小波分析理论在图像目标检测中的应用

根据小波分析理论,提出了能量特征图和基于多尺度分析的边缘特征图相融合的特征融合方法,使得目标检测在考虑了图像局部信息的同时又考虑了图像的整体信息,同传统的单一分辨率下的目标检测方法比较,有效地提高了目标检测算法的效能.实验验证了该方法对复杂自然背景和不同类型的人造目标具有较强的自适应性,检测性能不受目标运动状态的影响.     

红外偏振舰船目标自适应尺度局部对比度检测

针对海天场景复杂干扰情况下多尺度检测红外偏振图像中舰船目标困难的问题,本文提出一种基于引导滤波和自适应尺度局部对比度的舰船目标检测方法。首先将强度信息作为引导信息对红外偏振图像利用引导滤波,得到目标背景对比度、局部信噪比更高的融合图像;然后基于融合图像显著的海天线垂直梯度特征,提出一种检测海天线方法,再对融合图像进行海天线加权抑制海杂波干扰;最后基于单尺度局部对比度算法与舰船目标比例特征,提出自适应尺度局部对比度方法,当尺度与目标匹配时响应最大,通过不同尺度对目标的响应结果确定最大尺度,得到舰船目标检测结果。实验结果表明,引导滤波融合方法的提高图像的目标背景对比度和局部信杂比,与典型检测方法对比,本文方法能够有效抑制干扰并能够检测海天场景不同尺度舰船目标,具有较高的鲁棒性和准确性,检测率、虚警率分别为95.0%,3.5%,为红外偏振图像目标检测提供了新的方法。     

融合注意力和多尺度特征的典型水面小目标检测

为解决多场景复杂海况背景水面小目标检测存在的可利用特征少、纹理信息弱等问题,提升无人艇的环境感知能力,本文提出一种融合注意力和多尺度特征的典型水面小目标检测算法。首先,在网络的深层使用空洞空间金字塔池化模块融合目标的全局先验信息。其次,通过注意融合模块自适应地增强目标浅层空间位置和深层语义信息特征,提高网络的特征表示能力。最后,通过多尺度特征融合实现高性能的目标检测。本文构建了典型水面小目标数据集,并基于无人艇开展了真实海况下水面小目标检测的算法验证。实验结果表明,该算法在无人艇NVIDIA平台检测速率达到17 FPS,能准确识别水面小目标,mIoU比原始特征金字塔网络算法提升7.58%,平均检测精度提升11.41%,达到82.36%。     

结合局部特征及全局特征的显著性检测

针对目前大多数显著性检测方法中采用背景种子以及局部区域对比度显著性检测模型的缺点,本文提出了一种综合考虑局部特征以及全局特征的显著性检测算法。在对图像进行分割之后,算法首先融合了采用多特征方式生成的背景显著图与采用前景区域对比度方式生成的前景显著图,之后使用高斯滤波器对融合后的结果进行优化形成局部特征显著图。其次,在局部特征显著图的基础上提取多种特征的样本集合进行训练,从而得到全局特征显著图。算法最后将第一步生成的局部特征显著图与全局特征显著图进行结合生成最终的显著图。实验部分验证了算法各部分的有效性,并且在3个公开数据集上对文章方法与近年来优秀的显著性检测算法进行了对比,实验结果显示,本文算法在CSSD数据集上的准确率、召回率以及F-measure分别达到了0.837 5、0.743 4和0.813 7,在其它数据集上也有良好表现。实验表明,本文算法能够有效抑制背景区域,并且高亮前景区域,更好地检测出显著目标。     

基于统计和纹理特征的SAS图像SVM分割研究

合成孔径声呐图像可以有效反映海底的地形、地貌和底质等情况,但是单幅SAS图像通常对应一片较大的区域,需要按照某种性质将不同性质的区域分割开来,以有利于下一步的图像分析以及目标检测和识别.研究发现,不同底质区域的SAS图像具有不同的统计和纹理特征,选取灰度直方图的均值、标准差、峰度等统计特性和灰度共生矩阵的能量、相关性、对比度、熵值等纹理特性用以描述SAS图像的不同区域.将选取的特征作为SVM的训练特征,进而得到SVM分类器,用于SAS图像分割.实验结果表明,SVM算法可以很好地对SAS图像进行区域分割.     

基于改进LBP和DBN的人脸识别算法研究

针对传统LBP算法的人脸识别易受光照、背景、遮挡等因素的影响,使用改进局部二值模式(LBP)和深度信念网络(DBN)相结合的方法,用多尺度块局部二值模式(MB-LBP)算法获取人脸图像的纹理特征,在此人脸纹理特征的基础上使用中心对称局部二值模式(CS-LBP)算法获取图像的纹理特征,然后将两次获得的纹理特征图像的直方图进行融合,并将其输入到DBN中进行训练,优化网络参数。     

