基于支持向量机的红外成像跟踪算法

为提高传统红外成像跟踪算法的性能,克服相关跟踪对"图像灰度一致性"的要求,在分析光流方程和支持向量机基本理论的基础上,提出一种由光流方程引出的基于支持向量机的成像跟踪算法.以机动车的红外图像序列为研究对象,该算法利用支持向量机的分类值替代方差和误差函数,将每帧中分类值最大的位置看作当前帧中目标的位置,从而实现了对目标的跟踪.该算法不仅不要求满足"图像灰度一致性",而且有效地减少了跟踪的累积误差.研究结果表明,与传统相关跟踪算法相比,本文提出的跟踪算法的精度、稳定度和鲁棒性都有所提高.     

基于SIFT和加权信息熵的红外小目标检测

针对红外图像中弱小目标的检测需求,文中提出基于尺度不变特征变换Scale Invariant Feature Transform(SIFT)和加权信息熵的红外小目标检测算法.该方法根据红外小目标的成像特点,采用SIFT特征描述子进行关键点的提取,利用帧间的匹配初步获得了目标的可能位置;进一步使用红外图像加权信息熵得到图像在灰度信息和平均信息量意义下的特征;再针对复杂云背景成像弱小目标实时检测的需要对计算出的特征进行再一次判定进而检测出目标.实验结果表明该方法在天空云背景中处理效果较好,具有良好鲁棒性.     

基于奇异值分解的红外弱小目标检测

鉴于传统的基于单幅图像奇异值分解红外弱小目标检测算法的不足,提出了一种新的基于图像序列奇异值分解的红外弱小目标检测算法.首先,利用图像序列构造图像矩阵并进行奇异值分解,得到对应的特征值与特征向量;其次,利用处理后的特征值和特征向量重构图像序列,得到新的特征图像序列;再次,在特征图像序列中选取合适的特征图像进行处理从而增强目标并抑制背景;然后,对新特征图像进行阈值分割,得到要检测的弱小目标;最后,对序列中的每幅图像分别进行帧间位置修正与帧内位置修正,以达到检测红外弱小目标的目的.实验结果表明该算法具有很好的鲁棒性与实时性.     

基于背景重构和水平集的多运动目标分割

针对固定摄像机监控中多运动目标自动分割问题,本文提出了一种基于背景差分和水平集的新方法.首先,该方法通过求解连续三帧图像的对称差分,确定出当前帧中的背景像素点,并对背景像素点的灰度值进行统计,最后选择频率最高的灰度值作为该点背景像素灰度值来重构背景.其次,提出了基于8-邻域搜索的区域生长算法完成连通区域的检测,并通过设置阈值和连通域分析,消除背景块噪声并标定出运动目标区域.最后,对所有运动目标区域块,分别采用无需重新初始化的水平集算法作分割,得到封闭和完整的目标轮廓.实验结果表明,该算法能实现固定摄像机滥控中刚体或非刚体的多运动目标的自动检测和轮廓分割.     

一种新的声呐图像处理算法

针对高频声呐图像的目标检测问题,在分析声呐灰度图像像素点的灰度分布模型的基础上,提出了一种新的快速图像处理算法。该算法利用图像中各像素点处滑动窗内像素点的灰度分布模型的参数以及灰度分布模型和归一化灰度直方图的拟合误差为特征量,构造声呐图像的特征图,并采用自适应阈值算法进行图像处理。仿真结果表明该算法具有实时性好、准确度高的特点,并且可有效地克服背景干扰的影响,有利于人造目标的准确提取。     

基于最小一乘背景预测的红外小目标检测算法

本文提出了一种基于最小一乘背景预测的红外小目标检测算法.首先在建立最小一乘准则背景预测模型的基础上,根据最小一乘估计的性质,应用线性规划的方法解决最小一乘估计中极值的选取问题;然后将原始图像与预测图像相减得到预测残差图像;最后利用基于二维指数熵的图像阚值选取快速算法进行分割.文中给出了实验结果与分析,并与基于最小二乘背景预测的检测算法作了比较.实验结果表明,本文提出的算法具有更高的检测概率,优于基于最小二乘背景预测的检测算法.     

基于背景图像差分的运动人体检测

在背景图像差分的基础上,提出一种改进的实时背景更新算法.通过背景学习过程,利用若干帧连续图像中每点像素灰度值样本,估算对应像素点的灰度值均方差.利用正态分布的"3σ原则"对图像背景进行实时更新,消除背景变化对人体分割的影响.提出基于图像平均灰度值的阈值分割算法,以提高算法对不同光照强度的适应能力.提出基于垂直投影图的阴影消除算法,分析表明,人体躯干和影子区的垂直投影特性不同,由此可以有效消除人体影子.实验结果表明,本算法在不同的光照情况下能够完整分割运动人体图像.     

时空联合的红外运动目标提取算法

针对红外图像对比度差、边缘模糊的特点,提出了一种基于时空联合的红外序列图像目标提取的新方法.算法充分利用了红外目标的亮度特征、背景信息以及运动信息.时域分割中通过建立帧差图像背景的高斯分布模型,采用变化检测模板来确定红外目标约束区域.然后,构造图像像素与区域之间的空间关系隶属度矩阵并约束到传统的模糊聚类算法中,空域分割则利用该模糊聚类来对目标约束区域进行有效分割.最后将时空分割结果融合便能实现最终的红外目标提取.实验结果表明,该方法简单有效,能准确提取动态场景中的红外目标.     

复杂背景下的红外目标自动跟踪算法

提出了一种非线性边缘检测和Mean Shift方法相结合的红外目标检测与跟踪算法.采用双窗口算子的非线性边缘检测算法具有计算量小、速度快、图像质量好等优点.在边缘检测后的二值图像基础上,利用改进的Mean Shift跟踪算法实施目标跟踪.该跟踪算法融合了计算目标区域局部标准差的信息;利用灰度值和局部标准差的概率密度函数来描述目标;同时选择核函数级联方式进行目标密度估计,从而弥补了仅用灰度信息描述目标特征的不足.实验结果表明,该跟踪算法检测出的复杂背景下红外目标边缘清晰,并且能够准确地对目标实施自动跟踪.     

红外序列图像的支持向量机分割方法

红外序列图像的准确分割是自动目标识别的关键,而当图像背景复杂时,传统的图像分割技术往往难以满足要求,为此,提出了基于支持向量机的红外序列图像分割方法。序列图像中的部分帧被作为训练样本,通过选择适合的模型参数,运用支持向量机方法建立学习机器,将后续图像帧中的目标从复杂的背景中识别出来,从而实现红外图像分割。实际红外序列图像分割表明,基于支持向量机的图像分割方法不需要复杂的预处理和后处理工作,分割效果理想,对于小目标的图像,识别正确率可达 99%。