基于特征车的汽车车型识别
相关主题
- 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)。
$ *!
（ "） 时间平均图像 （ #） 当前图像 （ $） 背景减除后图像 （ %） 标准化后图像 图! 预处理效果图
!&’
滤波去噪 由图 （ 中可以看出， 背景减除后的图像存在 ! $）
不少噪声污染， 采用中值滤波这种非线性滤波方法 来处理， 得到了较好的效果。中值滤波的基本原理 是把数字图像或数字序列中一点的值用该点的一个 邻域中各点值的中值代替。 !&(
由于后面用到的 ) * + 变换方法在本质上依赖 于图像灰度在空间分布上的相关性， 因此需要先对 车辆图像进行一系列的预处理， 以达到位置校准和 灰度归一的目的。为此， 首先对图像进行缩小和放 大变换， 得到统一大小的校准图像 （宽 , 高为： !’- , 。然后再对校准图像做灰度拉伸， 以改善图像的 ./） 对比度。最后采用直方图修正技术使图像具有统一 的均值和方差。经过预处理， 得到了所谓的 “标准图
!"#$%&" ’"%()*$+$(* ,-."/ (* "$)"* : 0"#$%&"
/0.’ ,?@A?B
（1"*+’-& 2(3+# 4(’".+’5 6*$0"’.$+5，1#-*).#- %8$$$%，1#$*-）
7,.+’-%+：4CD?EFC GCEHIB?J?HB ?K 6B ?LMHGJ6BJ M6GJ HN ?BJCFF?ICBJ JG6BKMHGJ6J?HB K7KJCL5 ’HO，JDC JCEDBHFHI7 HN PCD?EFC GCEHIB?J?HB ?K ACEHL?BI 6 DHJ JHM?E 6FF HPCG JDC OHGFQ 5 &B JD?K M6MCG，OC MGCKCBJ 6 R?BQ HN LCJDHQ HN PCD?EFC GCEHIB?J?HB A6KCQ HB C?ICB : PCD?EFC 5 (?GKJF7，OC MGCMGHECKK JDC PCD?EFC ?L6ICK 5 -DCB OC AS?FQ JDC C?ICB : PCD?EFC JDGHSID JDC SKC HN 9 : 1 JG6BKNHGL 6BQ I6?B 6 KM6EC O?JD FHOCG Q?LCBK?HB 5 ,J F6KJ，OC GCEHI@ B?TC JDC PCD?EFCK SK?BI BCSG6F BCJOHGR 5 8"5 9(’/.：PCD?EFC GCEHIB?J?HB；9 : 1 JG6BKNHGL；BCSG6F BCJOHGR
收稿日期： !$$= : 8! : !! 作者简介： 陈爱斌 （8>U8 : ） ， 男， 中南林学院讲师， 兰州大学计算数学 专业学士， 中南大学计算机应用技术专业硕士， 主要研究 方向为计算机图像处理、 模式识别。
以直接使用差分方法分割出作为前景的物体。这种 称之为差分方法一般能够提供最完全的特征数据。 然而， 对于不可控制的环境， 由于背景图像的动 态变化， 如天气、 光照、 行人、 影子及混乱干扰等的影 响， 差分方法对此特别敏感。在相对稳定的环境下， 可以假设背景变化缓慢， 且符合一定的分布规律， 通 过建立背景模型， 实施差分方法来检测运动物体， 可 以获得很好的效果。大部分的研究人员目前都致力 于开发不同的背景模型， 以期减少动态场景变化对 于运动分割的影响。最简单的背景模型是时间平均 图像， 本文正是使用连续五幅图像求其时间平均图 像作背景。背景减除的效果如图 ! 所示。
像” （如图 （ 所示） 。 ! %）
’
由 ) * + 变换得到特征车
人们将其应用 ) * + 变换是一种最优正交变换， 于特征提取， 形成了子空间法模式识别的基础， 本文 将它应用于车型识别。 该方法以规一化的标准图像作为训练样本集， 以该样本集的总体散布矩阵为产生矩阵， 即：
# （ " * !） （ " * !） ｝ 或 0 !｛ $ *! ! # （ "% * !） （ "% * !） （!） ! 0 $! % *1 其中： "% 为第 % 个训练样本的图像向量， ! 为训
［8］ 图像预处理主要包括三个步骤： 背景减除 、 滤 波去噪、 图像标准化。
