基于二维频域投影的弱小运动目标检测方法

针对光学成像弱小运动目标难以准确快速检测问题,提出了基于图像序列行列最大投影的二维频域运动小目标检测算法。首先,为了减少计算复杂度和使目标背景分离,将经过背景全局运动补偿后的视频向二维频域投影并去除频率为零的成分,从而获得含弱小运动目标和噪声的图像序列;其次,通过行列序列最大投影,得到信噪比提高的含弱小运动目标的行列图像;然后,通过主运动滤波和图像重构,检测到滤除配准误差和噪声的弱小运动目标;最后,针对强噪声干扰下的弱小运动目标检测问题进行了仿真实验,仿真结果表明,所提算法不仅可有效的检测出弱小运动目标,而且相对单一的行列分解图像在二维频域内有更高的检测信噪比。     

运动平台成像系统弱目标检测方法

本文结合机载红外搜索/跟踪系统等光学成像系统的实时信息处理需求,提出了一种运动平台条件下成像系统的空-时弱目标检测方法.该方法首先在空间上进行二维广义最大似然比检测提取出图像序列中的潜在目标,然后在时间上进行多级假设检验判决,从而检测出真实目标.算法有效均衡了统计检测性能和计算复杂度之间的矛盾,在实际应用中取得了良好的效果.     

频域内面向目标检测的领域自适应

近年来,基于深度学习的目标检测技术在机器人、自动驾驶和交通监控等领域有着广泛的应用。然而,由于训练集和测试集样本分布偏差的原因,将现成的预训练检测器应用到实际开放场景时通常会出现明显性能下降。针对该问题提出了一种频域内的领域自适应方法,利用离散余弦变换的频域能量集中特性,通过在频域内对少数重要频率系数进行处理,实现了面向目标检测的领域自适应,降低了对存储和计算资源的要求并减少了领域差异。该方法可以分为两个阶段:第一阶段使用无监督图像转换方式,将源域已标注的训练数据向目标域作转换;第二阶段采用基于对抗的领域自适应方法训练目标检测模型,对转换后的训练数据与目标域内的数据作特征适配。针对不同天气场景的目标识别实验表明:所提的频域内领域自适应方法在4种领域自适应对比算法中排名第一,与仅用源域数据训练的模型相比,mAP值提升了33.9%。     

基于运动特征的远距离红外目标检测方法

在红外热图像序列中检测远距离运动目标具有重要的军事和民用价值。由于远距离目标成像后所占的像素较少,同时受成像环境和成像条件的影响可能会存在较强的背景噪声,目标与背景的差异不明显,检测比较困难。本文针对热红外图像序列,提出了一种远距离目标的检测方法。该方法首先利用top-hat算子选择备选目标,然后利用备选目标在不同帧中的相关程度分析目标的运动特征,选择有确定运动特征的目标作为检测结果。该方法不需要进行背景估计,可以有效地避免强背景噪声的影响;通过调整运动模型,可以应用于不同运动特征的目标检测问题。实验结果证明了本文方法的有效性和鲁棒性。     

视频序列中运动目标检测与跟踪方法研究

提出了一种从摄像头获取的彩色图像中准确地检测出运动目标并进行实时跟踪的算法。首先将采集到的彩色视频图像序列转化为灰度图像,研究了几种图像锐化方法并进行了比较。然后进行帧间差分和阈值分割,成功分离出运动目标。最后采用投影法得到运动目标的大小及位置。实验结果表明,提出的运动目标检测与跟踪方法简单、有效、实时性高。     

红外图像中快速运动目标的检测与跟踪方法

红外热成像图像具有分辨率较低,细节模糊,对于快速运动目标适应性较差的特点.本文提出了一种结合目标检测算法,目标跟踪算法的红外图像中快速运动目标的检测与跟踪方法.该方法根据红外图像特点,使用ViBE算法检测运动目标,检测出图像中显著运动目标后,触发跟踪器,使用fDSST目标跟踪算法对显著运动目标进行跟踪.测试结果表明,该方法对于快速运动的红外图像目标能够高效检测、快速跟踪.检测与跟踪效果相对传统方法具有检测率更高、鲁棒性更好、实时性更强的优势,对于红外图像中目标检测与跟踪具有很强应用价值.     

