术来识别并跟踪监控区域内的人员和车辆。
一旦发生异常情况，系统会立刻发出警报。
这种技术的应用可以帮助提高安全性和监督效率。
3. 自动驾驶目标识别技术是自动驾驶技术中不可或缺的一部分。
通过识别道路上的行人、其他车辆、交通标志等，自动驾驶系统可以实现自动控制车辆的行驶方向、速度等。
这将大大提高交通安全性和行驶效率。
三、目标识别技术的未来发展目标识别技术的发展前景非常广阔，下面将从几个方面展开说明。
1. 深度学习技术的进一步提升随着深度学习技术的不断发展，目标识别技术将得到进一步提升。
目前最先进的深度神经网络结构可以进行识别物体的二维和三维建模，可以大幅度提高目标识别的准确性和效率。
2. 多模态融合技术的应用多模态融合技术是指将多种传感器的数据融合在一起，并通过相应的算法进行分析，以提高目标识别的精度和速度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目标识别技术摘要：针对雷达自动目标识别技术进行了简要回顾。
讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。
最后分析了问题的可能解决思路。
引言：雷达目标识别技术回顾及发展现状雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。
但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。
几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标识别理论和技术。
随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。
电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反映一个国家的军事实力和作战能力。
雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。
但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。
目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。
目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。
目标识别还可利用再入大气层后的大团过滤技术。
当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。
所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。
随着科学技术的发展，武器性能的提高，对雷达目标识别提出了越来越高的要求。
目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。
为了提高我国的军事实力，适应未来反导弹、反卫、空间攻防、国土防空与对海军事斗争的需要，急需加大雷达目标识别技术研究的力度雷达目标识别策略主要基于中段、再入段过程中弹道导弹目标群的不同特性。
从结构特性看，飞行中段的威胁目标群可粗分为球锥类、球、角反射器、圆柱及碎片等，形体相对简单，通过高分辨成像进行区分是可行的。
从姿态特性看，各目标的飞行姿态特性主要取决于母舱释放弹头和诱饵时的阶段，一般情况下，弹头自旋稳定飞行以保持空间定向，由于释放过程中不可避免地将对弹头产生一定的横向扰动，可能使弹头产生进动；另外，当弹头章动角较大，或者母舱投放弹头时因为某些不可控制的原因，甚至是母舱事先设计好的，弹头有可能产生翻滚，模拟弹头形状的诱饵通常也会产生翻滚。
再入段是导弹防御的最后一个屏障，防御系统可以根据各再入目标的运动状态估算出质阻比，区分出轻重目标。
具体步骤如下：（1）通过高分辨雷达成像获取目标的结构特征信息，从目标群中识别出具有锥体结构特性的目标。
（2）根据锥体目标的进动数学模型，结合锥体目标在不同姿态角下,-.，得到目标进动状态下的回波模板，当确定锥体目标,-. 回波周期分量中不是目标翻滚时，基于,-. 序列估计出章动角和进动周期，进而计算出目标的惯量比等特征。
（3）为保证对所有真弹头进行有效拦截，在再入段通过跟踪目标运动状态估计其质阻比，基于此排除轻诱饵。
（4）将上述不同措施确定出来的威胁目标作为“威胁目标”，通过积累观测综合评判目标类型。
研究方法现代雷达（包括热雷达和激光雷达）不但是对遥远目标进行探测和定位的工具，而且能够测量与目标形体和表面物理特性有关的参数，进而对目标分类和识别。
目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。
目标识别还可利用再入大气层后的大团过滤技术。
当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。
雷达目标识别模型雷达目标识别需要从目标的雷达回波中提取目标的有关信息标志和稳定特征并判明其属性。
它根据目标的后向电磁散射来鉴别目标，是电磁散射的逆问题。
利用目标在雷达远区所产生的散射场的特征，可以获得用于目标识别的信息，回波信号的幅值、相位、频率和极化等均可被利用。
对获取的目标信息进行计算机处理，与已知目标的特性进行比较，从而达到自动识别目标的目的。