858
背景减除 首先， 必须从车辆序列图像中将车辆从背景图
像中提取出来。车辆的有效分割对于 9 : 1 变换及 最终的车型分类等后期处理是非常重要的， 因为以 后的处理过程仅仅考虑图像中对应于车辆运动区域 的像素。 背景减除方法是目前运动分割中最常用的一种 方法， 它是利用当前图像与背景图像的差分来检测 出运动区域的一种技术。在可控制环境下， 或者在 很短的时间间隔内， 可以认为背景是固定不变的， 可
图 ’ “特征车” 图像
(
利用神经网络识别车型
任何一幅车辆图像都可以向由特征车张成的降
神经网络是模式识别中一种非常有效的非线性 分类器， 被广泛地用于模式识别， 本文采用 ( 层 23 神经网络方法进行车型识别。 反向传播 （ 23） 网络是典型的前馈型网络， 从结 构上它属于多层网络， 分为输入层、 隐层和输出层， 层与层之间多采用全互连
$
引言
多年来出现了各种各样的车型识别技术， 其中
8
图像预处理
绝大多数是通过检测车辆的某些几何参数来归纳分 类的。为实现自动车辆识别、 分类， 这些方法需要做 的第一步就是探测、 摄取车辆的某些特征信息。在 车辆的所有特征中， 可以用来识别和区分车型的通 常有车辆的外型 （长、 宽、 高等） 、 车辆的轴重或轴距、 车辆轴重及总重、 车辆号牌、 发动机排气量、 车辆可 以乘载的人员数或载重量等等。在这些特征中， 有 一部分可以用于自动车辆识别和分类， 因为有的特 征可以用仪器不停车探测、 提取， 有的则不能自动识 别， 如排气量、 司乘人员数等。 的方 本文引入了一种基于特征车 （9 : 1 变换） 法， 利用图像代数特征来进行车型识别。首先对车 辆图像进行预处理， 然后将预处理后的标准化图像 采用 9 : 1 变换构造特征车， 最后利用 ;< 神经网络 对车型进行识别。实验证明了该算法的有效性。 — %% 万方数据 —
%
$ 计算并保存各权值修正量 Z% "$ &% # !（ # !（ %$ # ）X $ %$ # # &） % 修正权值 （ Z# !（ !（ %$ # Z &）X ! %$ # ） %$ # ） 实验中， 用前面所描述的各车辆图像向特征车 子空间投影得到的系数向量作为神经网络的输入， 将车辆图像的类别标志作为网络的输出。
（下转第 /- 页）
维子空间做投影并获得一组坐标系数。设任一幅车 辆图像为 " ， 则通过向特征车子空间投影得到其系 以下正是将各车辆图像的该系 数向量为： * 0 +# " 。 数向量作为输入向量进行车型识别。
万方数据
— /4 —
从图中可以看到， 在对跳频通信系统危害最大 的两种干扰下， 自适应跳频系统的抗干扰性能大大 提高， 其误码率平均有 & # ! 个数量级的改善。在常 规跳频系统已经不能正常工作的区间内， 自适应跳 频系统仍然工作良好。 从图中也可以看到， 自适应跳频系统在频道阻 塞率达到 ’ ( ) 以后， 误码率将快速增大， 系统性能大 大降低。从式 （*） 可知， 这时可采取两种方案改善系 统性能。一是减小 + 值， 每帧数据量越小， 系统误码 率越低。二是通过调整发射机功率或者 +$, 单元 检测门限， 降低 $ 值。 参 考 文 献：
第 !" 卷 第 # 期 !$$% 年 # 月
信 息 技 术 &’()*+,-&)’ -./0’)1)23
4)15 !" ’)5 # +67 !$$%
基于特征车的汽车车型识别
陈爱斌
（中南林学院，长沙 %8$$$%）
摘
要：车型识别是智能交通系统中的一个重要组成部分，近年来，车型识别技术已成为国内
外研究热点之一。提出了一种基于特征车的车型识别方法。该方法首先对车辆图像进行预处理， 然后通过 9 : 1 变换构造特征车，得到降维特征子空间，最后利用 ;< 神经网络进行车型识别。 关键词：车型识别；9 : 1 变换；神经网络 中图分类号： -<=>8 5 %8 文献标识码： , 文章编号： （!$$%） 8$$> : !##! $# : $$%% : $!
