基于SUSAN算子和改进的SNAKE模型的目标追踪算法

为了准确的追踪运动目标,文中提出了基于SUSAN角点检测和改进的SNAKE模型相结合的目标追踪算法.首先,通过帧间差分法检测是否有目标运动;其次,在目标运动范围内用SUSAN算子检测目标的角点;最后以这些角点为基准点进行目标轮廓的初始化,进而用改进的SNAKE模型进行目标的准确拟和.由于帧间的时间间隔较短、目标运动的距离较小,所以在上一帧检测到的角点周围检测当前帧目标的角点,这样不仅加快了检测的速度,并且增加了追踪的准确性.通过试验验证了本算法的有效性.     

基于SUSAN和改进的Snake模型的空中目标图像分割

文中提出一种基于SUSAN和改进的Snake模型相结合的算法,用以进行空中目标在图像中的检测和分割.首先使用SUSAN算子检测飞行器的角点,通过连接已检测出的角点形成Snake模型初始轮廓,然后用改进的Snake算子进行目标轮廓拟合.实验结果表明,该方法可以有效地进行空中目标的检测和分割,并且克服传统Snake 模型易漂移和过收敛等缺点.     

基于局部窗口的红外弱小目标检测方法

在分析红外图像中弱小目标检测方法的基础上,提出了一种基于局部窗口检测红外弱小目标的新方法。该方法利用图像的局部信息预测背景,直接根据当前像素点与背景像素点的灰度差及固定的分隔阀值检测目标,可以在低信噪比、强度变化剧烈的图像中获得较高的检测率与较低的虚警率。实验结果表明了该算法的有效性。     

一种新的红外成像近距目标的跟踪算法

文中给出了一种新的基于相关运算的红外近距目标的跟踪算法。模板选择依据加权的SUSAN算法,通过两级相关运算,进行目标跟踪,以达到减少计算、节约运算时间的目的。第一级粗相关运算采用模板亚采样模式,得到可能性最大的四个定位点;第二级精相关运算以四个定位点为中心的3×3邻域做全模板的匹配计算。本算法还给出了相关跟踪的帧内置信度和帧间置信度信号,实时智能的更新模板,经过实验表明,该算法有效地减少了模板的漂移误差,提高了运算速度。     

基于YOLOv3的复杂环境红外弱小目标检测

在复杂环境的红外弱小目标检测问题中,传统算法大多需要对红外目标进行特征增强、背景杂波抑制等预处理工作,算法检测准确率低,控制参数较多。通过对红外目标特性进行分析,本文构建了基于深度学习的复杂环境红外弱小目标检测算法。算法以单阶段目标检测网络YOLOv3为基础,简化处理流程,显著提升对红外弱小目标的检测精度。在红外弱小目标数据集的测试中, YOLOv3较实验对比的方法在检测准确性上具有明显的提升,其平均准确率(AP)可达99.5%以上,验证了算法对红外弱小目标检测的有效性。     

红外弱小目标TSA检测技术

针对红外弱小目标检测,提出了一种改进的最大类间方差算法,利用遗传算法在寻求最优解方面的优势,采用图像像素点间的类间方差作为判决函数,实现了改进的算法设计方案,达到了对类间方差阈值分割检测算法的改进;通过对真实红外视频中采样得到的红外图像进行处理,将本文算法与传统的Otsu算法进行仿真比较,实验结果证明此算法在保证了分割算法检测精度的前提下,达到了对传统算法实时处理性能上的改进,具有工程实践价值。     

一种基于显著性的红外弱小目标检测方法

红外弱小目标检测是目标识别等领域的研究热点。考虑到红外弱小图像中目标信噪比较低,且成像目标的尺度变化较大,构建一种同时考虑局部显著性特征和全局显著性特征的红外弱小目标检测框架。构建一种基于多尺度卷积核的显著性目标检测算法,将该算法与谱残差算法分别进行显著图计算;在得到局部和全局显著图后,采用形态学方法进行显著图的融合以及自适应阈值方法进行二值分割。在给定的公开数据集上的实验结果表明,该方法相对于基准的显著性算法,在目标检测的准确性和虚警率上均有明显优势。     

基于对称差分和Top-Hat融合的红外目标检测方法

为解决传统帧间差分法常出现"空洞"和虚假目标、适用场景受限等缺点,提出一种七帧对称差分和Top-Hat融合的新型目标检测方法.分析一般帧间差分法、七帧对称差分法、七帧对称差分法与 Top-Hat 融合的基本原理,给出算法实现流程,基于Matlab 2010b进行实验结果检测与分析.实验结果表明:新型检测方法具有实时性好、性能稳定的特点,能可靠地检测出目标,应用于地对空情形红外目标的检测.     

