基于局部多尺度低秩分解的红外小目标检测算法

针对红外低秩块模型计算复杂度大,容易误判等不足,提出了一种更加有效的红外小目标局部多尺度低秩分解检测算法。该算法首先利用非下采样金字塔变换对红外小目标图像做多尺度分解;接着,将分解出的高频子带进行融合,通过融合后的高频信息提取出目标感兴趣区域;最后,利用红外小目标背景的非局部自相关性质对感兴趣区域进行分块,并对各块进行重新排列构成一个新的矩阵;最后,对该矩阵做低秩分解,提取出红外小目标。实验结果表明,与其他低秩分解类方法相比,所提出算法速度更快,提取效果更好,是一种性能优越的方法。     

基于低秩稀疏分解的红外弱小目标检测算法研究进展

红外探测系统具有隐蔽性好、抗干扰能力强等特点,广泛应用于军事和民用领域,红外弱小目标的检测是红外探测系统中的重要组成部分,已成为了当前的研究热点。近年来,学者们在基于低秩稀疏分解的红外弱小目标检测算法研究方面取得了丰硕的成果,为此,重点阐述了基于低秩稀疏分解的红外弱小目标检测算法的研究现状和研究进展。从背景分量约束、目标分量约束和联合时域信息约束等3个方面详细地综述了基于低秩稀疏分解的红外弱小目标检测算法。首先把背景分量约束划分为块图像的低秩约束、张量的低秩约束和全变分约束,其次从目标的稀疏性表示和融合局部先验的目标分量加权策略两方面分析了目标分量的约束,然后分析了联合时域信息约束,将典型的基于低秩稀疏分解的检测算法和单帧检测算法进行了性能对比,最后讨论了该领域下一步的研究方向。     

基于多尺度低秩模型的网络异常流量检测方法

现有刻画流量异常检测所需的流特征集通常是高维的,增加了检测和分类的复杂度。通过研究发现网络中异常通常是稀疏性分布的,单个异常仅仅表现在低维流特征中。基于这一现象提出了一种异常流量检测模型—多尺度低秩(MRLR,multi-resolution low rank)模型,该模型能够动态筛选出"合适的"特征集并准确分类异常。基于人工标记的实际网络流量异常和注入异常的数据集验证结果表明:MRLR对特征集的缩减率可达10%以下;并且基于MRLR的分类算法复杂度为O(n)。     

运动平台混响背景下基于低秩稀疏分解的目标回波增强

在水下航行器等运动平台上,主动声呐的近距离滤波结果受混响干扰影响严重,大量的混响回波亮点会掩蔽目标回波的可见性,导致后续检测判决的虚警率增大.以阵列处理的方位历程图作为基本输入,该文利用某些场景下混响干扰相邻周期间潜在的相干结构,假设混响满足低秩性;由于平台间的相对运动,假设感兴趣的目标回波在逐周期间是不相关且稀疏的.之后,将方位历程图表示为低秩的混响、稀疏的运动目标回波和噪声成分,在此基础上提出以加速近端梯度法(APG)和快速数据投影法(FDPM)分别实现离线和在线的低秩稀疏分解,从而实现混响抑制和目标回波增强.试验结果验证了假设模型的有效性,并且两种分解算法均能有效地增强目标回波.     

运动平台混响背景下基于低秩稀疏分解的目标回波增强

在水下航行器等运动平台上,主动声呐的近距离滤波结果受混响干扰影响严重,大量的混响回波亮点会掩蔽目标回波的可见性,导致后续检测判决的虚警率增大.以阵列处理的方位历程图作为基本输入,该文利用某些场景下混响干扰相邻周期间潜在的相干结构,假设混响满足低秩性;由于平台间的相对运动,假设感兴趣的目标回波在逐周期间是不相关且稀疏的....     