JFra Baidu bibliotek
结论
本文将它应用 3 # + 变换是一种最优正交变换， 于车型识别。实验中， 将现场采集的一组车辆图像 共 TJ 幅按上述算法流程进行处理， 能正确识别的车 辆 J[ 幅， 识别率达 [[ ( *\ 。实验结果表明， 该方法 简单有效。 参 考 文 献：
［&］ 王亮， 胡卫明， 谭铁牛 ( 人运动的视觉分析综述 ［ 7］ ( 计算机学 报， !’’!： !T ( ［!］ 彭辉， 张长水， 荣刚， 边肇祺 ( 基于 3+ 变换的人脸自动识别方 法 ［ 7］ （%） ： ( 清华大学学报， &**)， %) ]) # )’ ( ［!］ 林福严， 等 ( 人脸特征的定位与提取 ［ 7］ ( 电子技术应用， !’’’， （)） ： &) # !& ( 责任编辑： 张棣
［’］ 图像标准化
"% "
) #%
这就是图像的特征向量。 这样每一幅车辆图像都可以投影到由 (1 ， …， (! ， 因此每幅车辆图像对应于子空 ($ *! 张成的子空间中。 间中的一个点。 同样， 子空间中的任一点也对应于一幅 图像 — — — 特征车 （如图 ’ 显示的是 (1 ， …， (!， (. 所对 应的图像） ， 有了这样一个由 “特征车” 张成的降维子空 间， 任何一幅车辆图像都可以向其做投影并获得一组 坐标系数， 这组系数表明了该图像在子空间中的位置， 从而可以作为车型识别的依据。
图!
部分频带噪声干扰下 " # $ 曲线
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 方式， 同一层之间不存在相互连接。网 （上接第 JT 页） # 从后向前计算隐层"$ 络中每一层权值都可通过学习来调节， B" 网络实现 了多层网络学习的设想， 其学习过程包括输出计算 和反向误差传播两部分。当给定网络的一个输入模 式时， 它由输入层单元传到隐层单元， 经隐单元逐层 处理后再送到输出层单元， 由输出层单元产生一个 输出模式， 这是一个逐层状态更新过程， 称为前向传 播。如果输出响应与期望输出模式有误差， 不满足 要求， 那么就转入误差反向传播， 将误差值沿连接通 路逐层传送并修正各层连接权值。对于给定的一组 样本， 不断用一个个训练模式进行学习， 重复输出计 算和误差反向传播过程， 当各个训练模式都满足要 求时， B" 网络训练完毕。 B" 算法具体步骤如下： 选定权系数初始值。 （&） （!） 重复下述过程直至收敛 （对各样本依次计 算） 。 !从前向后各层计算各单元 6W !"# $ X （ "$ X & "( $ & # &$ ） "!$(
!
练样本集的平均图向量， $ 为训练样本的总数。 将! 表示为 ! ! # # （ "% * !） （ "% * !） 0 && （’） ! $! $ % *1 其中 & 0［ " 1 * !， …， " ! * !， "$ *! * !］ 0 （(） 构造矩阵： ’ 0 &# & 容易求出矩阵 ’ 的特征值 "% 及相应的正交归一 （ …， 从而易得! 的 特征向量# !， ’， $ * !） % % 0 1， 正交归一特征向量 (% 为 (% 0 ! …， % 0 1， !， ’， $ *! （/）
［&］ 查光明， 等 ( 扩频通信 ［-］ ( 西安电子科技大学出版社， &**’ ( ［!］ -./012 3 41562，715 3 859/.，:6;</= , 4>?6@=A，B.//C 3 +<01== ( ［-］ 4D/<.E 4D<>=/95 F655921>.=162G H.2E;66I ( 人民邮电出版社， !’’! ( ［%］ 俞世荣， 李渊渊 ( 自适应跳频技术及其实现 ［ 7］ ( 无线电工程， （&） !’’&， ( ［J］ K.2E</ 7，-.@5L/<2 M( ,E.D=10< N/<O9<2>C ?6DD12L 12 HP >655921Q ［ 7］ （!） ( RSS( "/6>( F65592( & # **T， &J! ( >.=162G ［T］ 沈连丰， 邹乐， 等 ( 一种适用于 U",V 应用环境的高速自适应跳 频系统及其性能分析 ［ 7］ （&’） ( 电子学报， !’’!， ( 图% 多音干扰下 " # $ 曲线 责任编辑： 李光辉