采用PHOG融合特征和多类别Adaboost分类器的行为识别

为了解决类能量图易受人体运动时间和位置移动等因素影响而难以有效描述动作细节特征的问题,本文提出了一种基于类能量图金字塔梯度直方图(PHOG)融合特征和多类别Adaboost分类器的人体行为识别方法。该方法首先对经过躯体配准的运动人体目标轮廓图像构造平均运动能量图(AMEI)和增强的运动能量图(EMEI),分别提取其分层梯度方向直方图(PHOG)特征并进行串联融合,作为一种多层次的行为特征描述;然后使用基于查找表的LUT-Real Adaboost算法设计多类别分类器,实现图像中人体行为动作的识别。实验结果显示其在典型的人体动作数据集DHA上的正确识别率达97.6%,高于其它采用单一特征描述和SVM等分类器的方法。表明该方法将整体与局部特征相结合,可以有效描述不同尺度下的动作细节特征,增强了人体行为特征的描述能力,提高了识别性能。     

基于多特征的红外与可见光图像融合

针对传统图像融合方法易导致融合图像整体对比度低及细节反差小的问题,提出一种多特征加权多分辨率图像融合方法。首先,对多尺度分解后的低频系数进行边缘特征、平均梯度特征的提取,同时对高频系数进行相关信号强度比特征的提取。然后,通过边缘特征级融合指导像素级图像融合得到高频系数;针对合成模块中简单加权法易引起边缘或纹理局部模糊的问题,提出分两种情况分别合成同一位置的多尺度分解系数。最后,通过平均梯度特征自适应加权得到融合图像的低频系数,并对低频和高频系数进行多尺度逆变换得到融合图像。实验表明,本文方法的融合性能优于经典的融合方法,其融合质量评价指标中的标准差、空间频率、信息熵和平均梯度分别提高了15.12%、4.30%、6.15%和3.44%。     

一种图像边缘特征提取算法

边缘作为一个重要特征是图像目标检测中基础而又困难的一个问题.用常规方法进行边缘检测时,噪声会影响到边缘特征提取的准确性.为了减小噪声对图像边缘特征的影响,改善边缘特征的定位精度,本文提出了一种新的图像边缘特征提取算法.该方法利用小波变换天生的多尺度特性,对小波变换各尺度下的细节图像用互能量交叉的方法进行噪声抑制和边缘识别.最后作了实例验证.     

基于NSST和改进PCA相结合的红外偏振图像融合

针对当前红外偏振图像融合的主流方法——多尺度几何分析法对图像表示只侧重某一方面的特点和空间域融合方法主成分分析法(PCA)易丢失小目标的缺点的问题,本文提出一种基于非下采样剪切波变换(NSST)和改进PCA相结合的红外偏振图像融合方法.该方法能充分利用NSST对图像细节表示的有效性和PCA能突出主要特征的特点,综合二者的互补性,充分保留不同源图像的目标和细节特征.首先用NSST将源红外光强和偏振图像分解为低频和不同方向的高频分量;其次,低频分量用改进的PCA进行融合,高频分量用局部能量和局部方差联合进行决策融合;最后,用NSST逆变换重构融合图像,得到最终红外偏振融合结果图.实验结果表明,本文方法在细节保留和视觉效果等方面较其它方法均有较高优势.     

融合分数阶微分边缘特征的自适应跟踪

为提高跟踪方法对背景信息、光照变化的抗干扰能力,提出融合分数阶微分边缘特征信息的改进跟踪方法。将R-L分数阶微分边缘检测算子与Laplacian边缘检测算子进行融合,构造出对高、中频信息提升,而对低频信息能够非线性保留的混合边缘检测算子,并利用其实现目标模板及场景图像的边缘特征信息检测。基于目标色度特征和边缘特征两种直方图模型,分别建立场景图像的反向概率投影值,根据背景信息的动态变化,以抑制背景干扰信息为目的,建立自适应融合的反向概率投影图,提高算法对不确定环境变化信息的鲁棒性。实验结果表明,混合边缘检测算子能够提高边缘图像的信噪比,改善边缘提取的效果。边缘、色度特征信息自适应融合的跟踪方法单帧跟踪时间小于20 ms,满足实时性要求。该方法能够在光照变化明显和与目标颜色相似背景等情况下有效实现目标识别与跟踪功能。     

采用轮廓特征匹配的红外-可见光视频自动配准

为了精确地配准近平面场景下的红外-可见光视频序列,本文提出了一种基于轮廓特征匹配的自动配准方法,通过迭代匹配目标轮廓特征来解决异源图像中配准特征的提取和匹配难题。首先,采用运动目标检测技术获取目标轮廓,并由曲率尺度空间(CSS)角点检测算法提取轮廓特征点。此后,建立全局形状上下文描述子和局部边缘方向直方图描述子描述特征,从而实现可靠的特征匹配。来自不同时刻的匹配点对被保存在一个基于高斯距离准则的特征匹配库中。最后,为了克服近平面场景中目标深度变化的影响,本文结合前景样本随机抽样策略计算配准矩阵的损失函数,完成对全局配准矩阵的更新。在LITIV数据库上对方法进行实验验证,结果表明本文方法的配准精度优于当前先进的对比方法,在9个测试视频上的平均重叠率误差仅为0.194,与对比方法相比下降了18.5%。基本满足了近平面场景下红外-可见光视频序列配准的精度要求,且具有较高的鲁棒性。     

