基于最稳定极值区域方法的目标检测与跟踪

针对非刚体目标的精确实时跟踪问题,提出了一种融合先验形状信患的基于最稳定极值区域(MSER)检测器的跟踪算法.首先,利用训练样本建立目标颜色特征的混合模型,生成目标统计颜色概率图,为最大稳定区域方法提供概率统计依据.其次,利用基于最稳定极值区域方法给出最稳定的分割结果.最后,利用训练样本得到目标的先验动态形状模型,并且融合目标形状信息与通过MSER算法生成的稳定区域信息,去除虚假分割结果,提高目标检测精度与跟踪性能.实验结果证明,该算法能在视频序列图像中有效检测并跟踪目标.     

基于样本选择的RGBD图像协同显著目标检测

协同显著目标检测的目的是在包含两张及以上相关图像的图像组中检测共同显著的物体。该文提出一种利用机器学习的方法对协同显著目标进行检测。首先,基于4个评分指标从图像组中选择部分显著目标易于检测的简单图像,构成简单图像集;接着,基于协同一致性的原则,从简单图像集中提取正负样本,并用深度学习模型提取的高维语义特征表示正负样本;再者,利用正负样本训练的协同显著分类器对图像中的超像素进行分类,得到协同显著目标区域;最后,经过一个平滑融合的操作,得到最终的协同显著图。在公开数据集上的测试结果表明,所提算法在检测精度和检测效率上优于目前的主流算法,并具有较强的鲁棒性。     

融合颜色特征和对比度特征的图像显著性检测

图像显著性检测能够获取一幅图像的视觉显著性区域,是计算机视觉的研究热点之一。提出一种结合颜色特征和对比度特征的图像显著性检测方法。首先构造图像在HSV空间的颜色函数以获取图像颜色特征;然后使用SLIC超像素分割算法对图像进行预处理,基于超像素块的对比度特征计算图像显著性;最后将融合颜色特征和对比度特征的显著图经过导向滤波优化形成最终的显著图。使用本文算法在公开数据集MSRA-1000上进行图像显著性检测,并与其他6种算法进行比较。实验结果表明本文算法结合了图像像素点和像素块的信息,检测的图像显著性区域轮廓更加完整,优于其他方法。     

基于多特征扩散方法的显著性物体检测

现有的大部分基于扩散理论的显著性物体检测方法只用了图像的底层特征来构造图和扩散矩阵,并且忽视了显著性物体在图像边缘的可能性。针对此,该文提出一种基于图像的多层特征的扩散方法进行显著性物体检测。首先,采用由背景先验、颜色先验、位置先验组成的高层先验方法选取种子节点。其次,将选取的种子节点的显著性信息通过由图像的底层特征构建的扩散矩阵传播到每个节点得到初始显著图,并将其作为图像的中层特征。然后结合图像的高层特征分别构建扩散矩阵,再次运用扩散方法分别获得中层显著图、高层显著图。最后,非线性融合中层显著图和高层显著图得到最终显著图。该算法在3个数据集MSRA10K,DUT-OMRON和ECSSD上,用3种量化评价指标与现有4种流行算法进行实验结果对比,均取得最好的效果。     

基于背景先验与中心先验的显著性目标检测北大核心CSCD

针对传统的图流行排序显著性目标检测算法存在先验信息单一,显著目标检测不完整的问题,提出一种新的基于背景先验与中心先验的显著性目标检测算法。首先将图像边界节点作为背景种子进行流行排序获得粗略的前景区域,将其再次流行排序得到初步显著图;然后利用Harris角点检测、聚类实现中心先验显著性检测,捕获中心显著信息;最后在初步显著图上融合图像中心显著性,得到最终显著图。本文对综合指标、精确率-召回率曲线、F-measure值以及平均绝对误差(mean absolute error,MAE)值进行实验评估,在公开数据集MSRA-10K和ECSSD上进行的实验结果表明:对比10种主流算法,本文算法在不同的评估指标上都具有较好的表现,且能准确地突出显著目标,提升背景抑制效果。     