（ "） 时间平均图像 （ #） 当前图像 （ $） 背景减除后图像 （ %） 标准化后图像 图! 预处理效果图
!&’
滤波去噪 由图 （ 中可以看出， 背景减除后的图像存在 ! $）
不少噪声污染， 采用中值滤波这种非线性滤波方法 来处理， 得到了较好的效果。中值滤波的基本原理 是把数字图像或数字序列中一点的值用该点的一个 邻域中各点值的中值代替。 !&(
由于后面用到的 ) * + 变换方法在本质上依赖 于图像灰度在空间分布上的相关性， 因此需要先对 车辆图像进行一系列的预处理， 以达到位置校准和 灰度归一的目的。为此， 首先对图像进行缩小和放 大变换， 得到统一大小的校准图像 （宽 , 高为： !’- , 。然后再对校准图像做灰度拉伸， 以改善图像的 ./） 对比度。最后采用直方图修正技术使图像具有统一 的均值和方差。经过预处理， 得到了所谓的 “标准图
!"#$%&" ’"%()*$+$(* ,-."/ (* "$)"* : 0"#$%&"
/0.’ ,?@A?B
（1"*+’-& 2(3+# 4(’".+’5 6*$0"’.$+5，1#-*).#- %8$$$%，1#$*-）
7,.+’-%+：4CD?EFC GCEHIB?J?HB ?K 6B ?LMHGJ6BJ M6GJ HN ?BJCFF?ICBJ JG6BKMHGJ6J?HB K7KJCL5 ’HO，JDC JCEDBHFHI7 HN PCD?EFC GCEHIB?J?HB ?K ACEHL?BI 6 DHJ JHM?E 6FF HPCG JDC OHGFQ 5 &B JD?K M6MCG，OC MGCKCBJ 6 R?BQ HN LCJDHQ HN PCD?EFC GCEHIB?J?HB A6KCQ HB C?ICB : PCD?EFC 5 (?GKJF7，OC MGCMGHECKK JDC PCD?EFC ?L6ICK 5 -DCB OC AS?FQ JDC C?ICB : PCD?EFC JDGHSID JDC SKC HN 9 : 1 JG6BKNHGL 6BQ I6?B 6 KM6EC O?JD FHOCG Q?LCBK?HB 5 ,J F6KJ，OC GCEHI@ B?TC JDC PCD?EFCK SK?BI BCSG6F BCJOHGR 5 8"5 9(’/.：PCD?EFC GCEHIB?J?HB；9 : 1 JG6BKNHGL；BCSG6F BCJOHGR
收稿日期： !$$= : 8! : !! 作者简介： 陈爱斌 （8>U8 : ） ， 男， 中南林学院讲师， 兰州大学计算数学 专业学士， 中南大学计算机应用技术专业硕士， 主要研究 方向为计算机图像处理、 模式识别。
以直接使用差分方法分割出作为前景的物体。这种 称之为差分方法一般能够提供最完全的特征数据。 然而， 对于不可控制的环境， 由于背景图像的动 态变化， 如天气、 光照、 行人、 影子及混乱干扰等的影 响， 差分方法对此特别敏感。在相对稳定的环境下， 可以假设背景变化缓慢， 且符合一定的分布规律， 通 过建立背景模型， 实施差分方法来检测运动物体， 可 以获得很好的效果。大部分的研究人员目前都致力 于开发不同的背景模型， 以期减少动态场景变化对 于运动分割的影响。最简单的背景模型是时间平均 图像， 本文正是使用连续五幅图像求其时间平均图 像作背景。背景减除的效果如图 ! 所示。
像” （如图 （ 所示） 。 ! %）
’
由 ) * + 变换得到特征车
人们将其应用 ) * + 变换是一种最优正交变换， 于特征提取， 形成了子空间法模式识别的基础， 本文 将它应用于车型识别。 该方法以规一化的标准图像作为训练样本集， 以该样本集的总体散布矩阵为产生矩阵， 即：
# （ " * !） （ " * !） ｝ 或 0 !｛ $ *! ! # （ "% * !） （ "% * !） （!） ! 0 $! % *1 其中： "% 为第 % 个训练样本的图像向量， ! 为训
［8］ 图像预处理主要包括三个步骤： 背景减除 、 滤 波去噪、 图像标准化。