视频序列中运动目标检测与跟踪

针对视频序列中运动目标的检测与跟踪,提出了一种基于边缘检测的背景差分算法。这种算法计算量较小,比较简单,在可以得到完整的运动目标的边缘信息的前提下,还不会受到背景的改变和光线的变化等外界因素的干扰。实验结果表明该方法具有良好的鲁棒性。     

基于OpenCV的交通视频运动目标检测与跟踪

智能交通系统（ITS）是目前世界交通运输领域正在研究和广泛关注的课题。OpenCV是一种用于数字图像处理和计算机视觉的函数库,由Intel公司开发。本文在目标检测方面,对采集到的交通视频进行灰度化、中值滤波、背景建模、二值化,背景差分等处理,可以较准确地检测出运动目标。在目标跟踪方面,提出了CamShift算法和Kalman滤波器相结合的方法,实现视频车辆的精确跟踪。最后,利用OpenCV的运动物体跟踪的数据结构、函数库,建立了一个视频车辆分析系统。用于道路上车辆的检测与跟踪,并具有良好的鲁棒性。     

基于运动检测的目标跟踪算法研究

运动目标检测与跟踪主要分为目标检测和目标跟踪,首先摄像机进行图像采集并预处理,然后提取出运动目标特征值与后续图像帧中的区域特征值分析相关性,确定运动目标的运动轨迹。主要介绍了几种基本的目标检测算法和目标跟踪算法,并对运动目标跟踪算法的研究前景进行了展望。     

运动目标检测与跟踪算法的改进与实现

提出了一种对视频图像中运动目标检测并进行实时跟踪的新方法。该方法利用基于背景建模的背景差分与改进的带时间戳的运动历史图像(tMHI)的目标分割相结合的算法对运动目标进行检测,在获取到视频流中的运动目标轮廓后使用基于tMHI的运动梯度算法来实现运动目标的跟踪。实验结果表明,该方法能够对指定区域内的目标进行有效识别和准确跟踪,并且弥补了运动目标暂时性停止时无法检测出来的不足。     

强背景杂波条件下运动的弱小目标检测方法

根据目标、背景干扰和噪声在红外序列图像中的差异。提出了一种基于空间高通滤波和时间域上N帧轨迹积累的运动小目标检测方法。该方法可以在低信噪比的情况下消除红外起伏和随机噪声的影响,有效检测出弱小目标。实验结果表明,采用这种时空混合处理的方法可以得到满意的结果。     

基于改进的混合高斯模型的运动目标检测方法

为了改善混合高斯模型在光照突变时容易产生大量误检的缺陷,采用了一种高斯模型与均值法相结合并为前景像素建立计数器的方法。在建立背景模型时,运用多帧图像求平均值的方法初始化混合高斯模型的背景;为每帧图像的前景像素数建立计数器,并以此消除被误判为前景的区域;对检测出的前景区运用数学形态学处理,得到图像真正的前景区域。结果表明,该算法不仅克服了初始背景中的干扰,而且消除了光照突变时的误检,提高了运动目标的检测率。     

基于分形理论的红外目标检测算法

通过计算红外图像的分形特征参数可以达到区分红外目标和自然背景的效果.计算了基于多尺度分形参数总体表现的新的多尺度D维面积K(即MMK),并提出了将MMK和基于灰度法计算的分形维数DΔr结合使用(即MKD)的目标检测算法.实践证明,在红外图像中,基于分形理论的目标检测算法效果优于以往的基于分形理论的目标检测算法.     

