基于空时显著性感知的运动目标检测方法*

从视觉系统生理结构出发,对Itti视觉注意力模型进行了改进,融入运动特征,提出了一种基于视觉空时显著性感知的运动目标检测方法。首先提取图像的空间特征,形成空间显著图;然后利用相邻帧图像的全局运动、局部运动和相对运动,确定运动目标与背景的运动差异,形成运动显著图,并且对各显著区的空间特征和运动特征进行融合形成空时显著图,检测出运动目标。理论分析和实验结果表明,该方法能快速、准确地发现目标,减少目标的截获时间,提高目标跟踪性能。     

基于空时置信关系的运动检测方法

为了提高运动目标检测的准确度和精度,提出一种基于空时置信关系的运动检测方法。该方法利用快速核密度估计对图像像素点与其邻域像素点的空时关系进行建模,并根据样本值的离散度为背景模型分配对应的权重,最后依据像素值的背景隶属度权重均值,判断当前像素点属于运动前景还是背景。实验结果表明该方法的运动检测性能优于主流代表性算法。     

运动显著性概率图提取及目标检测

目的 动态场景图像中所存在的静态目标、背景纹理等静态噪声,以及背景运动、相机抖动等动态噪声,极易导致运动目标检测误检或漏检。针对这一问题,本文提出了一种基于运动显著性概率图的目标检测方法。方法 该方法首先在时间尺度上构建包含短期运动信息和长期运动信息的构建时间序列组;然后利用TFT（temporal Fourier transform）方法计算显著性值。基于此,得到条件运动显著性概率图。接着在全概率公式指导下得到运动显著性概率图,确定前景候选像素,突出运动目标的显著性,而对背景的显著性进行抑制;最后以此为基础,对像素的空间信息进行建模,进而检测运动目标。结果 对提出的方法在3种典型的动态场景中与9种运动目标检测方法进行了性能评价。3种典型的动态场景包括静态噪声场景、动态噪声场景及动静态噪声场景。实验结果表明,在静态噪声场景中,F_score提高到92.91%,准确率提高到96.47%,假正率低至0.02%。在动态噪声场景中,F_score提高至95.52%,准确率提高到95.15%,假正率低至0.002%。而在这两种场景中,召回率指标没有取得最好的性能的原因是,本文所提方法在较好的包络目标区域的同时,在部分情况下易将部分目标区域误判为背景区域的,尤其当目标区域较小时,这种误判的比率更为明显。但是,误判的比率一直维持在较低的水平,且召回率的指标也保持在较高的值,完全能够满足于实际应用的需要,不能抵消整体性能的显著提高。另外,在动静态噪声场景中,4种指标均取得了最优的性能。因此,本文方法能有效地消除静态目标干扰,抑制背景运动和相机抖动等动态噪声,准确地检测出视频序列中的运动目标。结论 本文方法可以更好地抑制静态背景噪声和由背景变化（水波荡漾、相机抖动等）引起的动态噪声,在复杂的噪声背景下准确地检测出运动目标,提高了运动目标检测的鲁棒性和普适性。     

空时一致的视频显著性检测

针对现有视频检测算法在空间和时间显著度上一致性不足,提出了空时一致性模型。首先构造梯度流场,整合空间上的颜色对比度与时间上的目标运动信息。而后基于空时梯度流场构造全局对比度,综合局部对比度和全局对比度,得到初始检测结果。最后通过马尔可夫随机场,对其进行空时一致性优化,得到最终显著图。在3个公开数据集上的大量实验表明,所提算法检测性能较好,并且具有较强的鲁棒性。     

MFR-MAP相结合的运动目标检测方法研究

针对运动目标检测的准确性和完整性要求,将静态图像分割算法的空域信息与运动目标检测的时域信息相结合,提出了采用基于MRF-MAP框架的时-空联合的目标检测方法。利用Mean-Shift算法进行空域检测,利用在显著性水平约束下的帧间差分法进行时域检测,构造了时-空联合的MFR模型和相应的能量函数,通过求解能量函数最优解,得到较为理想的运动目标检测结果。     

基于MDT的空时显著性检测及其在运动分割中的应用

运动分割是计算机视觉领域的一个经典问题。高动态背景与相机运动是该任务的两个难点。空时显著性检测,已被应用到运动分割中,且被证明具有对高动态背景和相机运动鲁棒的特点。提出了一种基于混合动态纹理的空时显著性检测方法,并将其应用到运动分割之中。该方法首先利用混合动态纹理(MDT)方法对高动态背景进行建模,然后基于中心\邻域的框架计算显著性图。对显著性图进行适当的阈值处理,即得到运动分割结果。实验结果表明,提出的方法能够有效地改善运动分割的精度。     