858
背景减除 首先， 必须从车辆序列图像中将车辆从背景图
像中提取出来。车辆的有效分割对于 9 : 1 变换及 最终的车型分类等后期处理是非常重要的， 因为以 后的处理过程仅仅考虑图像中对应于车辆运动区域 的像素。 背景减除方法是目前运动分割中最常用的一种 方法， 它是利用当前图像与背景图像的差分来检测 出运动区域的一种技术。在可控制环境下， 或者在 很短的时间间隔内， 可以认为背景是固定不变的， 可
图 ’ “特征车” 图像
(
利用神经网络识别车型
任何一幅车辆图像都可以向由特征车张成的降
神经网络是模式识别中一种非常有效的非线性 分类器， 被广泛地用于模式识别， 本文采用 ( 层 23 神经网络方法进行车型识别。 反向传播 （ 23） 网络是典型的前馈型网络， 从结 构上它属于多层网络， 分为输入层、 隐层和输出层， 层与层之间多采用全互连
$
引言
多年来出现了各种各样的车型识别技术， 其中
8
图像预处理
绝大多数是通过检测车辆的某些几何参数来归纳分 类的。为实现自动车辆识别、 分类， 这些方法需要做 的第一步就是探测、 摄取车辆的某些特征信息。在 车辆的所有特征中， 可以用来识别和区分车型的通 常有车辆的外型 （长、 宽、 高等） 、 车辆的轴重或轴距、 车辆轴重及总重、 车辆号牌、 发动机排气量、 车辆可 以乘载的人员数或载重量等等。在这些特征中， 有 一部分可以用于自动车辆识别和分类， 因为有的特 征可以用仪器不停车探测、 提取， 有的则不能自动识 别， 如排气量、 司乘人员数等。 的方 本文引入了一种基于特征车 （9 : 1 变换） 法， 利用图像代数特征来进行车型识别。首先对车 辆图像进行预处理， 然后将预处理后的标准化图像 采用 9 : 1 变换构造特征车， 最后利用 ;< 神经网络 对车型进行识别。实验证明了该算法的有效性。 — %% 万方数据 —
%
$ 计算并保存各权值修正量 Z% "$ &% # !（ # !（ %$ # ）X $ %$ # # &） % 修正权值 （ Z# !（ !（ %$ # Z &）X ! %$ # ） %$ # ） 实验中， 用前面所描述的各车辆图像向特征车 子空间投影得到的系数向量作为神经网络的输入， 将车辆图像的类别标志作为网络的输出。
（下转第 /- 页）
维子空间做投影并获得一组坐标系数。设任一幅车 辆图像为 " ， 则通过向特征车子空间投影得到其系 以下正是将各车辆图像的该系 数向量为： * 0 +# " 。 数向量作为输入向量进行车型识别。
万方数据
— /4 —
从图中可以看到， 在对跳频通信系统危害最大 的两种干扰下， 自适应跳频系统的抗干扰性能大大 提高， 其误码率平均有 & # ! 个数量级的改善。在常 规跳频系统已经不能正常工作的区间内， 自适应跳 频系统仍然工作良好。 从图中也可以看到， 自适应跳频系统在频道阻 塞率达到 ’ ( ) 以后， 误码率将快速增大， 系统性能大 大降低。从式 （*） 可知， 这时可采取两种方案改善系 统性能。一是减小 + 值， 每帧数据量越小， 系统误码 率越低。二是通过调整发射机功率或者 +$, 单元 检测门限， 降低 $ 值。 参 考 文 献：
第 !" 卷 第 # 期 !$$% 年 # 月
信 息 技 术 &’()*+,-&)’ -./0’)1)23
4)15 !" ’)5 # +67 !$$%
基于特征车的汽车车型识别
陈爱斌
（中南林学院，长沙 %8$$$%）
摘
要：车型识别是智能交通系统中的一个重要组成部分，近年来，车型识别技术已成为国内
外研究热点之一。提出了一种基于特征车的车型识别方法。该方法首先对车辆图像进行预处理， 然后通过 9 : 1 变换构造特征车，得到降维特征子空间，最后利用 ;< 神经网络进行车型识别。 关键词：车型识别；9 : 1 变换；神经网络 中图分类号： -<=>8 5 %8 文献标识码： , 文章编号： （!$$%） 8$$> : !##! $# : $$%% : $!
