基于图像梯度场序列的双向GDIM光流计算方法

提出了一种基于图像梯度矢量场的双向广义动态图像模型(GFBD-GDIM)光流计算方法.本文方法:在图像梯度场上进行光流估计以减弱光照变化带来的影响;将一个大的运动矢量分解为两个不同方向的子矢量进行估计,有助于减小估计误差,提高计算精度;采用广义动态图像模型(GDIM)对图像梯度场的变化进行建模,可使模型适用于更加一般的场合.图像序列实验表明,本文方法可以获得更加精确和鲁棒的运动矢量估计.     

航拍图像序列的地面运动目标跟踪

建立了一套针对航拍图像的运动目标跟踪系统。根据航拍图像序列存在背景运动的特点,运用了一种基于稀疏采样的局部补偿误差函数泰勒展开法, 求得背景模型参数,补偿背景运动; 根据背景运动矢量和目标运动矢量不同的特点, 采用了运动矢量聚类的算法, 对多个潜在目标准确定位,并建立跟踪器找出真实目标进行跟踪。针对图像匹配可能产生的误差, 提出对匹配结果进行聚类, 以提高求得的背景模型参数的精确性, 又针对差分图像中运动目标信息的不完整的特点, 根据目标残缺信息先取得目标完整边缘信息, 再进行目标定位, 提高了定位的精度, 并给出了部分实验结果。结 果表明, 该算法对噪声和光照具有很强的抑制性, 能快速有效地对运动目标进行跟踪。     

航拍图像序列的地面运动目标跟踪

建立了一套针对航拍图像的运动目标跟踪系统。根据航拍图像序列存在背景运动的特点,运用了一种基于稀疏采样的局部补偿误差函数泰勒展开法,求得背景模型参数,补偿背景运动;根据背景运动矢量和目标运动矢量不同的特点,采用了运动矢量聚类的算法,对多个潜在目标准确定位,并建立跟踪嚣找出真实目标进行跟踪。针对图像匹配可能产生的误差。提出对匹配结果进行聚类,以提高求得的背景模型参数的精确性,又针对差分图像中运动目标信息的不完整的特点,根据目标残缺信息先取得目标完整边缘信息,再进行目标定位,提高了定位的精度,并给出了部分实验结果。结果表明,该算法对噪声和光照具有很强的抑制性,能快速有效地对运动目标进行跟踪。     

基于多幅同目标图像和HMM的SAR图像目标识别

该文提出了一种基于多幅同目标图像和隐马尔可夫模型的合成孔径雷达图像目标识别方法。该方法通过小波域主成分分析提取目标图像特征向量,结合多幅不同方位角下的同目标图像的特征向量生成单幅图像的特征序列,用隐马尔可夫模型对特征序列进行识别。实验结果表明,该方法可明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于图像灰度的光电吊舱视轴稳定精度检测方法

图像法是光电吊舱视轴稳定精度检测的常用方法之一,具有原理简单、成本低、通用性强等优点.通过载体模拟设备对光电吊舱施加外界扰动,检测载荷相机所捕获固定目标的图像偏移量,从而得到光电吊舱的稳定精度,其中目标图像偏移量检测是整个流程的关键.提出一种基于图像灰度的目标图像偏移量检测方法,可有效提升光电吊舱视轴稳定性的检测精度,通过理论推导和实验证明,目标图像偏移量检测精度可达到1/100像素以上,具有重要的工程应用价值.     

弱小目标检测技术浅析

在分析红外序列图像弱小目标检测技术的基础上,总结出高性能弱小目标检测方法应包括背景抑制、轨迹搜索和能量累积、恒虚警率条件下的阈值分割、基于序列图像航迹相关的目标确认等四个完整过程;分析了各环节的技术难点.     

基于3DGMM的多视点视频直方图颜色校正

多视点视频在采集过程中,由于受到摄像机所处位置以及摄像机自身的参数设置等因素的影响,会造成视点间颜色的不一致,针对这一情况,提出基于三维高斯混合模型的多视点视频直方图颜色校正算法。算法首先获取源图像以及目标图像的直方图并检测直方图的峰值个数,然后结合三维高斯混合模型对源图像以及目标图像进行聚类分析,获取中心矢量,最后计算两图像中像素点距离中心矢量的最小欧几里得距离并分割图像,对源图像和目标图像的匹配区域进行直方图匹配校正。实验结果表明,该算法与传统直方图匹配算法相比,避免了校正过度的影响,校正效果较好。     

基于区域分割的噪声抑制及红外目标检测

提出一种新的基于区域分割与邻域梯度差平方累积最小(MCSE)原则的自适应滤波算法.该算法对各种加性、乘性噪声的滤波性能优异且均衡,适合滤除图像序列中的复杂噪声.滤波后,采用改进光流方程算法(OFE)估计图像序列的运动场,为避免传统算法在图像补偿时引入的误差,本文直接对运动场进行全域运动补偿,然后在运动场中引入一种新的集成检测算法对微小目标的运动矢量进行检测.理论分析及试验表明,在复杂噪声干扰下,本算法依然能够在具有全域运动的图像序列中检测微小目标.     

