基于噪声方差估计的红外弱小目标检测与跟踪方法

针对红外弱小多目标图像背景杂波干扰严重、弱 小目标检测率低和目标跟踪困难的问题,提出一种 基于噪声方差估计的红外弱小目标快速检测与目标跟踪算法。首先采用改进的形态学 滤波抑制背景噪声, 对处理后的多帧图像进行方差估计初步突出目标像素;然后对其进行信噪比(SNR)估计得到整个图像序列像素得 分,图像中像素SNR高的被标记为目标像素;再对标记过的图像进行分块分析 ,准确提取出连续图 像序列中的目标像素;将检测出的目标像素作为Hough变换的目标跟踪算法的输入,设置双 阈值实现目标 的有效跟踪。实验结果表明,在复杂背景下的红外弱小目标提取中,基于噪声方差估计的目 标检测拥有较 高的检测概率和较低的虚警概率,将其获得的目标像素作为Hough变换的输入,不仅可以有 效跟踪目标, 而且简化了算法的复杂度,实现目标的快速提取和跟踪,具有很高的应用价值。     

基于改进高斯混合模型的红外人体目标检测方法

针对高斯混合模型在阴影不显著情况下,容易把随光线突变而变化的背景像素点当作前景目标从而造成目标误检的缺点,提出了一种基于改进的高斯混合模型的红外人体目标检测方法。该方法引入边缘检测信息增强红外人体目标检测效果。首先,该算法利用Canny边缘检测来提取人体目标的边缘信息。然后,以此对每个像素建立高斯混合模型来完成人体目标的检测。实验结果表明,该方法能够有效消除光照突变所产生的阴影影响,提高了检测的准确性。     

基于光谱尺度空间与管道滤波的红外目标检测

为了准确地从复杂干扰背景下检测出真实弱小目标,本文引入视觉显著性,设计了基于快速光谱尺度空间与动态管道滤波的红外目标检测算法。基于真实目标与背景内容之间的整体差异,引入快速光谱尺度空间与阈值分割技术,设计视觉显著性机制,对红外图像完成处理,输出全局显著性映射,以高效过滤干扰背景内容。考虑目标与背景的局部特征差异,构建自适应局部对比度增强机制,对粗检测结果实施处理,获取对应的局部显著性映射,改善视觉显著性区域内目标的对比度。引入高斯差分理论,通过估算每一帧红外图像中的目标像素直径,形成动态管道滤波,充分消除虚警,准确识别出弱小目标。多组实验数据显示：较已有的红外目标检测技术而言,在各种不同的复杂背景干扰下,所提算法呈现出更好的检测能力,拥有更理想的接收机工作特性(ROC)曲线。     

一种改进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检测率低、目标跟踪困难的问题,提出一种改进的红外弱小目标快速检测方法。该方法采用改进的形态学滤波抑制背景噪声,对处理后的多帧图像进行方差估计初步突出目标像素,然后对其进行信噪比估计得到整个图像序列像素得分,图像中像素信噪比高的被标记为目标像素,再对标记过的图像进行分块分析,最终准确提取出连续图像序列中的目标像素。检测出的目标像素作为Hough变换的目标跟踪算法的输入,设置双阈值实现目标的有效跟踪。实验结果表明,在复杂背景下的红外弱小目标提取中,基于噪声方差估计的目标检测拥有较高的检测概率和较低的虚警概率,将其获得的目标像素作为Hough变换的输入,不仅可以有效跟踪目标,而且简化了算法的复杂度,实现目标的快速提取和跟踪,具有很高的应用价值。     

改进的空间约束加权模糊核聚类红外图像分割

红外图像分割算法对复杂背景下的目标检测跟踪具有重要意义,提出了一种改进的基于空间约束的加权模糊核聚类红外图像分割新算法.在其中引入了红外图像像素间的空间位置约束关系和关于类别的结构信息,并定义了类别权重可靠性指数修正类别权重,不但抑制了红外图像中存在的噪声点和野值等干扰,而且可以保护红外图像中的小目标,防止被背景淹没.通过对实际红外图像的分割结果表明,该算法很大程度上减少了背景像素对目标识别的干扰,适于进行复杂背景下红外目标的准确分割.     