基于子空间的目标跟踪算法研究

末制导跟踪阶段,导弹的飞行姿态,弹体与目标的距离以及目标自身的运动姿态和形态均会发生较大的变化,采用单一固定模板无法实现稳定跟踪。本文提出一种新的基于子空间的运动目标跟踪算法,首先采用一组正交的稀疏子空间特征向量表示目标模型,然后采用增量方法不断更新子空间模型,以适应由于目标内在和外在因素所造成的在外观上的变化,从而提高跟踪精度;采用重要性采样算法以及最大似然估计,解决复杂的优化问题。实验结果表明,当摄像机与背景发生较大相对运动以及目标姿态发生剧烈变化时,仍然能够实现对目标的持续稳定跟踪,平均跟踪误差小于10个像素。基本满足末制导跟踪系统的稳定性和鲁棒性等要求。     

基于Harris算法的自适应双极性红外舰船目标检测

红外舰船目标检测是舰船目标自动识别与跟踪的关键技术之一。针对现有方法在舰船目标成像灰度呈现"双极性"(舰船亮度高于或低于背景)或多极性(舰船目标灰度分布不均匀)的情况下适应能力不足,提出了一种新的红外舰船目标检测方法。为抑制海空杂波干扰提高检测概率,对图像进行均值漂移滤波,利用行垂直方向梯度投影获得感兴趣区域,通过检测区域内目标角点实现舰船目标的自动检测。实验结果表明,该算法能够克服传统算法基于舰船亮度高于背景的假设,在舰船灰度呈现双极性或多级性的情况下获得较好的检测结果。     

一种新的目标检测算法及其应用研究

通过对雷达回波数据的分析与理论研究,提出了一种基于目标回波特性的检测方法,并结合较低的虚警门限,提高了目标的检测概率,实现了参数的高精度提取。同时,由于该算法计算量小,适合全程全方位高精度点迹凝聚的实现。     

视频图像中的运动目标检测

运动目标检测,是指从视频图像中将运动变化区域提取出来的检测技术,是图像处理技术的基础。在军事公安、交通管理、视频监控、医学检查等领域应用广泛。为了改进单独采用帧差法或背景减法进行运动目标检测时存在的不足,本文提出一种利用边缘信息的三帧差法与基于混合高斯模型的背景减法相结合的运动目标检测算法。该方法对视频图像中连续的三帧图像两两差分,对3个差分图像取均值,二值化,再经过形态学处理,并对中间帧进行Canny边缘提取,将二者进行"与"运算,即得到运动目标的边缘,用背景减法提取中间帧的前景,二值化,将其和目标的边缘进行"或"运算,经过形态学处理便可得到运动目标。实验结果表明,使用该方法目标检出率提高了9.7%~72.1%,误检率降低了0.090%~2.900%。这种二者相结合的方法相对于单一的检测算法能够有效、可靠地提取出运动目标。     

基于Kalman滤波器运动目标跟踪的火灾监测方法

针对目前通常采用的火焰信息特征检测方法无法有效排除环境变化产生的干扰,特别是光线变化易引发实时火灾监控出现误检的问题,提出了一种基于Kalman滤波器运动跟踪算法的火焰检测方法,同时利用颜色、圆形度等特征和信息进一步确认火灾。不同干扰条件下的测试结果表明,利用文中提出的算法进行火灾识别判断,具有响应时间短,抗干扰性强等优点,可满足实际使用需求。     

动态背景下基于帧间差分与模板匹配相结合的运动目标检测

基于图形处理器单元（GPU）提出了一种帧间差分与模板匹配相结合的运动目标检测算法。在CUDA—SIFT（于统一计算设备架构的尺度不变特征变换）算法提取图像匹配特征点的基础上,优化随机采样一致性算法（RANSAC）剔除图像中由于目标运动部分产生的误匹配点。运用背景补偿的方法将静态背景下的帧间差分目标检测算法应用于动态情况,实现了动态背景下的运动目标检测,通过提取目标特征与后续多帧图像进行特征匹配的方法最终实现自动目标检测。实验表明该方法对运动目标较小、有噪声、有部分遮挡的图像序列具有良好的目标检测效果。     

动态规划算法进行弱目标检测的机理研究

低信杂噪比环境中对弱小目标的检测,已经在信号处理、红外图像序列检测等领域中引起人们的广泛关注。动态规划实际上是一个多阶段决策的优化问题,它是检测前跟踪(TBD)处理过程中提出的一种有效检测弱小运动目标的方法。该文分析了动态规划算法进行弱小目标检测的机理,在此基础上对两类动态规划算法进行了革新,并给出了一个统一的递推关系式。仿真结果表明此算法对弱小目标具有较强的检测能力,比一般的弱目标的检测方法SNR性能上约提高3～5dB。