基于增量学习的红外目标粒子滤波跟踪方法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等特点,提出了一种基于增量学习目标表观模型和粒子滤波的红外目标跟踪方法。通过在线学习机制,利用增量奇异值分解算法对图像特征空间的基向量进行准确更新,从而建立红外目标的鲁棒表观模型。在此基础上,采用粒子滤波对目标状态进行有效预测,实现了红外目标的有效跟踪。实验结果表明,该方法能有效、准确地跟踪红外图像序列中的运动目标。     

视轴抖动对成像质量影响的研究

为了对振动图像进行稳像处理及相机平台稳定装置的设计提供理论依据,研究了视轴抖动对成像质量的影响。分析了视轴抖动的原因及特点,在此基础上,提出了按图像灰度算法分析振动模糊图像的方法。利用仿真模型获得了视轴抖动情况下,不同抖动参数所对应的模糊图像的仿真图。搭建了一套振动成像实验装置,在实验中加载不同的振动源,可以得到不同振源下的模糊图像。利用图像的灰度均方误差评价成像质量,结果表明:在误差允许范围内,不论是在实验条件下,还是在仿真条件下,视轴抖动对成像质量影响的结果基本一致,从而验证了仿真算法的正确性。在实际应用中,可以通过仿真来分析视轴抖动对成像质量的影响。     

基于高斯混合概率假设密度的运动参数估计组合平滑滤波算法

针对高斯混合概率假设密度(GM-PHD)滤波器在目标速度未知或不准确时,目标状态估计性能较差,该文提出一种基于GM-PHD的运动参数估计组合平滑滤波算法。该算法通过目标状态提取速度信息,经过中值平滑和线性平滑组合处理提升速度估计准确性,然后将速度反馈给GM-PHD滤波器的状态转移方程,提高状态预测精度。仿真结果表明,目标速度未知或不准确时,所提算法能够明显改善GM-PHD滤波器状态估计性能。     

一种新的红外弱小目标检测与跟踪算法

针对低信噪比下红外序列图像中弱小目标的检测与跟踪问题,提出了一种新的基于双边滤波的方法.首先将传统的二维双边滤波扩展为空-时三维双边滤波,由于同时利用了红外序列的空域信息和时域信息,该三维双边滤波能在抑制噪声的同时增强目标和背景之间的对比度.用其实现红外图像的预处理,再用门限分割检测出红外序列中的弱小目标.同时,用序贯蒙特卡洛方法对检测到的弱小目标进行跟踪.实验中,用实际红外序列图像对算法进行了验证,结果表明,在低信噪比下,所提算法能对红外弱小目标进行实时检测和跟踪.     

多目标跟踪的观测站最优机动策略

在多目标跟踪问题中,观测站的有效机动可以提高观测信息的质量,从而提升目标跟踪的精度。对此,文中提出一种基于高斯混合概率假设密度(GM-PHD)滤波器的观测站最优机动马尔可夫决策方法。首先,用Fisher信息矩阵(FIM)行列式建立代价函数;然后,计算出马尔可夫链的转移矩阵,利用马尔可夫决策过程(MDP)来获得观测站最优机动策略。其中,利用GM-PHD滤波器来估计目标的实际位置和为每一决策周期提供概率假设密度(PHD)。通过实验仿真,验证了该机动策略在提高多目标跟踪精度方面的有效性。     

利用序列图像解算目标视线角速率的方法

针对目标跟踪处理系统中的视线角速率提取问题,提出一种利用单成像探测器所得序列图像求导视线角速率的方法。利用序列图像中的运动目标图像坐标解算得到体视线角,通过图像匹配得到弹体姿态角,进而求解得到视线角速率。实验结果表明:结合图像跟踪算法可实时得到体视线角,使用图像匹配可以较好地解算得到弹体姿态角,解算结果误差小于5%;在体视线角和弹体姿态角均包含噪声的前提下,使用卡尔曼滤波可以较好地还原视线角速率。该方法适用于微小型飞行器制导探测,可以省去陀螺仪等惯性元件,实现探测装置的轻量化、小型化,具有实际的应用价值。     