单帧红外小目标检测算法研究

研究了单帧红外图像运动小目标的检测问题。首先利用数学形态学Tophar滤波对图像进行背景抑制,然后对图像进行对比度增强,针对对比度增强的同时会造成一些噪声的灰度值也得到增加的问题,采用改进的遗传算法对对比度增强之后的图像进行分割,提高目标分割精度的同时也提高了分割的速度。仿真实验结果表明了算法是有效的。     

基于车载计算机的红外图像移动目标检测

环境感知系统作为无人车平台的重要组成部分,是路径规划与决策控制等功能实现的基础与前提。结合车载计算机的硬件基础,设计一种复杂场景下的红外图像移动目标检测系统。该系统采用客户端/服务端(B/S)架构,在客户端浏览器进行服务请求后,服务端使用改进的YOLOv2算法对车载Rapid输入输出(RapidIO)高速总线传输来的红外图像进行目标检测;通过维度重聚类和改进激活函数等方法,有效降低了漏检和误检率;为弥补红外图像对比度低、纹理特征弱的缺点,提出一种基于直方图均衡化的双边滤波图像增强算法,该预处理能够有效保持图像轮廓细节信息。结果表明：改进YOLOv2算法的实时检测准确度相对于原始算法提升了4.1%;图像预处理算法显著提高了检测准确率;该系统可为开拓无人车载红外图像的应用领域提供可靠的技术支撑。     

改进的SUSAN图像边缘检测算法

SUSAN图像边缘检测算法具有抗噪声能力较强、准确等优点，但仍有不足之处．提出了一种自适应选取阈值的方法，并对SUSAN边缘检测算法进行了改进．在此基础上，提取出图像特征来进行目标识别、精密测量等图像描述和分析处理能获得较好的效果．     

基于多特征直方图的红外图像目标跟踪

根据红外图像的特点,采用单一颜色难以描述复杂的跟踪环境,尤其是目标周围有相似亮度的背景干扰时,会造成跟踪失败.针对该问题,提出在MS跟踪理论框架下将颜色特征和梯度特征联合起来描述目标.实验表明:该方法能准确地跟踪海上红外运动目标.     

基于互信息测度红外目标图像相关匹配跟踪算法

在红外地面目标跟踪过程中,目标在图像系统中呈现多样化,任何一种单一的跟踪方式都无法满足系统的要求。对此本文采用一种多模跟踪方式,针对具体的目标,采用不同模式的跟踪方法。对于小目标,采用互信息测度的相关跟踪方式;对于大目标,采用形心跟踪方式。通过自适应波门来决定跟踪模式,实验证明该算法具有稳定而且精确的跟踪性能,算法执行时间短,完全可以满足实时性要求。     

一种基于粒子滤波的改进红外目标跟踪算法

针对传统红外目标粒子滤波跟踪中仅利用目标灰度信息可能导致目标分辨能力不高的问题,构建了基于位置和灰度的联合时空灰度模型,提出了一种基于联合时空直方图的粒子滤波目标跟踪算法,实验表明:在复杂背景下,该算法能够实现对红外目标稳健的跟踪。     

自然背景下对人造红外目标的分形检测

利用自然背景与人造目标在分形维数上的差异,提出了一种针对自然背景下的快速红外目标检测技术。通过对图像各个子图的改进不规则分形维数的计算,得到各个子图的指标函数J曲线;经过对J曲线的适当策略分析,可以得到目标最大可能存在的子图区域,或者多目标可能存在的区域。仿真实验证明:算法可以快速检测出红外图像中人造目标可能出现的区域,为随后的识别跟踪等分析降低了计算量。     

基于多尺度局部边缘梯度的红外舰船目标检测

由于红外图像本身对比度和清晰度都较低,再加上海天场景的复杂多变,极大增加了海天背景下的红外舰船目标检测难度。为实现对多种复杂海天背景下的红外舰船的有效检测,提出了一种新的基于局部边缘梯度特性的舰船目标检测算法。对多种红外复杂海天场景图像进行仿真测试,实验结果表明:该算法能有效地检测出多种复杂海天背景下的红外舰船目标,适应性广,计算简便。     

基于图像行相关空中目标实时检测算法

针对复杂背景中弱小目标的侦测问题,提出一种弱小目标去背景检测的新方法。通过对图像做灰度反转,根据图像相邻行之间的相关性做去除背景的预处理,并计算图像中灰度值最大的像素点,得到目标的位置坐标,并对实拍的空中弱小目标视频图像进行实验验证。实拍的视频图像证明：该方法可对弱小目标进行检测,且检测速度快、抗噪声干扰性能强。