基于时域的红外图像序列中快速运动小目标检测算法

提出了一种新的红外图像序列中快速运动小目标时域模型。为差分图像序列中的背景像素、目标像素、杂波像素建立了模型,将目标检测问题转化为噪声中已知信号的检测问题,并应用相关检测技术进行目标检测。理论分析表明,在SNR和SCR均大于6的情况下,算法具有很好的性能,实验结果也证实了算法的有效性。     

基于深度学习的轻量化红外弱小车辆目标检测算法研究

伴随高速飞行器的不断发展,目标检测识别作为精确制导的关键一环,需要更高实时性、高准确性地进行目标定位和识别。当前,针对装甲车辆、车辆阵地等时间敏感目标精确检测识别的需求日益迫切,深度学习算法在特征提取及分类器设计上具备优势。文中以特定复杂背景下的小尺寸红外车辆目标为研究对象,针对样本数据少、平台资源受限、实时性要求高、检测精度高等需求,开展基于红外弱小车辆目标检测识别的轻量化深度学习算法研究。项目基于YOLOv5算法进行轻量化剪裁,减小模型的结构,提高实时性;提出了混合域注意力机制模块EPA,该模块通过不降维的局部跨信道交互策略使算法更快速有效地关注重要通道,抑制无效通道,并将通道注意力机制与空间注意力机制结合,使得算法更关注与目标相关的像素信息。提出了残差密集注意模块（RDAB）,该模块由密集残差块与注意力机制EPA构成,通过密集卷积层来提取充分的局部特征,通过注意力机制获取更有效的通道与像素信息,可以使得算法以较小的模型结构获得较好的检测效果。运用设计的网络对数据增广后的小尺寸红外车辆目标数据进行检测识别,并与多种典型算法进行对比实验。由实验结果可知,文中提出的JH-YOLOv5-RDAB网络检测识别效果优于其他网络,权重大小仅为6.6 MB,仅为YOLOv5s算法模型权重的一半,但算法检测效果更优,与93.7 MB的YOLOv5l算法的检测效果接近,mAP50达到95.1%。实验结果表明:该网络在红外弱小车辆目标检测上的优越性和可行性。     

一种改进的基于时域的红外弱小目标检测算法

提出了一种基于时域的红外弱小目标检测算法.该方法根据目标与背景的时域特性,建立了不同像素类型的时域模型.首先,对不同像素模型的时域方差进行分析,滤除掉天空背景以及云内部的像素;然后,根据时域剖面线偏离其包络线的程度不同,对弱小目标进行检测.理论分析和实验结果表明文中算法对于低信噪比条件下的弱小目标检测,具有很好的检测性能.     

红外小目标时域检测算法研究

为了解决红外小目标检测问题,提出了时域红外小目标检测方法.在图像序列中背景像素、目标像素以及杂波像素的时域差分模型基础上提出了红外小目标时域检测算法,算法共分为两步:相关检测和广义似然比检测.经过相关检测后,图像序列中的噪声几乎完全被门限所抑制,只有极少数噪声像素、全部目标像素和一小部分杂波像素可以通过相关检测门限.为了进一步从通过相关检测门限的像素中检测出目标,又提出了一种新的广义似然比检测方法.这种经过改进的广义似然比检测能够进一步抑制噪声和杂波,提高检测的性能.分析表明,时域目标检测算法能够以很高的检测概率和很低的虚警概率完成目标的检测,实验方法也证实红外小目标时域检测算法具有很好的性能.     

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。     

一种具有隐蔽色特征物体的图像分类方法研究

针对图像中某几类物体具有相似颜色特征而导致的分类困难问题,本文提出了一种具有隐蔽色特征物体的图像分类方法.该方法针对可见光图像中具有颜色隐蔽性物体而难以区分的问题,通过将二维图像的邻域像素空间特征与高光谱图像的谱段特征相结合并使用改进的局部线性嵌入降维算法实现了空谱联合的特征降维,最终利用主动学习胶囊网络训练高光谱数据...     

基于区域特征的视频序列人脸快速检测

提出了一种基于区域特征的快速人脸检测算法.采用瞬时差分和背景差分获取并跟踪运动目标.消除了运动目标引起的背景模型更新误差.在检测到的运动目标区域内.通过基于区域特征的马赛克三分图模型检测人脸区域,并利用频率直方图方法合并所检测区域,最终获得人脸位置.实验结果表明,平均检测时间为30ms/帧,检测准确率可达95.7%,算法复杂度低、检测效果好,适合各类视频图像的人脸实时检测.     

