采用Gentle AdaBoost和嵌套级联结构的实时人脸检测

本文提出一个基于Gentle AdaBoost和嵌套级联结构(Nesting Cascade Structure)的快速人脸检测器。采用嵌套级联结构并在训练过程中剔除前级节点分类器已使用过的特征,解决了经典的AdaBoost级联分类器因各节点分类器独立训练导致不同节点之间特征相同的弱分类器大量存在而影响检测速度的问题,提高了人脸检测速度。采用Gentle AdaBoost算法训练节点分类器以提高各节点分类器的泛化能力,进一步减少嵌套级联结构中弱分类器的个数。实验结果表明本文所提出的人脸检测算法大幅度减少了级联分类器所需的弱分类器个数,使检测的速度得到明显的提高,在CIF(352×288)格式的视频上达到每帧8毫秒的检测速度,优于现有的人脸检测算法,而且检测的准确性也比现有的人脸检测算法略有提高。      

基于梯度统计特性的自动红外舰船目标检测

红外舰船目标检测是舰船目标识别与跟踪的重要基础。针对典型复杂海天场景下的红外舰船目标检测,本文提出了一种基于多尺度局部边缘梯度统计特性的目标检测算法。算法改进了传统的基于ROI的红外舰船目标检测方法I并0用多尺度局部边缘梯度的统计特性,自适应的检测出完整的舰船目标。实验结果表明,该算法能够有效准确地检测出多种复杂海天场景下的红外舰船目标,且算法简单易于实现。     

基于多向梯度法的红外弱小目标快速检测方法

针对复杂背景下红外弱小目标信噪比(SNR)低、对 比度小造成的红外目标检测率低和实时性差的问题,提出一种基于多向梯度法的红外弱小目 标快速提取算法。目标提取前, 利用多尺度拉普拉斯-高斯(LoG)算子抑制图像背景,凸显背景边缘轮廓与弱小目标;然后 引 入多向梯度目标搜索算法,选取最佳梯度数,利用最简算法快速搜索目标。实验结果表明, 本文算法处理后的红外图像有较高的SNR与对比度,检测率 为传统红外目标提取算法的1.5倍,充分保证了检测精度,且计算耗 时短,实时性强。     

基于梯度变化分析的弱目标检测

分析了噪声背景下弱目标区域的梯度分布特性,提出了一种利用弱目标边缘区域内梯 度分布特点来分割出弱目标的方法。为了提高分割的准确性,利用了帧间信息,根据目标的运动特征提取出真目标,并根据现场采集到的数据进行仿真,证明了该方法的有效性。     

基于二阶梯度的红外小目标检测方法

为了提高复杂背景下红外图像中弱小目标的检测概率同时降低虚警率,本文提出一种基于二阶梯度的红外弱小目标检测算法。首先基于小面模型采用二维离散正交多项式对原始图像局部灰度分布进行拟合,然后设计二阶方向导数滤波器对图像进行滤波并分解为不同的方向通道,再根据极值定理对不同的方向通道求取极值图像,随后对极值图像进行形态学滤波以增强目标能量并进一步抑制背景杂波,之后对极值图像进行归一化处理并统计其直方图,利用直方图灰度分布选取合适的分割阈值,进行阈值分割后得到二值图像并最终确定目标位置。实验结果表明,该方法在信噪比极低的复杂背景下可准确地对弱小目标进行检测。     

基于梯度直方图和SUSAN算子的红外目标检测

红外制导技术的核心任务是将视场中的目标提取出来,然而受多种因素的影响,红外成像呈现出信噪比低,对比度不强的特点。为有效检测出红外目标,首先分析红外图像梯度信息并进行直方图统计,发现其值只占据窄小的区间,借鉴直方图均衡化思想,对梯度直方图进行拉伸,并与原图进行加权融合,增强图像对比度的同时增大信噪比,然后采用改进的SUSAN算法对图像进行处理,可较好的提取出红外目标。仿真实验结果表明,与传统算法相比,文中算法计算量小、运行时间短,可有效检测出目标,有利于工程实现。     

基于中值滤波和多向梯度搜索的目标检测算法

复杂背景下低信噪比弱小目标的自动检测是当今目标自动探测研究尚未解决的一个难题.针对复杂天空背景条件下低信噪比的红外弱小目标检测问题,提出了一种基于中值滤波和多向梯度搜索相结合的目标检测算法.算法首先运用中值滤波器将目标从红外背景中分割出来,再结合多向梯度判决算法提取出真实目标点,最后辅以形态滤波填充目标内部空间,构成完...     