显著性目标检测中的视觉特征及融合

显著性目标检测,在包括图像/视频分割、目标识别等在内的许多计算机视觉问题中是极为重要的一步,有着十分广泛的应用前景。从显著性检测模型过去近10年的发展历程可以清楚看到,多数检测方法是采用视觉特征来检测的,视觉特征决定了显著性检测模型的性能和效果。各类显著性检测模型的根本差异之一就是所选用的视觉特征不同。首次较为全面地回顾和总结常用的颜色、纹理、背景等视觉特征,对它们进行了分类、比较和分析。先从各种颜色特征中挑选较好的特征进行融合,然后将颜色特征与其他特征进行比较,并从中选择较优的特征进行融合。在具有挑战性的公开数据集ESSCD、DUT-OMON上进行了实验,从PR曲线、F-Measure方法、MAE绝对误差三个方面进行了定量比较,检测出的综合效果优于其他算法。通过对不同视觉特征的比较和融合,表明颜色、纹理、边框连接性、Objectness这四种特征在显著性目标检测中是非常有效的。     

模拟视觉初级皮层机制的移动镜头下的目标检测

本文提出一种新的针对移动镜头下的运动目标检测仿生算法,通过模拟人眼的视觉感知实现移动镜头下的目标检测,首先用3DGabor滤波器组提取目标的运动能量,接着用大尺度的环绕消除大量的背景信息,然后提取目标的运动和空间显著图,通过目标的运动显著图与运动能量得到目标运动区域,最后将运动区域与目标的空间显著图相结合提高目标轮廓的完整性。人工模拟实验和真实视频实验表明本文仿生算法的有效性。     

融合目标增强与稀疏重构的显著性检测

目的 为了解决图像显著性检测中存在的边界模糊,检测准确度不够的问题,提出一种基于目标增强引导和稀疏重构的显著检测算法（OESR）。方法 基于超像素,首先从前景角度计算超像素的中心加权颜色空间分布图,作为前景显著图;由图像边界的超像素构建背景模板并对模板进行预处理,以优化后的背景模板作为稀疏表示的字典,计算稀疏重构误差,并利用误差传播方式进行重构误差的校正,得到背景差异图;最后,利用快速目标检测方法获取一定数量的建议窗口,由窗口的对象性得分计算目标增强系数,以此来引导两种显著图的融合,得到最终显著检测结果。结果 实验在公开数据集上与其他12种流行算法进行比较,所提算法对具有不同背景复杂度的图像能够较准确的检测出显著区域,对显著对象的提取也较为完整,并且在评价指标检测上与其他算法相比,在MSRA10k数据集上平均召回率提高4.1%,在VOC2007数据集上,平均召回率和F检验分别提高18.5%和3.1%。结论 本文提出一种新的显著检测方法,分别利用颜色分布与对比度方法构建显著图,并且在显著图融合时采用一种目标增强系数,提高了显著图的准确性。实验结果表明,本文算法能够检测出更符合视觉特性的显著区域,显著区域更加准确,适用于自然图像的显著性目标检测、目标分割或基于显著性分析的图像标注。     

运动目标检测方法的比较

在实时监控系统中人们通过使用帧差法及背景减法来获得期望的结果 ,对这两种运动目标检测方法作了简述 ,并给出了其实验结果 ,并对帧差法和背景减法作了比较 ,分析了各自的优缺点     

融合时空信息的运动目标检测算法

传统运动目标检测算法在处理诸如树叶晃动、水面波纹等动态场景时效果不理想。为此,针对动态场景下所存在的背景扰动问题,提出一种融合时间和空间信息的运动目标检测算法。该算法通过增量式主成分分析提取空间上图像的背景信息,结合三帧差分法所提取的时域信息进行融合决策以提取运动目标。实验结果表明,该算法能够在动态场景中有效提取运动目标,且检测结果优于混合高斯模型算法。     

热红外与可见光视频融合的运动目标检测

在室外环境中,可见光相机可以获取场景中丰富的纹理细节和光谱信息,但受光照变化的影响很大;而热红外相机对光照变化不敏感,但热红外成像对比度低、颜色信息缺失。为了充分利用两者的互补信息,实现运动目标的精确检测,同时提高检测的鲁棒性,提出了一种应用RGBT混合高斯模型的目标检测方法。该方法将热红外图像作为第4个分量加入到传统的混合高斯模型中,提高了算法的正检率;还引入了阴影去除算法,增强了算法的鲁棒性。实验表明,该方法比传统的混合高斯模型检测精度更高,目标更完整,同时也能较好地满足实时性的要求。     

视觉显著性检测与金字塔变换相结合的图像融合

提出了一种利用人类视觉机制进行图像融合的算法。首先对源图像进行金字塔分解;接着对低频和高频分量采用不同的融合策略,低频分量依据最大显著性准则选择融合像素,高频分量利用相关性加权准则选择融合像素。初步融合后的低频和高频分量经金字塔重建获得最终融合结果。金字塔变换可提供多分辨率的图像表示,但不区分图像区域的重要性;而视觉显著性检测可定位图像最显著区域,但对噪声敏感;两算法的结合能取长补短,获得好的融合结果。实验表明,提出的方法优于已发表的其他基于金字塔变换的图像融合算法,适用于多聚焦图像、多波段图像和多光谱图像融合。     