联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。     

动态背景下基于低秩及稀疏分解的动目标检测方法

针对背景运动引起动目标检测精度显著下降的问题,该文提出一种基于低秩及稀疏分解的动目标检测方法。所提方法首先引入伽马范数($\gamma {\rm{ - norm}}$)近乎无偏地逼近秩函数以解决核范数过度惩罚较大奇异值从而导致所得最小化问题无法获得最优解进而降低检测性能的问题,而后利用${L_{{1 / 2}}}$范数抽取稀疏前景目标以增强对噪声的稳健性,同时基于虚警像素所具有稀疏且空间不连续特性提出空间连续性约束以抑制动态背景像素,进而构建目标检测模型。最后利用基于交替方向最小化(ADM)策略扩展的增广拉格朗日乘子(ALM)法对所得优化问题求解。实验结果表明,与现有主流算法对比,所提方法可显著改善动态背景情况下动目标检测精度。     

采用低秩与加权稀疏分解的视频前景检测算法

传统的鲁棒主成分分析模型能较好地解决视频前景检测问题.但是,若该模型的假设条件不能满足,算法性能会变差.针对此问题,本文提出了一种低秩与加权稀疏分解模型,通过对前景矩阵加权以增强其稀疏性.在建立加权矩阵的过程中,采用光流法获取每帧的运动矢量,以区分真实运动区域.其次,进一步提出一种增强模型,通过将加权矩阵作用于观测矩阵及背景矩阵,防止前景与背景的错误分离.实验结果表明,在无噪和有噪的情况下,提出的算法均能有效地分离监控视频中的前景和背景.     

复杂动态背景下基于群稀疏的运动目标检测方法

为提高复杂动态背景下运动目标检测精度,基于低秩及稀疏分解理论,本文提出一种基于群稀疏的运动目标检测方法.所提方法将观测视频分解为低秩静态背景,群稀疏前景及动态背景三部分.所提方法首先使用伽马范数近乎无偏近似矩阵秩函数,以解决核范数过度惩罚较大奇异值导致所得最小化问题无法获得最优解进而降低检测性能的问题;其次,为利用前景...     

A fast method for moving object detection in video surveillance image

Moving object detection and extraction are widely used in video surveillance and image processing. In this paper, we present a fast method for moving object detection. We use weights of the Gaussian distribution as decision factors, update parameters of the Gaussian mixture model if its values are smaller than that of those not belonging to the background; otherwise, no updates are done. It improves the existing methods by updating the Gaussian mixture model selectively. Experimental results on various scenes of video surveillance show that computation time of the proposed method is reduced.     

A new method of moving object detection and shadow removing

This paper presents an adaptive method of objects and shadows detection in video streams. Models of background are firstly set up and adaptively updated in Hue Saturation Intensity （HSI） color space to detect motion regions. Then, detection errors are dealt with by motion continuity and velocity consistency. Finally, cast shadows are removed by the generic properties of luminance, chrominance and gradient density. Experimental results and their evaluation are presented to verify the effectiveness of this new method.     

一种基于机器学习的运动目标阴影检测新方法

运动目标检测是物联网智能视频监控中的一个重 要环节。通过对各种阴影检测方法的研究,我们发现仅仅通过一种 特征进行处理并不能准确的检测出阴影。因此,本文提出了一种基于机器学习的运动目标阴 影检测新方法。该方法深度 融合颜色信息、光学不变性以及纹理特征等因素,通过机器学习,自适应地进行目标阴影检 测,在综合分析三种信息检 测结果的基础上,实现对阴影的有效确定。该算法能够有效地结合各种方法的优势,在物联 网应用中取得了较好的效果 和运行效率。     