基于多方向梯度和形态学算法的红外弱小目标检测

受多种因素的影响,通常获得的红外图像信噪比低、对比度差,为目标的提取带来一定的困难。在分析弱小目标方向梯度的基础上,结合形态学算法,提出一种新的红外弱小目标检测算法。首先在待检测点四邻域方向上选取4个参考点,根据该方向待检测点与参考点之间的多级梯度特征,确定出潜在目标;然后利用结构元可调节的特性,选择合适的结构元素,通过形态学处理,剔除噪声点并最终确定出目标。实验表明,该算法计算简单,无需预测背景,可在低信噪比图像中有效检测弱小目标。     

一种基于改进Adaboost的人体检测算法

本文采用改进的Adaboost算法对静态图像中人体进行检测。针对传统算法中训练速度较慢,并且存在风险敏感的问题。本文提出一种快速特征选择算法,通过构造统计表,保存特征信息,避免每轮弱分类器训练时对所有特征重新计算分类误差;并结合fisher判别分析对选出的弱分类器进行训练,学习得到一个新的线性判别方程,最大化不同类别数据之间的可分离性,达到优化强分类器降低风险敏感影响的目的。实验结果表明,相对于传统的Adaboost算法,本文给出的方法加快了特征选择的速度,并具有较好的检测性能。     

基于级联CFAR的SAR图像目标快速检测方法

针对高对比度场景下合成孔径雷达(SAR)图像的实时目标检测问题,提出一种基于级联恒虚警率(CFAR)的SAR图像目标快速检测算法,将二维图像的检测沿距离向和方位向拆分成两个一维的CFAR检测, 采用距离向-方位向级联检测器并加以分割关联方法对目标进行检测。首先,按距离向叠加后进行距离向检测,并进行分割关联以划分不同目标的区域;然后,对过检单元进行方位向检测得到目标位置;同时,进行分割关联,从而实现目标检测。文中利用仿真的SAR图像、MSTAR数据和实测数据进行实验。仿真结果表明:该算法具有速度快、检测率高的优点,满足实时处理要求。     

基于多层次互补特征的通用目标检测模型

针对实际场景中多类目标检测问题,该文提出了一种基于多层次特征表示和异质互补描述子的通用目标检测模型。该模型采用基于组件的目标描述思想,提取目标不同层次的互补特征,并将其统一到条件随机场(CRF)框架中。目标中单个组件及其局部特征对应CRF的一元节点,组件之间的几何空间结构特征则体现在节点之间的两两连接关系上。通过引入节点支持向量机(SVM)分类器和边缘拓扑结构学习,极大提高了模型的鉴别能力和灵活性。在UIUC多尺度数据集和PASCAL VOC 2007数据集上测试结果表明,该文模型不仅能有效描述多类复杂目标,还能较好地解决姿态、尺度、光照变化及局部遮挡情况下的目标检测问题。     

一种基于多尺度特征融合的目标检测算法

基于深度学习的目标检测器RetinaNet和Libra RetinaNet均是使用特征金字塔网络融合多尺度特征,但上述两个检测器存在特征融合不充分的问题.鉴于此,提出一种多尺度特征融合算法.该算法是在Libra RetinaNet的基础上进一步扩展,通过建立两条自底向上的路径构建两个独立的特征融合模块,并将两个模块产生...     

一种基于可变形部件模型的快速对象检测算法

为了解决可变形部件模型检测过程中的速度瓶颈问题,该文针对模型的检测流程,提出一种结合快速特征金字塔计算的级联可变形部件模型。由于模型的检测速度主要取决于特征计算以及对象定位这两个过程,提出一种两阶段的加速算法：首先采用尺度上稀疏采样的特征金字塔来近似表示精细采样的多尺度图像特征,以加快特征计算过程;然后在定位过程中结合级联算法,以一个序列模型顺序地评估各个部件,从而快速剪除大部分可能性较小的对象假设,以加快对象定位过程。在PASCAL VOC 2007和INRIA数据集上的实验结果表明,该算法可以明显加快检测速度,而检测精度仅略有下降。     

引入自上向下特征融合的小目标检测算法

针对原始SSD(Single Shot Multibox Detector)算法未充分利用各特征层之间关系导致浅层特征层缺乏小目标语义信息的问题,为了提高对小目标的检测能力,提出了一种结合PANet多尺度特征融合网络和自上向下特征融合路径的TTB-SSD(Top to Bottom SSD)改进算法。首先,使用PANet多尺度特征融合网络对特征进行反复提取,从而获得丰富的多尺度语义信息;然后,使用一种深层特征融合模块将浅层特征层的空间信息传递到深层特征层,进而更准确地对小目标进行定位;最后,为了增强浅层特征层的语义信息,构造了自上向下的特征融合路径,从而强化浅层对小目标检测的准确率。实验结果表明,在PASCAL VOC2007测试集检测的mAP(Mean Average Precision)值达到80.5%,对目标的mAP较原始SSD提高了5.7%,证明了该算法对小目标检测的有效性。     