基于自适应背景模板与空间先验的显著性物体检测方法

目前,显著性检测已成为国内外计算机视觉领域研究的一个热点,但现有的显著性检测算法大多无法有效检测出位于图像边缘的显著性物体.针对这一问题,本文提出了基于自适应背景模板与空间先验的显著性物体检测方法,共包含三个步骤：第一,根据显著性物体在颜色空间上具有稀有性,获取基于自适应背景模板的显著图.将图像分割为超像素块,提取原图的四周边界作为原始背景区域.利用设计的自适应背景选择策略移除原始背景区域中显著的超像素块,获取自适应背景模板.通过计算每个超像素块与自适应背景模板的相异度获取基于自适应背景模板的显著图.并采用基于K-means的传播机制对获取的显著图进行一致性优化;第二,根据显著性物体在空间分布上具有聚集性,利用基于目标中心优先与背景模板抑制的空间先验方法获得空间先验显著图.第三,将获得的两种显著图进行融合得到最终的显著图.在公开数据集MSRA-1000、SOD、ECSSD和新建复杂数据集CBD上进行实验验证,结果证明本文方法能够准确有效地检测出图像中的显著性物体.     

多先验融合的显著性检测

为解决基于背景先验的显著性检测算法在检测复杂背景图像时存在误检问题,提出多先验融合的显著性检测算法.首先,将图像分割成四种不同的超像素尺度,根据流形排序算法计算出不同尺度的边界显著图,并进行线性融合得到最终边界先验;其次,利用边界信息得到背景种子,进而利用距离和元胞自动机融合得到背景先验;然后通过颜色归一化处理,计算出...     

基于改进Fast MBD显著性检测和多特征融合匹配的靶纸区域快速检测算法

为了解决基于机器视觉的自动报靶系统快速、准确定位靶纸区域的问题,通过对靶纸图像的颜色和形状特性分析,提出一种基于改进Fast Minimum Barrier Distance显著性和多特征匹配的靶纸区域快速检测算法。该算法在原始Fast Minimum Barrier Distance显著区域提取算法的基础上,引入局部区域对比度先验和形状先验作为显著性区域提取的补充准则。同时,为了判断提取到的区域是否包含靶纸,再引入多特征匹配算法。首先,分别对图像边界连通先验、局部区域对比度先验和形状先验进行量化,形成距离图、对比度图和形状图,再结合三者分割出显著性目标区域,然后提取分割出的各目标区域的多种特征,并将其进行特征融合,最后利用1-范式将得到的目标特征与模板特征进行匹配,把匹配结果小于阈值的目标视为靶纸。在400张包含靶纸图像数据集上的实验结果显示了该算法的有效性。同时,在华为海思平台上,该算法处理速度能达到30帧/秒,足以证明该算法的实时性。     

基于显著图融合的无人机载热红外图像目标检测方法

利用无人机载的热红外图像开展行人及车辆检测, 在交通监控、智能安防、防灾应急等领域中, 具有巨大的应用潜力. 热红外图像能够在夜间或者光照条件不理想的情况对场景目标清晰成像, 但也往往存在对比度低、纹理特征弱的缺点. 为此, 本文提出使用热红外图像的显著图来进行图像增强, 作为目标检测器的注意力机制, 并研究仅使用热红外图像和其显著图提高目标检测性能的方法. 此外, 针对无人机内存不足、算力有限的特点, 设计使用轻量化网络YOLOv3-MobileNetv2作为目标检测模型. 在实验中, 本文训练了YOLOv3网络作为检测的评价基准网络. 使用BASNet生成显著图, 通过通道替换和像素级加权融合两种方案将热红外图像与其对应的显著图进行融合增强, 比较了不同方案下YOLOv3-MobileNetv2模型的检测性能. 统计结果显示, 行人及车辆的平均精确度(Average precision, AP)相对于基准分别提升了6.7%和5.7%, 同时检测速度提升了60%, 模型大小降低了58%. 该算法模型为开拓无人机载热红外图像的应用领域提供了可靠的技术支撑.     

基于局部空间自相关分析的时空数据融合

由于受到16d重访周期与云等对数据质量的影响,具有时间与空间连续性的Landsat 8OLI观测数据难以直接获取。考虑地物分布的空间自相关性,提出一种基于STARFM模型改进的局部自相关时空数据融合模型(LASTARFM),以新疆维吾尔族自治区喀什地区叶城县为研究区,利用Landsat 8OLI数据和MODIS数据的红光波段和近红外波段进行融合方法测试。结果表明:利用LASTARFM模型得到的融合影像,与真实影像NDVI相关系数达到0.92;在局部空间自相关性低的区域比STARFM模型影像反映出更多地物细节,具有更高的融合精度;在土地利用类型发生显著变化的区域与真实影像具有一定差异。     

一种自适应的双门限场面运动目标检测方法

为了有效解决在复杂环境下机场场面运动目标的精确检测问题,提出了一种自适应的双门限场面运动目标检测方法.首先采用混合高斯背景模型的方法来提取背景图像,然后使用两个门限值对差分图像进行前景目标分割,低门限阈值用于粗分割以检测出较明显的运动目标,在粗分割的基础上再用高门限阈值进行细分割以去除噪声目标和伪目标,最终得到场面运动目标的准确检测和分割结果.在复杂条件下的场景进行的实验,验证了该方法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效地分割出前景目标.