一种实时多尺度目标检测识别算法

无人机目标检测与识别任务中,目标随着飞行高度的改变尺寸发生显著变化。常规目标检测模型中,获取的小目标细节信息有限,检测精度较低;而适用于小目标的实时检测模型往往容易丢失大目标的背景信息,降低大目标的检测精度。针对以上多尺度目标检测识别任务难点,提出一种基于改进特征金字塔网络(Feature Pyramid Network, FPN)结构的实时多尺度目标检测识别模型。该模型通过增加特征金字塔层级覆盖更广的目标尺度,获取更为丰富的目标信息;同时,利用跨连接增加不同尺度特征融合的多样性,降低特征传导距离,保留更加完整的尺度特征来提高模型检测识别多尺度目标的性能。通过实验发现,相比于原始网络结构和相同特征层级的四层特征金字塔结构,加入改进特征金字塔结构的多尺度目标检测模型识别性能得到了提升。     

基于块模型的混合高斯模型运动目标检测方法

文中针对传统混合高斯模型(GMM)运动目标检测方法计算量大、时间复杂度高的缺点,提出一种利用块模型的混合高斯模型运动目标检测方法。该改进算法利用分块处理技术为每个块建立一个模型,同时利用概率更新策略对块模型进行更新,充分利用图像像素间的空域信息,大量减少算法的计算量和存储空间,提高了算法的运行效率。应用这种改进算法,对分辨率不低于CIF(352×288)的监控视频进行检测,结果表明:当块大小值设置为3×3时,检测效果与传统混合高斯模型的检测效果基本一致,而改进算法的平均耗时减少了46.16%,存储空间减少不低于54.15%。     

一种融合预测过采样的运动目标检测算法

为了改善运动目标检测的精度,提出了一种融合了预测过采样的运动目标检测新方法.首先,基于二维傅里叶变换预测当前帧的目标形状并计算形状相似度;然后,从历史检测结果中选择一定数量的参考帧,使用光流法跟踪目标像素点在参考帧与当前帧之间的运动轨迹,并以像素点轨迹为参考在采样区间执行稠密过采样;最后,基于过采样样本构造前景模型,并在图分割框架内联合使用前景背景模型实现目标检测.在公共数据与自采数据集上对所提方法进行了实验验证,结果表明,相对于经典的运动目标检测算法,所提方法能够有效提高检测精度.     

边缘信息引导多级尺度特征融合的显著性目标检测方法

针对基于FCN和U型网络架构的深度学习显著性目标检测方法提取的显著性图存在边界不清晰和结构不完整的问题,文中提出了一种基于边缘信息引导多级尺度特征融合网络(EGMFNet)。EGMFNet使用多通道融合残差块(RCFBlock)以嵌套的U型网络架构作为主干模型。同时,在网络的较低层级引入具有边缘信息引导的全局空间注意力模块(EGSAM)以增强空间特征及边缘特征。此外,在损失函数中引入了图像边界损失,用于提升显著性图的质量并在学习过程中保留更加清晰的边界。在四个基准数据集上进行实验,实验结果表明,文中方法的F值较典型方法提升1.5%、2.7%、1.8%和1.6%,验证了EGMFNet网络模型的有效性。     

基于小波多尺度图像配准的运动小目标检测

探讨了一种红外图像序列中独立运动小目标检测的新方法。通过一种鲁棒的小波多尺度图像配准过程消除主场或背景运动的影响。同时,利用改进的Fisher算法及小波变换对低频的图像进行分割,最终将目标从背景中分离出来,并对配准后分割的图像差分,获得目标运动轨迹。实验表明了该方法的有效性。     

运动视频对象的时空联合检测技术

提出了一种具有全局运动的视频运动对象时空联合检测算法。针对传统时间分割使用主观固定阈值的缺点,采用了对差分图像进行噪声参数自适应学习的算法获取自动阈值,并利用形态学运算获取修正的时间分割模板;考虑传统分水岭空间分割的不足,提出了基于人眼视觉特征的改进分水岭算法,包括基于形态重建滤波的图像降噪、形态梯度变换以及基于韦伯感知原理的视同灰度非线性变换,有效地解决了过分割问题;对时、空间分割结果进行信息融合处理,从而得到完整的运动对象。仿真实验结果表明,本文算法可以快速准确地分割视频运动对象。