基于边缘引导的光场图像显著性检测

针对光场图像显著性检测存在检测目标不完整、边缘模糊的问题，本文提出了一种基于边缘引导的光场图像显著性检测方法。利用边缘增强网络提取全聚焦图像的主体图和边缘增强图，结合主体图和焦堆栈图像所提取的特征获得初始显著图，以提高检测结果的准确性和完整性；将初始显著图和边缘增强图通过特征融合模块进一步学习边缘特性的信息，突出边缘细节信息；最后，使用边界混合损失函数优化以获得边界更为清晰的显著图。实验结果表明，本文所提出的网络在最新的光场图像数据集上，F-measure和MAE分别为0.88和0.046，表现均优于现有的RGB图像、RGB-D图像和光场图像显著性检测算法。所提方法能够更加精确地从复杂场景中检测出完整的显著对象，获得边缘清晰的显著图。     

基于目标紧密性与区域同质性策略的图像显著性检测

针对基于图模型的显著性检测算法中节点间特征差异描述不准确的问题,该文提出一种目标紧密性与区域同质性策略相结合的图像显著性检测算法。区别于常用的图模型,该算法建立更贴近人眼视觉系统的稀疏图结构与新颖的区域同质性图结构,以便描述图像前景内部的关联性与前景背景间的差异性,从而摒弃众多节点的冗余连接,强化节点局部空间关系;并且结合聚类簇紧密性采取流形排序的方式形成显著图,利用背景区域簇的相似性,引入背景置信度进行显著性优化,最终得到精细的检测结果。在4个基准数据集上与4种基于图模型的流行算法对比,该算法能清晰地突出显著区域,且在多种综合指标评估中,具备更优越的性能。     

基于加权的K近邻线性混合显著性目标检测

显著性目标检测旨在于一个场景中自动检测能够引起人类注意的目标或区域,在自底向上的方法中,基于多核支持向量机(SVM)的集成学习取得了卓越的效果。然而,针对每一张要处理的图像,该方法都要重新训练,每一次训练都非常耗时。因此,该文提出一个基于加权的K近邻线性混合(WKNNLB)显著性目标检测方法:利用现有的方法来产生初始的弱显著图并获得训练样本,引入加权的K近邻(WKNN)模型来预测样本的显著性值,该模型不需要任何训练过程,仅需选择一个最优的K值和计算与测试样本最近的K个训练样本的欧式距离。为了减少选择K值带来的影响,多个加权的K近邻模型通过线性混合的方式融合来产生强的显著图。最后,将多尺度的弱显著图和强显著图融合来进一步提高检测效果。在常用的ASD和复杂的DUT-OMRON数据集上的实验结果表明了该算法在运行时间和性能上的有效性和优越性。当采用较好的弱显著图时,该算法能够取得更好的效果。     

基于全卷积网络的语义显著性区域检测方法研究

基于底层视觉特征和先验知识的显著性区域检测算法难以检测一些复杂的显著性目标,人的视觉系统能分辨这些目标是由于其中包含丰富的语义知识.本文构建了一个基于全卷积结构的语义显著性区域检测网络,用数据驱动的方式构建从图像底层特征到人类语义认知的映射,提取语义显著性区域.针对网络提取的语义显著性区域的缺点,本文进一步引入颜色信息、目标边界信息、空间一致性信息获得准确的超像素级前景和背景概率.最后提出一个优化模型融合前景和背景概率信息、语义信息、空间一致性信息得到最终的显著性区域图.在6个数据集上与15种最新算法的比较实验证明了本文算法的有效性和鲁棒性.     

基于“轮廓-区域”多层互补特性的显著性检测

针对显著性检测在混杂场景中目标容易混淆的问题,本文借助Gestalt心理学理论,利用轮廓线索与外观线索的互补特性,提出一种基于"轮廓-区域"多层互补特性的显著性检测方法.首先,在图像超像素分割基础上,分别提取基于颜色直方图的全局外观线索和基于区域近邻关系的局部对比度线索,充分描述了区域内容的显著性特征;其次,针对混杂场景的区域外观差异小而引起的目标混淆问题,提取基于边缘的目标轮廓封闭性,描述区域轮廓的显著性特征;最后,为了提高对目标尺寸的自适应能力,本文方法使用支持向量机优化多尺度模型中的"轮廓-区域"互补特性融合过程.在ASD,MSRA10K,SED2公认数据集上的实验表明,本文基于轮廓封闭特性的显著性特性,能够有效改善目标显著性查全率、查准率,优于现有的其他先进方法.     

