视频多运动目标提取的新方法

提出一种利用视频序列的时域和空域信息进行多运动目标检测的新方法.首先对相邻的图像帧进行差分,并利用3σ准则二值化差分图像,得到运动目标的时域信息,然后标记该二值图像的连通区域来消除噪声,结合边缘检测所得到的空域信息得到运动目标模型,最后连接模型的最外围轮廓点即得到目标的完整信息.该算法充分运用了运动目标的时域、空域两方面信息,能够准确的提取出运动目标.     

利用边界运动显著性的红外运动目标分割方法

针对传统算法无法对短暂静止的红外运动目标进行准确有效地分割,该文提出了一种利用边界运动特征的红外运动目标分割方法。首先,定义了一种新指标边界运动显著性,该指标利用边界点时空域特性,可以准确反映图像中边界点的运动特征,显著性越高,则该边界点属于运动目标的可能性越大。然后,通过Otsu阈值法提取出显著性高的边界点,并利用历史数据对其进行修正,修正之后的运动边界点作为运动目标种子。最后,通过一种“逐层生长”的区域生长方法,在运动目标种子上分割出完整的运动目标掩膜。该方法在多组红外图像序列中进行测试与对比,结果证明该方法运动目标分割效果良好,目标背景的错分率低,可以准确检测并分割出短暂静止的运动目标。     

基于时空域滤波的红外弱小目标背景抑制

在红外成像探测系统中,对红外图像背景进行有效的抑制是准确检测出弱小目标的前提条件.基于目标在空域局部灰度稳定和时域运动连续的约束,提出了一种基于时空域滤波的红外弱小目标背景抑制新方法.首先,利用引导滤波保存图像细节和时域偏微分方程提取图像中突变区域的优势,实现对图像空域与时域中平稳和强起伏不同特征复杂背景进行抑制处理;然后,将时空域背景抑制结果利用相与操作算子处理完成对高度类似弱小目标信号的剔除;最后,为恢复前期抑制结果中丢失的目标信息,利用时空域融合结果作为引导图像进行进一步优化处理,得到最终背景抑制结果.仿真实验采用两组低信杂比运动弱小目标红外图像序列进行方法验证,并将该方法与几种背景抑制方法进行了比较,实验结果表明:该方法无论从主观视觉还是客观评价指标上均优于其他几种方法.     

基于时空二维目标描述的红外小目标跟踪

根据红外弱小目标的时空域特性,提出了一种基于时空二维直方图均值移动的红外弱小目标跟踪方法。本文构建了空域分量和时域分量来表示红外弱小目标,形成时空二维图像。当前帧图像包含目标的空域分布信息,因此将当前帧图像作为空域分量;差分图像包含目标的运动特性,反映了目标的时域特性,因此将前后两帧差分图像作为时域分量。利用时空二维目标表示方法,采用均值移动算法进行目标跟踪,同时根据Bhattacharyya系数来更新目标模板。采用实际拍摄的小目标视频来检测本算法,仿真结果显示本算法能稳健的跟踪红外弱小目标,均值移动算法的跟踪精度得到了较大的提高。     

基于运动矢量场的运动目标区域检测

基于稀疏运动矢量场,提出一种动态背景下的运动 目标区域检测方法。根据运动矢量场特性分析进行全局运动 参数估计和全局运动补偿,实现动态场景中的背景校正;利用最大树数据结构, 基于运动矢量补偿误差分级表示视频帧中 运动基本一致的连通区域,进行运动区域初始分类;根据运动目标在空间上的连通性和运动 一致性的特点,选择区域相似性 度量准则,进行区域合并和滤波,将具有相似运动的连通区域合并,实现运动目标区域检测 。将检测出的运动目标区域作为 运动矢量外点反过来又应用于全局运动参数估计过程中,全局运动估计和运动目标区域检测 交替地进行,不仅加快了它们的 计算速度,同时也提高了它们计算和检测的准确性。实验结果表明,本文算法能较好地补偿 序列的全局运动,有效地检测出 局部目标运动区域。     

基于帧差法和自适应阈值区域生长的红外运动目标检测

针对具有背景干扰、信噪比低的红外图像,提出了一种基于帧差法和自适应区域生长的红外运动目标检测方法.首先对红外图像进行了高帽变换,以抑制大面积背景的干扰,相邻帧图像间做帧差,初步提取目标区域;其次分析了红外目标的特性,针对其特性提出了一种基于灰度等级的自适应阈值分割方法;最后以帧差法检测的目标质心为种子点,以自适应阈值为分割准则,在预处理后的图像中进行区域生长,最终实现了红外运动目标的检测.结果表明,所提算法可抑制大面积背景的干扰,实现单个和多个红外运动目标的完整提取和检测.     