JFra Baidu bibliotek
结论
本文将它应用 3 # + 变换是一种最优正交变换， 于车型识别。实验中， 将现场采集的一组车辆图像 共 TJ 幅按上述算法流程进行处理， 能正确识别的车 辆 J[ 幅， 识别率达 [[ ( *\ 。实验结果表明， 该方法 简单有效。 参 考 文 献：
［&］ 王亮， 胡卫明， 谭铁牛 ( 人运动的视觉分析综述 ［ 7］ ( 计算机学 报， !’’!： !T ( ［!］ 彭辉， 张长水， 荣刚， 边肇祺 ( 基于 3+ 变换的人脸自动识别方 法 ［ 7］ （%） ： ( 清华大学学报， &**)， %) ]) # )’ ( ［!］ 林福严， 等 ( 人脸特征的定位与提取 ［ 7］ ( 电子技术应用， !’’’， （)） ： &) # !& ( 责任编辑： 张棣
［’］ 图像标准化
"% "
) #%
这就是图像的特征向量。 这样每一幅车辆图像都可以投影到由 (1 ， …， (! ， 因此每幅车辆图像对应于子空 ($ *! 张成的子空间中。 间中的一个点。 同样， 子空间中的任一点也对应于一幅 图像 — — — 特征车 （如图 ’ 显示的是 (1 ， …， (!， (. 所对 应的图像） ， 有了这样一个由 “特征车” 张成的降维子空 间， 任何一幅车辆图像都可以向其做投影并获得一组 坐标系数， 这组系数表明了该图像在子空间中的位置， 从而可以作为车型识别的依据。
图!
部分频带噪声干扰下 " # $ 曲线
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 方式， 同一层之间不存在相互连接。网 （上接第 JT 页） # 从后向前计算隐层"$ 络中每一层权值都可通过学习来调节， B" 网络实现 了多层网络学习的设想， 其学习过程包括输出计算 和反向误差传播两部分。当给定网络的一个输入模 式时， 它由输入层单元传到隐层单元， 经隐单元逐层 处理后再送到输出层单元， 由输出层单元产生一个 输出模式， 这是一个逐层状态更新过程， 称为前向传 播。如果输出响应与期望输出模式有误差， 不满足 要求， 那么就转入误差反向传播， 将误差值沿连接通 路逐层传送并修正各层连接权值。对于给定的一组 样本， 不断用一个个训练模式进行学习， 重复输出计 算和误差反向传播过程， 当各个训练模式都满足要 求时， B" 网络训练完毕。 B" 算法具体步骤如下： 选定权系数初始值。 （&） （!） 重复下述过程直至收敛 （对各样本依次计 算） 。 !从前向后各层计算各单元 6W !"# $ X （ "$ X & "( $ & # &$ ） "!$(
!
练样本集的平均图向量， $ 为训练样本的总数。 将! 表示为 ! ! # # （ "% * !） （ "% * !） 0 && （’） ! $! $ % *1 其中 & 0［ " 1 * !， …， " ! * !， "$ *! * !］ 0 （(） 构造矩阵： ’ 0 &# & 容易求出矩阵 ’ 的特征值 "% 及相应的正交归一 （ …， 从而易得! 的 特征向量# !， ’， $ * !） % % 0 1， 正交归一特征向量 (% 为 (% 0 ! …， % 0 1， !， ’， $ *! （/）
［&］ 查光明， 等 ( 扩频通信 ［-］ ( 西安电子科技大学出版社， &**’ ( ［!］ -./012 3 41562，715 3 859/.，:6;</= , 4>?6@=A，B.//C 3 +<01== ( ［-］ 4D/<.E 4D<>=/95 F655921>.=162G H.2E;66I ( 人民邮电出版社， !’’! ( ［%］ 俞世荣， 李渊渊 ( 自适应跳频技术及其实现 ［ 7］ ( 无线电工程， （&） !’’&， ( ［J］ K.2E</ 7，-.@5L/<2 M( ,E.D=10< N/<O9<2>C ?6DD12L 12 HP >655921Q ［ 7］ （!） ( RSS( "/6>( F65592( & # **T， &J! ( >.=162G ［T］ 沈连丰， 邹乐， 等 ( 一种适用于 U",V 应用环境的高速自适应跳 频系统及其性能分析 ［ 7］ （&’） ( 电子学报， !’’!， ( 图% 多音干扰下 " # $ 曲线 责任编辑： 李光辉