基于改进多尺度分形特征的红外图像弱小目标检测

为提高红外图像弱小目标检测的准确率和实时性,在分析用于红外图像增强的分形参数K相关的多尺度分形特征(MFFK)基础上,提出了一种基于改进多尺度分形特征(IMFFK)的红外图像弱小目标检测算法。首先,将基于地毯覆盖法的分形维数计算公式代入MFFK计算公式,提出了一种改进多尺度分形特征(IMFFK)用于图像增强。其次,对IMFFK特征计算进行简化,采用自适应阈值分割得到感兴趣目标区域,提出了一种具有较高计算效率的红外图像弱小目标检测算法。最后,通过仿真图像分析了主要参数对图像增强和算法耗时的影响,采用红外真实图像进行了算法检测性能测试,并与当前基于局部对比度测度的目标检测算法进行了对比。实验结果表明,提出的算法虽然在一些检测场景具有较多虚警,但能同时适用于弱小目标和较大目标检测,且无论目标为亮目标或暗目标。提出算法对于低分辨率红外图像(320×240)检测接近30 frame/s。提出算法具有较强的适用性,能够检测出红外图像中具有较高局部对比度的目标。     

基于改进特征金字塔的小目标增强检测算法

小尺寸的物体由于其在图像中分辨率相对较低的原因,在检测任务中容易被丢失和误判。针对目前目标检测算法对小尺寸目标检测精确度远低于其他尺寸目标检测精度的问题加以改进,将小尺寸目标特征增强融入特征金字塔结构。利用多尺度特征融合的特征增强能力丰富小尺寸目标特征层的特征信息,从而使小尺寸目标检测精准度得到提升。将改进特征金字塔结构应用于YOLOv3网络,实验对比研究表明,小尺寸目标检测精准度可以达到0.179,较原网络提升了22.6%。     

基于纹理及统计特征的视频背景提取研究

背景提取是视频监控及运动跟踪的基本问题,针对交通视频监控应用中图像亮度变化和路口交通繁忙的实际特点,提出基于纹理特征及统计学模型的背景提取方法,完成背景的稳健提取和实时更新。首先根据灰度—基元共生矩阵建立图像的纹理特征描述并据此初步判断某一区域是否有运动目标,进一步基于混合高斯分布模型进行背景像素判别和背景提取,最后应用多分辨率计算方法提高算法实现效率。实验结果表明,该方法能够更好的适应光照条件的不同变化,同时在交通状况繁忙的路口也能够准确的获取背景图像,计算时间仅为原来的1/4,从而满足背景提取算法在复杂环境下稳健性和实时自适应更新的要求。     

基于字符特征约束的自适应车牌校正提取

针对复杂多变环境中难以快速、精确提取车牌的问题,提出了一种利用字符特征智能校正提取车牌的方法。首先通过Gamma校正和Canny算子结合的方法在灰度图中实现自适应阈值边缘检测,解决了分割阈值选取的难题;然后应用字符特征约束条件提取特征轮廓,根据特征轮廓分布规律提取车牌候选区,避免复杂运算的同时提高了定位准确性;最后对候选区进行线性畸变校正并利用行灰度跳变统计实现了车牌真实性验证和精确提取,为后续的识别工作提供了良好条件。对不同环境中随机采集的700幅高清图像进行测试,综合提取准确率为96%,提取车牌字符规整、无多余残留信息。实验结果显示,该方法对图像中车牌状态、背景环境、光照条件等限制极少,具有更广的适用范围和更强的鲁棒性。     

采用视觉特征整合的红外弱小目标检测

针对红外光学系统在复杂背景下的弱小目标检测问题,建立了基于特征整合的信息处理模型,提出了采用视觉特征整合的弱小目标检测方法。该方法首先利用视网膜神经节细胞感受野的数学模型DOG(Different-of-Gaussian)对红外图像进行初级信息处理,初步检测出弱小目标。而后,分为空域和频域两个通道进行特征提取。在空域通道,利用图像信息构造二阶微分Hessian矩阵,通过计算其直迹与行列式进行局部极值的判定,提取出含有弱小目标的结构分量特征;在频域通道,利用小波对图像频域进行二级分解,提取出含有弱小目标的高频分量特征。最后,将空域通道与频域通道的分量特征整合,提取出复杂背景下的弱小目标。实验结果表明:当虚警率为10-3时,该方法对弱小目标的平均检测概率为95.17%。基本满足红外弱小目标检测方法的稳定可靠、精度高等要求。     

窗口融合特征对比度的光学遥感目标检测

提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗,计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值,在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后,采用Naive Bayes框架进行特征融合,并训练分类器。在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值,初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征,再根据训练好的分类模型计算各个窗口的后验概率。最后,挑选出局部高分值的候选区域并进行判断合并,得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示:4类特征在单独描述3类目标时表现出的性能各有差异,最高检测准确率为74.21%~80.32%,而融合方案能够综合考虑目标自身特点,准确率提高至80.78~87.30%。与固定数量滑动窗方法相比,准确率从约80%提高到约85%,虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%,测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。