基于时空域融合滤波的红外运动小目标检测算法

针对红外警戒与跟踪系统中的实时弱小运动目标检测问题．提出了一种基于时空域融合滤波的小目标检测算法。算法在空域上利用形态学Tophat滤波抑制背景增强目标．在时域上通过改进的帧间差分方法增强运动目标,时空域处理结果融合分割后,根据目标运动的连续性和规则性．利用相邻帧中可能目标点之间的位置关系判别目标。算法全面考虑到了运动小目标在时域与空域方面的特性,时空域融合增强后可大大提高目标信噪比。通过实际录取的云层背景飞机目标红外数据检测表明,时空域融合滤波方法能更有效地从复杂背景中检测低信噪比运动小目标,减小虚警率．抗噪声干扰能力强。算法易于硬件实现,能够有效地应用于红外搜索与跟踪系统的实时目标检测中。     

基于背景移除的时域目标检测

针对时域目标检测算法中跟踪数据量大、实时实现难度高的缺点,提出一种基于背景移除的时域目标检测方法.该方法首先根据不同像素点的时域起伏特性建立一个统一的模型,进而利用最小二乘法估计出该模型的参数,实现静态背景的移除.然后采用最小值滤波估计出目标信号的检测基准,并进一步分析了像素时域特性偏离该基准的分布特性,最终得到一个合适的目标检测量度.将所给出的算法应用于实际运动弱小目标的检测,实验结果表明,此算法对于复杂背景下的运动弱小目标具有很好的检测性能.     

红外弱小目标背景抑制中的二维空域廓线法

为了实现天基红外遥感图像中的弱小目标检测,抑制复杂的结构背景,提出了二维空域廓线法。算法以一维时域廓线目标检测理论为基础,将其扩展到二维空域,应用于单帧目标检测。采用二维空域廓线可以获得背景估计,用原始图像减去背景图像可获得包含目标的前景图像。将本文算法与现有的单帧目标检测算法相比,可获得更大的ROC曲线面积,表明提出算法优于同类算法。     

采用边界评价的红外视频运动目标时空域分割方法

为了在红外视频中准确分割运动目标,提出了一种基于边界评价的红外运动目标时空域分割的新方法。首先,利用运动目标在时域差分图像中的空洞效应,提取出最有意义运动目标种子点。重点是运动目标的空间分割,利用种子区域整体与局部的关系,在提取出的种子上进行区域生长,可以得到不同生长阈值下的运动目标分割掩膜。为确定最佳生长阈值,提出了一种无需先验知识的红外目标分割掩膜边界评价准则,并采用分割-评价-再分割-再评价的循环迭代模式,利用由粗到精的搜索方法,找出最佳的生长阈值,同时得到最佳的运动目标分割掩膜。实验证明,所提出的方法能在红外视频中准确分割出运动目标区域,效果良好,性能鲁棒。     

Passive forensic based on spatio-temporal localization of video object removal tampering

To address the problem of identification of authenticity and integrity of video content and the location of video tampering area,a deep learning detection algorithm based on video noise flow was proposed.Firstly,based on SRM (spatial rich model) and C3D (3D convolution) neural network,a feature extractor,a frame discriminator and a RPN (region proposal network) based spatial locator were constructed.Secondly,the feature extractor was combined with the frame discriminator and the spatial locator respectively,and then two neural networks were built.Finally,two kinds of deep learning models were trained by the enhanced data,which were used to locate the tampered area in temporal domain and spatial domain respectively.The test results show that the accuracy of temporal-domain location is increased to 98.5%,and the average intersection over union of spatial localization and tamper area labeling is 49%,which can effectively locate the tamper area in temporal domain and spatial domain.     

基于背景抑制和特征点检测的目标检测算法

空域远距离红外目标探测系统中,飞行目标多表现为点状或面状的小目标,像素数少,且常伴有低空地面物体的干扰.根据空域和地面在梯度变化上的不同和目标本身的特性,提出了一种基于地面背景抑制和特征点检测的红外空中目标检测算法.分析了地面和空域在梯度变化上的特点,根据梯度变化大的像素的整体统计信息划分了空域和地面在图像中的分布,再通过特征点检测实现了候选红外飞行目标的检测.该算法适用于纯空域和低空背景,经过对实际采集的大量红外图像的仿真表明,本文提出的算法具有很强的实用性和鲁棒性.     