基于模板匹配的快速少纹理目标识别算法

针对传统的基于模板匹配算法通常考虑模板的整体性往往遇到计算性能复杂的问题。文中提出一种基于二进制方向压缩映射和局部特征加权的快速少纹理目标识别方法。根据目标边缘点的量化梯度方向,利用二进制方向压缩映射方法对目标模型进行特征描述,快速提取出目标候选位置及其对应的尺度、角度信息;在检测出目标候选位置后,再利用局部特征加权方法建立新的模板特征,对目标候选位置计算新的相似度从而确定目标最终姿态。实验结果表明,文中算法与其他具有代表性的算法相比具有更好的识别率,并且识别时间大幅降低。     

基于场景感知的运动目标检测方法

背景减除法是一种主要的运动目标检测框架,但在复杂环境中构建一种初始模型建立周期短、可靠性高、鲁棒性好的模型仍是一大难题.本文从场景感知的角度出发,在背景减除框架的基础上提出一种目标检测方法.该方法根据前两帧中稳定的结构信息感知背景中潜在的前景区域,在第二帧建立初始模型时利用最近邻域背景像素点代替可能的前景像素点,提高了初始模型可靠性;结合颜色信息和二进制特征提出了像素点二级分类判决机制,并通过感知像素点邻域内的纹理复杂度自适应调整局部判决阈值和更新频率;在模型更新阶段提出处理误判的反馈机制.在公开视频序列上同几种流行检测算法的实验对比结果证明了本文算法的有效性和优越性.     

基于边缘多通道梯度模型的多运动目标检测

针对视频序列运动目标检测易受环境噪声干扰、提取目标轮廓困难的问题,提出了一种基于边缘多通道梯度改进模型的多运动目标检测算法。首先,利用Canny算子获取视频序列中目标的边缘信息,并根据人类视觉色彩的恒常特性,对目标边缘建立时间、空间、颜色多通道梯度模型;然后,利用该模型获取目标边缘像素点的运动状态描述信息,实现背景边缘和运动物体边缘的分离;最后,将间断边缘像素点与其邻域点的运动状态相关联,以连接目标间断边缘,实现运动目标轮廓的提取,并将连接后的轮廓进行形态学处理以分割出目标。实验结果表明,与同类型算法相比,本算法在运动目标检测中具有的实时性、准确性和鲁棒性更好。     

基于细化多尺度深度特征的目标检测网络

现有深度卷积神经网络中感受野尺度单一,无法适应目标的尺度变化和边界形变,故此本文提出了一种提取并融合多尺度特征的目标检测网络.该网络通过减少池化并在网络底层加入空间加信道压缩激励模块来突出可利用的细节信息,生成高质量的特征图;此外,在深层网络中加入可变多尺度特征融合模块,该模块具有多种尺度的感受野并可根据物体边界预测采样位置,最后通过融合多尺度特征使网络具有更强的特征表达能力并且对不同尺度实例及其边界信息更具鲁棒性.实验证明,本文结构实现了比原有结构更高的平均精度,与目前主流目标检测算法相比也具有一定优势.     

一种视频监控中基于航迹的运动小目标检测算法

针对视频监控中运动小目标难以检测的问题,该文提出一种基于航迹的检测算法。首先,为了降低检测漏警率,提出区域纹理特征与差值概率融合的自适应前景提取方法;其次,为了降低检测虚警率,设计航迹关联的概率计算模型以建立疑似目标在视频帧间的关联,并设置双门限以区分疑似目标中的真实目标与虚假目标。实验结果表明,与多种经典算法相比,该算法能对定量范围内的运动小目标以更低的漏警率和虚警率实施准确检测。     

基于多尺度特征的SAR区域型目标检测方法

通过对SAR图像的目标特性分析，提出了一种SAR区域型目标的检测方法。与通常的一些目标检测算法相比，该算法在ROI的提取和目标建模两个方面作了改进，提出了一个新的特征提取算子并引入多尺度的梯度特征作为分类依据。算法应用于真实的SAR图像进行居民区的检测，获得了预期的结果。实验表明，基于多尺度梯度特征的目标检测算法具有良好的性能。