基于视觉对比机制的红外弱小目标检测方法

为解决复杂背景下红外弱小目标检测精度低的问题,本文提出一种基于视觉对比机制的红外弱小目标检测方法,算法主要模拟了人眼对目标对比度敏感这一机制。首先利用8向梯度方程提取红外图像的梯度显著图并二值化处理;根据小目标的尺寸大小特征对梯度显著图进行优化处理,剔除孤立的噪声点和尺寸较大的背景梯度显著区域;利用视觉对比机制对优化后的显著图进行局部对比度计算,通过阈值处理剔除虚警目标,完成红外弱小目标检测。仿真实验表明,该算法在低信噪比情况下对红外弱小目标的检测率较高,且虚警率低,单帧检测时间较小。     

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。     

基于视觉显著性的海面舰船检测技术

海面舰船检测技术有着特殊的军用以及民用意义,为了在宽广且环境复杂多变的海面上快速、高效、精确地检测到舰船目标,本文提出了一种基于多特征、多尺度视觉显著性的海面舰船检测方法.该方法充分利用了四元数图像可在多个通道上同时进行操作,节省操作时间,并保证不同尺度特征之间关联性的特点;除此之外,该方法还利用人眼对不用大小的图像关注目标不同的特点对图像进行尺度大小变换以避免漏检.该方法先用顶帽算法对原图进行简单的图像预处理以抑制云层、油污的干扰;其次提取多种特征构成四元数图像进行舰船目标显著性检测;在得到显著图后利用OTSU分割算法确定舰船所在的区域,并在原图上标定、提取舰船目标.通过在多种海面情况下分别进行实验分析,实验结果表明该算法可以排除云、雾、油污等干扰,精确、快速地检测到舰船目标,真正率达96.52%,虚警率低至2.11%,相较于他显著性检测算法在舰船检测方面有明显的优势.     

基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测

在超宽带合成孔径雷达叶簇隐蔽目标检测中,传统的UWB SAR图像变化检测方法易受图像灰度值起伏和成像条件变化的影响,致使现有的变化检测算法的性能下降.本文根据人类视觉系统的生理结构和认知特点,提出了一种基于视觉注意机制的叶簇隐蔽目标变化检测算法.该方法使用视觉注意模型,将图像的多尺度特征信息融合为单幅视觉显著图像,并利用图像局部邻域信息和目标的空间相关特性对视觉显著图中视觉注意焦点进行分层筛选和变化检测.实验结果表明:本文中基于视觉注意机制的变化检测方法可以有效检测多时相UWB SAR图像中的叶簇隐蔽目标,较之传统的基于统计原理的变化检测方法,其检测速度更快,且对场景复杂的UWB SAR图像亦具有鲁棒性.     

一种基于视觉注意模型的可移动目标检测方法

提出了一种基于视觉显著性的目标检测算法,用于对位于地面上的车辆、飞 机等地面可移动目标进行检测和定位。针对地面可移动目标在场景中较小的特点,设计了一种用于对 目标检测进行引导的基于视觉注意机制的目标显著模型。首先,提取图像目标的颜色特征、强 度特征和方向Gabor特征,并将其结合起来用于计算显著图。然后以超像素为单位对 显著值进行计算,并结合人眼视觉敏感度对不同距离的超像素之间的差异进行加权处理。实 验结果表明,本文算法可以有效地检测并定位出复杂背景中的地面可移动目标。     