基于正则化观测矢量的H无穷粒子滤波红外目标跟踪方法

提出了一种新颖和鲁棒的红外图像序列中的目标跟踪方法。由于H无穷滤波器在系统噪声源不能确定或是未知的情况下具有较好的预测性能，所以以其估计得到的预测信息来分配粒子滤波算法的粒子。为解决粒子滤波的“采样枯竭”问题，正则化了H无穷粒子滤波器的观测矢量。同时，通过计算每个目标的亮度和局部标准差分布构成级联核的目标模型，以用于计算粒子集中各个粒子的加权值。对于目标的尺寸和表观信息变化的情况，以目标区域像素灰度值零阶矩的函数来调整跟踪窗口的大小，模型更新则通过更新目标模型的每个量化阶来实现。实验结果证明了所提出的红外图像目标跟踪方法是有效的，并且优于所比较的算法。     

基于GM-PHD的目标空间分布感知算法

对边扫描边跟踪的认知雷达,目标的空间分布特性是实现对雷达信号控制的重要依据之一。本文介绍了一种基于高斯混合概率假设密度（GM-PHD）滤波算法的目标空间分布感知方法,利用该算法,可同时实现多目标高虚警环境下的目标数目和目标空间位置以及运动状态的估计。该算法实际是一种对标准GM-PHD滤波器的改进算法,能在新生目标强度未知的情况下完成对新生目标的检测跟踪。实验表明该算法不仅能在未知新生目标强度的情况下检测并跟踪新生目标,且在新生目标速度较大的情况下,该算法对新生目标的检测性能优于标准GM-PHD滤波器。     

观测最优分配的GM-PHD多目标跟踪算法

概率假设密度滤波器将目标的状态空间及观测空间描述为随机有限集合的形式,有效避免了多目标跟踪中复杂的数据关联问题。但对于不同类型的目标使用同样的全部观测数据集进行目标状态更新,未对观测数据进行合理分配,导致估计性能下降。该文提出一种观测最优分配的高斯混合概率假设密度多目标跟踪算法(MOA-GM-PHD),将目标分为已有目标和新生目标两类,推导极大似然门限来获得两类目标对应的最优观测数据,再分别进行目标状态更新。实验结果表明,该文方法目标跟踪效果优于传统GM-PHD滤波器。      

一种多传感器自适应量测迭代更新GM-PHD跟踪算法

针对多传感器观测数据质量不同且未知时,多传感器量测迭代更新高斯混合概率假设密度(GM-PHD)滤波器跟踪算法的结果对更新顺序敏感的问题,该文提出一种多传感器自适应量测迭代更新GM-PHD跟踪算法AIU-GM-PHD。首先基于多传感器融合一致性度量,提出一种用于在线评估各传感器跟踪结果质量的方法;然后对多传感器迭代融合顺序进行优化,最后构建相应的多传感器GM-PHD融合跟踪算法。为了解决多传感器自适应顺序迭代融合无法体现传感器质量差距的问题,提出了一种自适应带权伪量测迭代更新GM-PHD跟踪算法PAIU-GM-PHD。仿真结果表明,与常规多传感器迭代更新GM-PHD跟踪算法相比,所提算法能够获得鲁棒性更好、精度更高的跟踪结果。     

多示例深度学习目标跟踪

为解决多示例跟踪算法中外观模型和运动模型不足导致跟踪精度不高的问题,该文提出多示例深度学习目标跟踪算法。针对原始多示例跟踪算法中采用Haar-like特征不能有效表达图像信息的缺点,利用深度去噪自编码器提取示例图像的有效特征,实现图像信息的本质表达,易于分类器正确分类,提高跟踪精度。针对多示例学习跟踪算法中选取弱特征向量不能更换,难以反映目标自身和外界条件变化的缺点,在选择弱分类器过程中,实时替换判别力最弱的特征以适应目标外观的变化。针对原始多示例跟踪算法中运动模型中仅假设帧间物体运动不会超过某个范围,不能有效反映目标的运动状态的缺点,引入粒子滤波算法对目标进行预测,提高跟踪的准确性。在复杂环境下不同图片序列实验结果表明,与多示例跟踪算法及其他跟踪算法相比,该文算法具有更高跟踪精确度和更好的鲁棒性。     

Penalized Gaussian mixture probability hypothesis density filter for multiple target tracking

Bayesian multi-target filter develops a theoretical framework for estimating the full multi-target posterior which is intractable in practice. The probability hypothesis density (PHD) is a practical solution for Bayesian multi-target filter which propagates the first order moment of the multi-target posterior instead of the full version. Recently, the Gaussian Mixture PHD (GM-PHD) has been proposed as an implementation of the PHD filter which provides a close form solution. The performance of this filter degrades when targets are moving near each other such as crossing targets. In this paper, we propose a novel approach called penalized GM-PHD (PGM-PHD) filter to improve this drawback. The simulation results provided for various probabilities of detection, clutter rates, targets velocities and frame rates indicate that the proposed method achieves better performance compared to the GM-PHD filter.