基于时空坐标图像的运动点目标检测方法

针对复杂背景下运动点目标检测方法存在的局限性,提出从时间空间角度检测运动目标的方法.在时间空间域里,背景的复杂纹理表现为无限长直线,运动目标则表现为有限长线段.针对该特点,运用逐点灰度均值将背景与运动点目标分离,并根据投影关系将目标投影到二维空间,获得直观的目标运动轨迹.试验结果表明,该方法能较好地从复杂背景中分离出速度不大于1像素/帧的点目标,且可同时进行多目标的检测,抗噪声能力强.     

基于形态学梯度的红外目标检测

对于红外跟踪系统中的低空非合作运动目标检测问题,由于距离未知,目标可能表现为小目标或者面目标,另外,红外图像中可能包含大量的地物背景.针对以上问题,本文提出了一种基于形态学梯度的目标检测算法.此方法首先计算红外图像的形态学梯度,进而根据各种地物背景的形态学梯度特征提取天空区域,然后在此区域内进行目标检测,最后进行目标边缘片段的合并.该方法基于形态学梯度对于灰度变化的敏感性,使用形态学梯度来表征红外目标边缘强度,通过检测目标边缘来达到检测目标的目的.实验证明,本文方法能够有效的检测目标,虚警较少,且对小目标和面目标具有一定通用性.     

基于向量叉乘标签分配的遥感图像目标检测算法

近年来遥感图像目标检测受到了广泛的关注,主流的遥感图像目标检测器通过预设锚框与真实框之间的交并比(IoU)进行正负样本的划分。为了解决基于IoU的标签分配方法在遥感图像小而密集目标中存在复检和漏检的问题,本文提出了一种基于向量叉乘标签分配的遥感图像目标检测算法YOLOXR。首先,提出了一种标签粗分配策略,通过向量叉乘的方法判断特征图的像素点是否在旋转目标内或者目标中心点附近的旋转正方形框内,从而确定其是否为候选正样本。其次,为了降低边缘低质量候选正样本对标签分配的影响,提出了旋转中心度量方法,通过向量叉乘判断像素点距离中心点的远近程度进而赋予不同的权重。最后,基于最优传输的方法(sim OTA)选取真实框和样本点的最优匹配对,使得总体代价最小,进而为旋转目标分配合适的标签。此外,为了解决旋转IoU损失不可导以及Smooth L1损失难以权衡旋转框各个参数的问题,通过计算真实框和预测框二维高斯分布的Kullback-Leibler散度(KLD)来替代IoU。在公开的遥感图像目标检测数据DOTA、HRSC 2016和UCAS-AOD上的大量实验表明,所提方法优于目前绝大多数旋转目标检测算法...     

用梯度LOG算子实现小目标实时跟踪

为提高复杂背景条件下小目标检测及跟踪的稳定性,提出了一种基于梯度LOG算子的光团目标检测跟踪算法,首先建立了梯度图像中小目标的成像模型,能够较好地适应背景光照变化.然后根据尺度空间的基本理论构造了一种针对该成像模型的目标检测算子,分析并证明了该算子具有尺度不变性的优点,设计并实现了基于梯度LOG算子的小目标跟踪方案,实验结果表明:梯度LOG算子能够较好地跟踪复杂背景中的光团目标,定位精度可达亚像素级,且具有计算量小,抗噪声能力强等优点.     

基于奇异值分解的红外弱小目标检测

鉴于传统的基于单幅图像奇异值分解红外弱小目标检测算法的不足,提出了一种新的基于图像序列奇异值分解的红外弱小目标检测算法.首先,利用图像序列构造图像矩阵并进行奇异值分解,得到对应的特征值与特征向量;其次,利用处理后的特征值和特征向量重构图像序列,得到新的特征图像序列;再次,在特征图像序列中选取合适的特征图像进行处理从而增强目标并抑制背景;然后,对新特征图像进行阈值分割,得到要检测的弱小目标;最后,对序列中的每幅图像分别进行帧间位置修正与帧内位置修正,以达到检测红外弱小目标的目的.实验结果表明该算法具有很好的鲁棒性与实时性.     

采用马氏模型的点状动目标快速检测方法

提出了一种视频序列图像中点状运动目标三维快速检测方法。该方法利用目标运动的时域连续性假设,将目标在相邻多帧上的位置状态模型化为二阶马尔可夫数据链;依照该模型采用沿轨迹集成的检测算法,克服了传统三维检测造成搜索次数巨大的弱点,同时也避免了二维投影检测带来的信噪比下降。理论分析和仿真试验表明,该检测方法能稳定地检测出信号杂波噪声比（SCNR）超过3的缓动点状运动目标,而且在采用5帧集成时计算量比传统的穷尽轨迹匹配检测减少100倍。     

新的Otsu阈值改进方法的红外小目标检测

针对红外小目标区域灰度对比度很差的现象,以及红外小目标实时性检测的要求,在对Otsu阈值方法进行研究的基础上,结合红外小目标图像的自身特点,提出了一种新的Otsu阈值改进的红外小目标检测方法。该方法不仅继承了Otsu阈值方法比较简单,计算速度较快的优点,更重要的是很好地解决了照度不均匀的图像分割时候多个红外小目标粘连的问题,使红外小目标能够被清晰地检测出来。实验结果表明,新的Otsu阈值改进方法检测出红外小目标的准确率比Otsu阈值检测方法提高了20%。     

一种改进的图像序列运动小目标检测方法

针对目标背景运动的情况,在随机哈夫变换运动检测方法(MDRHT)的基础上,提出了基于中心偏移的哈夫变换运动检测方法(Center-Biased MDHT)。它利用图像中显著的边界信息,有效地估计图像序列帧间图像背景的整体运动;利用图像背景运动的一致性,预先设定帧间位移的阈值,减少了预处理阶段的计算量;对前后两帧相邻图像进行差分处理,充分利用小目标在差分图像中成对出现的特点,达到了在目标检测阶段减少计算量的目的。     