结合改进显著性检测与NSST的红外与可见光图像融合方法

针对当前基于显著性检测的红外与可见光图像融合方法存在目标不够突出、对比度低等问题,本文提出了一种结合改进显著性检测与非下采样剪切波变换（non-subsampled shearlet transform, NSST）的融合方法。首先,使用改进最大对称环绕（maximum symmetric surround, MSS）算法提取出红外图像的显著性图,并进一步通过改进伽马校正进行增强,同时应用同态滤波增强可见光图像。然后,对红外图像与增强的可见光图像进行NSST分解,利用显著性图指导低频部分进行融合;同时设定区域能量取大规则指导高频部分融合。最后,通过NSST逆变换重构融合图像。实验结果表明,本文方法在平均梯度、信息熵、空间频率和标准差上远优于其他7种融合方法,可以有效突出红外目标,提高融合图像的对比度和清晰度,并保留可见光图像的丰富背景信息。     

基于显著性映射与兴趣点凸壳的图像融合算法

提出了一种基于显著性特征的可见光与红外图像融合算法来改善目标的融合质量.引入显著检测器对红外图像进行处理,生成显著映射;进一步分析红外图像并检测兴趣点,提取图像中的显著兴趣点;通过计算显著兴趣点的凸壳确定显著区域;利用显著兴趣点凸壳对初始显著映射进行优化,使目标定位更加精确.根据区域映射获取可见光图像的背景区域;根据不同的融合准则对目标、背景区域进行融合,获得最终的融合图像.结果表明与当前可见光图像融合技术相比,所提算法在标准差、联合熵与边缘信息因子等指标方面具有优势,其融合图像的细节纹理更清晰.     

基于无监督栈式降噪自编码网络的显著性检测算法

针对现有的显著性检测算法检测目标类型单一、通用性差的问题,提出一种基于无监督栈式降噪自编码网络的显著性检测算法.该算法利用无监督栈式降噪自编码网络（Stacked Denoising Auto Encoder,SDAE）在多个尺度对原始图像进行稀疏重构,将原始图像与SDAE网络重构图像之间的差作为显著图,二值化后的显著图作为显著性目标检测结果.在SDAE网络训练过程中,将原始图像作为原始数据,网络重构的图像作为观察数据.为了提升网络训练效率,首先利用无监督逐层贪婪方法训练同结构的深度信念网络（Deep Belief Network,DBN）,将训练得到的DBN网络参数设为SDAE网络的初始参数,再计算原始数据与观察数据之间的互信息作为网络收敛代价,利用反向传播进行网络参数微调.实验表明,该网络模型可以完成多类型目标的显著性检测,具有通用性好,准确度高等优点.     

基于改进LCM的红外小目标检测算法

如何在复杂背景和低信杂比条件下准确检测到小目标对于精确制导武器的发展和红外预警等具有重要意义。为了在复杂背景条件下提高图像信杂比并有效地检测出小目标,提出一种基于中心域与邻域灰度对比度的红外小目标检测方法。通过计算输入图像的对比度图和显著度图,提高了目标对比度同时抑制背景杂波;在此基础上自适应设定阈值分离出小目标。实验结果表明:与传统LCM（Local Contrast Measure）方法相比,所提出的方法能够取得更高的检测率和较低的虚警率,尤其是对于复杂背景下的弱小目标检测,相对于对比算法,优势更明显。     

地面小目标快速检测算法研究

由于地面小目标像素低、携带信息量少等特点,常规数据集上的目标检测算法直接用于地面小目标的检测,会出现漏检和错检现象。针对此问题,该文基于深度学习算法,提出将一种改进的YOLOv3算法应用于地面小目标检测。利用K-means算法对数据集中目标进行聚类分析,选取合适的anchor boxes数量和大小。通过增加一个检测小目标的特征图,建立特征融合目标检测层,改进YOLOv3网络检测尺度。在遥感数据集DOTA检测实验中,用改进的YOLOv3算法与YOLOv3算法进行对比实验,结果表明改进后的算法能有效检测地面小目标,查准率提高17.04%,查全率提高了6.44%;与Faster R-CNN算法对比,改进的YOLOv3算法的mAP提高了12.7%。在改进的YOLOv3算法训练时,加入dropout优化机制,其在测试集上的mAP得分又提高了3.24%。