识别过程分成三个步骤：目标的数据获取、特征提取和分类判决。
整个识别过程可以分为两个阶段：训练（或设计）阶段和识别阶段。
前者用一定数量的训练样本进行分类器的设计或训练，后者用所设计或训练的分类器对待识别的样本进行分类决策。
训数据获取是对各已知目标进行测量，取得目标的训练数据。
测试数据获取是获得未知种类目标的测量数据；测量数据的获得可采用目标的靶场动态测量、外场静态测量、微波暗室缩比模型等。
特征提取模块从目标回波数据中提取出对分类识别有用的目标特征信息。
特征空间压缩与变换模块对特征信息进行特征空间维数压缩与变换，得到具有高同类聚合性和异的训练样本进行分类器的设计。
类间可分离性的特征。
分类器设计模块根据已知类别目标分类模块完成对未知目标的分类判决。
近年来理论研究和实际应用比较成功的目标识别方法有以下4类。
一基于目标运动的回波起伏和调制谱特性的目标识别这类方法大都基于目前广泛使用的雷达时域一维目标回波波形，抽取波形序列中包含的目标特征信息来实现目标分类。
这类研究已获得一些成功应用。
1）利用目标回波起伏特性的识别空中目标对低分辨力雷达来讲可以看作点目标，其运动过程中，目标回波的幅度和相位将随目标对雷达的相对姿态的不同而变化，根据目标回波的幅度与相位的变化过程，判断其形状，对复信息数据进一步分析，可以判断目标的运动情况。
2）利用动态目标的调制谱特性的识别动态目标如飞机的螺旋桨或喷气发动机旋转叶片、直升机的旋翼等目标结构的周期运动，产生对雷达回波的周期性调制。
不同目标的周期性调制谱差异很大，因而可用于目标识别。
Bell 等详细分析了喷气发动机的调制（JEM）现象，并建立了相应的数学模型，为利用JEM 效应进行目标识别奠定了理论基础。
二基于极点分布的目标识别目标的自然谐振频率又称为目标极点，“极点”和“散射中心”分别是在谐振区和光学区建立起来的基本概念。
目标极点分布只决定于目标形状和固有特性，与雷达的观测方向（目标姿态）及雷达的极化方式无关，因而给雷达目标识别带来了很大方便。
目标极点的概念出现于1971年。
1975年，Blaricum等首先提出了直接从一组瞬态响应时域数据来提取目标极点的prony方法，使用提取出的目标极点作为目标特征，而通过将提取到的目标极点与目标库的目标极点进行匹配完成目标识别过程。
80年代以来，关于目标极点的研究主要集中在如何提高算法本身的抗噪能力和估算精度方面。
提取目标极点的函数束法(POF）以及广义函数束法（GPOF）等，在极点的估计精度以及抗噪能力方面均优于Prony法。
除了直接求目标的极点外，由于目标的极点与目标的频率响应存在一一对应的关系，人们还研究了由目标的频域响应来识别目标的方法，典型方法有，从目标的频域响应来识别目标的方法；获取目标极点的频域Prony 法（FDPM）；由于频域法的目标极点估算精度同样受到噪声和杂波的限制，具有改善作用的数据多重组合法被提出。
为避开需要实时地直接从含噪的目标散射数据中提取目标的极点，基于波形综合技术的目标识别方法被得到广泛重视。
它将接收到的目标散射信号回波与综合出来的代表目标的特征波形进行数字卷积，再根据卷积输出的特征来判别目标。
E-脉冲法（9）、频域极大极小拟合匹配法（10）等，都避开了直接提取目标极点，减小了运算量。
三基于高分辨力雷达成像的目标识别借助高分辨力雷达对目标进行一维或二维距离成像，或采用合成孔径雷达或逆合成孔径雷达对目标成像得到二维雷达图像，可获取目标的形状结构信息。
由于一维距离像的获取相对简单，利用一维距离像进行目标识别的方法在80 年代以后被得到广泛重视和深入研究。
基于一维距离像的目标识别方法，在舰船目标〔11〕、坦克、车辆等地面目标〔12〕〔13〕、飞机目标〔14〕识别中分别获得了较高的正确识别率。
由于目标的一维距离像常会受目标之间、目标各散射点之间的相互干涉、合成等交叉项的影响，限制了识别率的提高，因而距离像方法被提出并〔15〕获得了较高的识别率。
为改善目标识别的性能，可以将目标一维距离像与其它目标特征（如极化特征〔16〕）相结合。
对于基于二维雷达图像的目标识别，可利用图象识别技术来进行，这是目标识别领域中最为直观的识别方法，但是如何获得高质量的目标二维图像是进行目标识别的首先要解决的问题。
四基于极化特征的目标识别极化是描述电磁波的重要参量之一，它描述了电磁波的矢量特征。
极化特征是与目标形状本质有密切联系的特征。
任何目标对照射的电磁波都有特定的极化变换作用，其变换关系由目标的形状、尺寸、结构和取向所决定。
测量出不同目标对各种极化波的变极化响应，能够形成一个特征空间，就可对目标进行识别。
化散射矩阵（复二维矩阵）〔17〕完全表征了目标在特定姿态和辐射源频率下的极化散射特性。
对目标几何形状与目标极化特性的关系的研究结果表明(18)，光学区目标的极化散射矩阵反映了目标镜面曲率差等精密物理结构特性。
早在50年代初期，利用极化特征来识别目标的原理(19)就已被提出，美国在50-60 年代已将用极化散射矩阵识别目标的技术初步应用于远程测量雷达和大型相控阵雷达中，可粗略识别简单形状的外空目标。
通过对目标极化特性的研究，最佳极化的概念〔19〕被提出，产生了基于零极化、特征( 本征极化等极化不变量的目标识别技术。
经过近)20 年的发展，已经出现了许多种利用极化信息进行雷达目标识别的方法，其主要方法分为：1）根据极化散射矩阵识别目标根据极化散射矩阵来识别目标是利用极化信息识别目标的基本方法。