一种稳健的人脸检测算法

人脸检测是人脸识别系统的重要组成部分,对于安全级别较高或特殊场合的门禁系统而言,高准确率的人脸识别技术尤为重要。为提高门禁系统的安全性,采用了多种特征相结合的人脸识别算法,融合了背景分离、肤色检测、人脸五官特征检测、运动物体轮廓分析、人体运动跟踪等多种技术进行人脸检测测试,有效地解决了单一特征的人脸检测方法对人脸进行漏检和误检的问题。实验结果表明,该算法在复杂背景和光照条件不足以及有遮蔽物的情况下,均能快速准确地检测出人脸,误检率低。     

基于聚集疑似目标的快速TBD弱小多目标检测方法

提出了一种无需复杂图像预处理的快速的自适应弱小多目标检测方法,适用于有背景起伏的低SNR的噪声随机分布的红外图像序列.采用线性滤波算子,直方图排序分割,快速目标聚集三个核心算法,实现了高速的TBD弱小目标检测.根据直方图进行梯度滤波的结果自适应地进行门限分割,然后剔除随机的不聚集的高梯度值噪声,最后进行时间低通滤波,减少虚警率和漏检率.通过对比实验,表明本文提出的先跟踪后检测的方法,在具有良好检测效果的同时,速度优于需要复杂形态学滤波或中值滤波的方法.     

基于多级维纳滤波器的非均匀ΣΔ-STAP研究

该文提出了基于多级维纳滤波器的非均匀ΣΔ-STAP并行块处理算法,在非均匀环境下能快速有效检测动目标。文中基于多级维纳滤波的广义旁瓣对消器结构,提出了联合主波束检测和自适应功率剩余检测的两级级联非均匀检测算法,能有效增强对弱干扰目标样本的检测能力。同时,将改进的并行块处理引入非均匀ΣΔ-STAP算法,极大地降低了系统运算量。理论分析和仿真实验表明,该算法能有效剔除干扰样本,提高动目标检测性能,收敛速度快,运算量小,鲁棒性强,易于工程实施。     

背景自适应的多特征融合的弱小目标检测

针对红外复杂背景下的弱小目标检测难题,提出一种基于背景自适应的多特征融合的复杂背景下弱小目标的检测算法。首先,通过对红外图像进行空域滤波去除孤立噪声点,并利用恒虚警率分割消除大面积平稳背景,获得疑似目标集。然后融合红外图像的背景信息、弱小运动目标的灰度特征、目标与周围像素的方向梯度特征等多个典型特征,消除疑似目标集中的大部分假目标,最后运用运动特征获取真实目标的轨迹,最终实现复杂背景下的红外弱小目标的检测。实验表明:该算法能实现复杂背景下低信噪比的红外弱小目标快速检测,具有检测概率高,算法速度快,鲁棒性好的特点。     

静止轨道遥感卫星海面运动舰船快速检测方法

面向静止轨道光学遥感卫星,该文提出一种海上运动舰船目标快速检测方法。该方法首先利用多结构多尺度形态学滤波对海洋背景遥感图像进行背景抑制;然后采用自适应阈值分割和自组织聚类获得候选目标;再根据目标运动特征,利用静止轨道卫星凝视序列图像对候选目标进行多目标移动式邻域判决,剔除虚假目标;最后关联舰船目标以及融合卫星平台数据,可快速计算舰船状态等深层次动态信息。实验结果与分析表明,所提方法能有效检测海洋背景遥感图像中的多个运动舰船目标,准确获取各个舰船位置、航速、航向、运动轨迹等信息,具有算法简单,目标检测率高、虚警率低,稳定性好等优点。该方法为我国静止轨道光学遥感卫星在轨数据处理与应用提供了技术支撑。     

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。     

复杂背景中移动目标的快速识别与跟踪

本文提出一种基于差值的在复杂背景中快速识别和跟踪移动目标的方法。文章总结了关于移动物体连续两帧图像的特点，在图像对比中利用它们空间位移上的相对变化，确定了一套实用的算法，并在程序中改进了像素灰度的读取方式，从而使整套方法显得更加切实而有效。实验表明，本文算法在复杂背景下．对于移动目标识别快速，跟踪准确，抗干扰能力强。     

A hybrid algorithm for automatic segmentation of slowly moving objects

Segmentation of moving objects in video sequences is a basic task in many applications. However, it is still challenging due to the semantic gap between the low-level visual features and the high-level human interpretation of video semantics. Compared with segmentation of fast moving objects, accurate and perceptually consistent segmentation of slowly moving objects is more difficult. In this paper, a novel hybrid algorithm is proposed for segmentation of slowly moving objects in video sequence aiming to acquire perceptually consistent results. Firstly, the temporal information of the differences among multiple frames is employed to detect initial moving regions. Then, the Gaussian mixture model (GMM) is employed and an improved expectation maximization (EM) algorithm is introduced to segment a spatial image into homogeneous regions. Finally, the results of motion detection and spatial segmentation are fused to extract final moving objects. Experiments are conducted and provide convincing results.