基于新的梯度特征相似度量的目标跟踪算法

为了稳定跟踪空中具有强机动特点的战斗机目标,提出了一种图像梯度特征相似性度量算法,并利用空中目标梯度空间分布特点构造了一种自适应调整模板尺寸的方法.在传统MAD相关匹配算法的基础上,通过引入梯度匹配权值模板,实现了对梯度特征的相似性度量.在跟踪过程中利用目标梯度空间分布局部占优的特点,构造能够反映目标尺寸的特征分布曲线来估计目标大小,调整匹配定位时的目标模板尺寸.仿真结果表明,跟踪算法能够适应飞机在做强机动时产生的快速形变,以及由形变带来的目标自身灰度的剧烈变化,实现了对目标的稳定跟踪.     

基于压缩感知的单通道SAR运动目标检测方法研究

合成孔径雷达（Synthetic Aperture Radar，SAR）是一种高分辨成像雷达，随着科技的发展，人们对雷达分辨率的求日益增高，将压缩感知理论应用于SAR系统，可以有效的减小数据采样、传输、存储的压力。     

基于刚性运动模型的全局运动矢量探测方法

针对帧间旋转图像序列的稳定处理,提出一种新的运动矢量探测方法.首先进行多区域的块匹配,得到不同区域的局部平移运动矢量;然后利用刚性运动模型,获得包含旋转角度的全局运动矢量.与平移运动模型相比,刚性运动模型更加符合帧间运动的真实过程,因而本方法具有更好的稳像效果.航拍图像处理结果表明,帧间峰值信噪比达到29.47 dB,比基于平移运动模型的方法提高2.02 dB.     

基于梯度直方图与密度度量模型的图像伪造检测算法

目的为了解决当前图像伪造检测算法在内容识别过程中易丢失色彩信息而导致不理想的检测精度与鲁棒性等问题,提出基于梯度直方图耦合密度度量模型的图像伪造检测算法。方法首先引入RGB彩色图像映射模型,求取图像的颜色不变量。将图像的颜色不变量作为输入量,利用算法检测图像的特征点。然后以特征点为中心构造四级窗口,通过求取窗口内梯度累加值,形成低维度的特征描述符,并利用特征点对应的梯度直方图构造相似性度量模型进行特征点匹配。最后借助欧式距离,构造密度度量模型,对特征点进行归类,以完成伪造检测。结果仿真实验表明,与当前图像伪造检测算法相比,所提算法具有更高的检测正确度,高达99.6%。结论所提算法具有较高的伪造检测精度与鲁棒性,在图像信息、包装印刷等领域具有良好的应用价值。     

基于支持向量机的视频交通信息采集研究

提出一种基于支持向量机的视频交通信息采集的设计方案.通过对视频交通流的采集、处理和分析,获取所需样本数据,采用导师训练方法训练支持向量机识别器.最后利用获得的识别器判断检测区域内交通流图像的类别,从而动态跟踪车辆,实现交通流量、车速、车型信息的采集.     

中心线模式Snake算法对细长目标的提取

针对有强干扰的细长目标提取,本文提出用中心线和宽度曲线演化来提取目标的Snake算法,该算法利用细长目标关于中心线对称的特性,用中心线和宽度曲线两个一维函数代替表示目标边缘的二维函数,通过控制这两个一维函数的形变来使Snake模型能量最小,达到准确提取目的.算法还利用了边缘强度对称性,增加图像力加权函数,能快速避开非对...     

基于分形特征参数的目标边缘检测算法

图像的边缘提取在计算机视觉系统的初级处理中具有关键作用,但目前仍是"瓶颈"问题.本文主要针对复杂背景下的目标边缘检测问题,提出了一种新的基于分形特征参数的目标边缘检测方法.算法基于分数布朗运动的方差性质提出一种改进的分形维数及其截距特征参数的计算方法,进而将该分形维数与截距特征参数相结合,提出了一种基于分形特征参数的边缘检测算法.实验表明,算法可以有效地实现目标边缘检测,同时算法的运算效率得到提高.     

一种基于运动检测的粒子滤波跟踪方法

针对传统粒子滤波的建议分布没有利用到当前观测信息的不足,本文提出了一种基于运动检测以改进建议分布的粒子滤波跟踪方法.该方法利用系统的状态转移密度分布,结合目标当前时刻的运动信息共同决定目标的先验分布.首先从一阶自回归的状态转移模型中生成部分粒子,然后采用单高斯背景建模进行局部运动检测,在检测到的运动区域中采样其余粒子,由此得到粒子的先验分布.用该方法分别对动态背景和存在完全遮挡情况下的运动目标进行跟踪,实验结果表明该方法有较高的跟踪精度和较强的稳定性.     

一种在线学习的目标跟踪与检测方法

针对现有在线学习跟踪方法缺乏监督机制的缺点,提出一种新的跟踪框架。以随机森林在线学习理论构造分类器作为目标检测器,用SURF特征点匹配方法作为目标跟踪器,跟踪过程中用可靠跟踪的结果形成对检测结果的监督机制,不对低置信度样本或错误样本进行学习,避免了分类器分类精度的逐渐下降,同时在跟踪失败时用目标检测器对目标进行重新捕获,形成跟踪、学习、检测三者有机结合的跟踪框架。对不同视频序列的测试结果表明,本文算法能有效避免目标出现较大外观变化或被大面积遮挡等复杂情况下的跟踪失败问题。