基于深度空时域特征融合的高动态空中多形态目标检测方法(特邀)

针对复杂背景下,依靠高超声速飞行器搭载的红外探测器对高动态空中目标的可靠探测和精确识别问题,提出了一种基于深度空时域特征融合的空中多形态目标检测方法。设计了加权双向循环特征金字塔结构提取多形态目标静态特征,并引入可切换空洞卷积,增大感受野的同时减少空域信息损失。对于时序运动特征的提取,为了抑制复杂背景噪声的同时将角点信息集中到运动区域中,通过特征点匹配法生成掩膜图,之后进行光流计算,根据计算结果设计稀疏光流特征图,利用3D卷积提取多个连续帧图像中包含的时序特征,生成三维时序运动特征图。最后,通过对图像静态特征与时序运动特征进行通道维度的拼接,实现深度空时域特征融合。大量的对比实验表明,文中方法可明显减少复杂背景下的虚假识别概率,具备高实时性的同时目标识别准确率达89.87%,满足高动态下的红外目标智能检测识别需求。     

Small Target Detection Using Bilateral Filter Based on Edge Component

Bilateral filter (BF) performs sharpness enhancement and noise removal by using two Gaussian filters, the domain filter in spatial domain and the range filter in intensity domain. To apply the BF to infrared (IR) small target detection, the standard deviation of the two Gaussian filters need to be changed adaptively between the background region and the target region. This paper presents a new BF for small target detection with the adaptive standard deviation based on the analysis of the edge component, also having the variable filter size. At first, threshold of pixel edge components for four directions decides whether any pixel is potential small targets or not. For the proposed BF operation for the potential small target pixels, its edge component is mapped to two standard deviations of the domain filter and the range filter in the proposed BF by mapping function. When the BF comes to a target region, the two standard deviations increase in proportion to the edge component to blur the small targets. To further blur the small targets, the filter size of the BF also increases by its edge component. This enables the BF to perform better and become more suitable in the field of small target detection Experimental results demonstrate that the proposed method is more robust and efficient than the conventional methods.     

基于特征显著性融合的红外小目标检测

复杂背景下的红外图像通常存在信噪比低、邻近像素灰度变化不明显以及易被杂波信号和噪声干扰的特点,导致红外小目标检测困难。为解决上述问题,提出一种基于特征显著性融合的红外小目标检测算法。首先,在空间域中利用目标与其局部背景灰度差异来计算得到灰度显著图,在频域中结合谱残差计算得到背景抑制后的频域显著图;其次,将灰度显著图和频域显著图归一化后通过哈达玛乘积相互融合;最后,通过自适应阈值分割并使用Unger滤波器剔除较小的噪声点,从而提取出目标区域。实验结果表明,所提算法对图像的信噪比有了数十倍的提升,对背景抑制效果显著,并有着检测率高和虚警率低的优点,是一种有效的小目标检测算法。     

热红外高光谱成像仪光谱匹配盲元检测算法

受红外焦平面阵列生产工艺及材料本身特性影响,红外焦平面阵列不可避免地存在盲元,严重困扰红外数据的处理与应用。光栅分光推扫式热红外高光谱成像仪一般以红外焦平面阵列的其中的一维作为光谱维进行推扫式成像,空间维只剩一维,与一般的热像仪具有二维空间维的成像机制有很大区别。常规的实验室定标法和开窗处理的场景检测方法不能满足该成像方式的盲元检测需求。以热红外高光谱成像仪中的盲元检测为目标,有针对性地提出了基于光谱匹配的盲元检测算法。该方法从光谱维角度出发,以不同温度实验室黑体定标数据生成温升光谱数据,在数据规则化处理的基础上,自动提取有效像元目标的伪光谱曲线,采用光谱角匹配的方式实现盲元的自动检测。以典型的热红外高光谱成像仪获取数据并开展盲元检测实验,结果表明该方法充分利用了热红外高光谱成像仪的光谱维信息,检测精度较高,盲元补偿后的数据可满足热红外高光谱数据的行业应用。     

基于深度帧差卷积神经网络的运动目标检测方法研究

复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络（Deep Difference Convolutional Neural Network,DFDCNN）.DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入（t帧和t+1帧）中获取时序信息;AppearanceNet用于从输入（t帧）中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明：DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.     

基于非下采样Contourlet变换的红外小目标检测方法

对存在背景干扰和噪声情况下的红外小目标检测方法进行了分析,提出了一种时空结合的红外小目标检测算法.首先根据背景图像变化较慢的特点,运用相邻帧相减以减少背景和噪声的干扰,接着对残差图像进行非下采样Contourlet变换,利用非下采样Contourle分解后子图像的特性抑制剩余的背景并消除噪声,提高了目标信噪比,最后通过...