基于LK和FAST的时间序列图像快速配准算法

LK光流算法是一种精确高效的特征跟踪算法,能够较大幅度提高图像配准的精度和速度。针对时间序列图像的配准问题,基于LK光流算法,通过基于图像金字塔的方式跟踪改进后的FAST特征角点,采用一种鲁棒的单应矩阵估计算法解算配准参数,提出了一种基于LK光流和改进FAST特征的实时鲁棒配准算法。通过一组时间序列图像从配准精度和配准速度两个方面对所提出算法的性能进行了验证分析,平均重投影误差为0.16,平均处理速度为30 Hz。实验结果表明,该算法能够提取稳定的FAST角点,快速准确地跟踪匹配序列图像之间的特征,较好地解决时间序列图像的实时配准问题。     

基于椭圆对称方向矩的可见光与红外图像配准算法

针对图像匹配制导中异源图像匹配难度大的问题,提出一种基于椭圆对称方向矩的可见光与红外图像配准算法.基于最稳定极值区域提取异源图像中具有尺度和仿射不变特性的椭圆区域,利用聚类分割方法从中自动选取具有异源不变性的同质区域特征,用椭圆对称方向矩描述区域特征边界各方向上的相似程度,通过互相关性指标进行特征匹配,获取匹配特征对,利用匹配矫正策略减少误匹配.实验结果表明:较传统算法,进一步提高了可见光与红外图像关联特征的匹配效率,正确率超过了95%,计算时间缩短了近一半.基本满足图像匹配制导对匹配算法实时性好、匹配正确率高、抗干扰能力强等要求.     

基于模板匹配的前视自动目标识别模型

针对复杂背景条件下的地面目标,设计一种基于模板匹配的前视自动目标识别模型。分析该模型的基本组成,对基准模板制备、算法识别策略等关键技术进行讨论,通过仿真试验进行验证分析。仿真结果表明：该模型是正确、有效的,可为相关研究提供参考。     

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。     

基于相机状态方程多模增广的改进MSCKF算法

针对基于多状态约束卡尔曼滤波(MSCKF)的视觉-惯性里程计算法中相机状态方程增广过程的误差累积问题,提出了一种相机状态方程多模增广方法。该方法首先对视觉特征跟踪状态的稳定性进行判断,然后自动地选择基于视觉图像信息优化求解相机相对位姿参数或基于惯性传感器(IMU)状态递推结果联合相机外参初始化新图像帧相机位姿参数两种途径增广相机的状态方程,解决特征跟踪状态稳定情况下IMU误差的累积问题。实验部分通过EuRo C数据和实际应用数据对算法的性能进行了验证分析,结果表明,改进后的MSCKF算法能够在特征跟踪稳定状态下有效避免IMU误差的累积,进一步融合视觉与惯性系统之间的互补优势,提高载体的定位定向精度和稳定性。     

基于圆环域描述的改进快速SIFT算法

针对快速SIFT(Scale Invariant Feature Transform)算法去掉高斯加权环节,导致算法稳定性下降的不足,对快速SIFT算法中的特征描述子进行了改进,用圆形代替矩形并对区域进行分层,越靠近关键点层数越多,相当于对中心区域进行了加权,并通过仿真给出了最佳加权层数和特征描述子方向数。仿真实验表明:该算法不但满足了匹配正确率和实时性的要求,而且具有很高的稳定性和鲁棒性,能够满足目标跟踪的实时性要求。     

基于难例挖掘和自适应时间正则化的视觉目标跟踪算法

针对复杂情况下视觉目标跟踪算法性能严重退化的问题,提出一种基于难例挖掘和自适应时间正则化的视觉目标跟踪算法.首先,该算法在Staple算法基础上,深度挖掘困难负样本用于相关滤波器训练,提高了跟踪算法的抗干扰能力;其次,加入自适应时间正则化约束,根据目标响应图的变化情况,自适应确定时间正则化系数及模型更新策略,增强了跟踪算法的鉴别能力.在数据集OTB-2015、TC-128和UAV123上的实验结果表明,该算法能够有效应对复杂情况下跟踪性能退化的问题,且运行速度超过30帧/秒,满足实时性需求,综合性能优于对比算法.     

第二代Curvelet变换在低剂量CT图像增强中的应用

低剂量CT图像信噪比低,图像对比度差。对婴幼儿低剂量颅脑CT图像应用第二代Curvelet变换,分别对低频子带进行非线性增强、对高频子带应用自适应域值方法进行去噪后再进行非线性增强,再经Cuverlet反变换后,其结果与小波变换增强及直方图均衡增强的结果进行比较。结果显示第二代Curvelet变换增强图像对比度及信噪比明显提高,图像细节显示清晰,效果良好。     

基于自适应标签和稀疏学习相关滤波的红外目标跟踪算法研究

针对背景杂乱、遮挡、热交叉以及目标形变等复杂跟踪场景下目标跟踪算法出现性能严重退化问题,提出一种基于自适应标签和稀疏学习相关滤波的实时红外单目标跟踪算法。 首先,根据目标响应情况自适应地构造样本标签,通过自适应标签训练提升相关滤波器的分类能力,抑制干扰区域对跟踪模型的污染。 其次,加入稀疏学习策略,通过目标响应 L1 范数抑制复杂跟踪场景下目标响应多峰分布,提高跟踪算法的鲁棒性;与基线算法相比,该算法精度和 AUC 分别提升了 19. 3% 和 39. 8% 。 在数据集 GTOT、RGBT234 和 VOT-2016TIR 上的实验结果表明,该算法对上述复杂跟踪场景具有良好的应对能力,运行速度超过35 fps,综合性能优于对比跟踪算法。