基于条件概率比积累模型的DP-MFTD算法

针对传统多帧目标检测算法的似然比指标函数在目标信号分布参数未知的非高斯噪声环境下难以计算的问题,以目标状态的条件概率之比最大为最优准则建立了递归积累模型,并通过Taylor级数展开对递归积累方程进行局部线性化处理,建立了基于条件概率比积累模型的动态规划多帧检测新算法。通过仿真实验,验证了该算法在非高斯背景下的检测及跟踪性能的优越性。     

基于视频的运动目标检测算法的比较与分析

帧差法和背景差分法是目前常用的基于视频的运动目标检测方法。首先从帧差法和背景差分法中选取了几种具有代表性的算法;然后针对典型场景条件对这些方法进行了实验测试,并利用实验结果对算法进行了定性和定量的比较和分析。实验结果表明,ViBe算法、码本模型、混合高斯模型、自适应混合高斯模型、中值滤波和自适应背景建模具有较好的检测效果,但任何一种方法都有其局限性。     

基于加权动态规划和航迹关联的小目标检测技术

低信噪比下运动小目标的检测一直是成像目标检测中的一个热点问题。提出了一种新的小目标检测算法,采用方向加权的动态规划算法和二值航迹关联,克服了低信噪比下目标机动和传感器的不稳定对小目标检测的影响,实现了对深空背景下运动方式任意、速度最大达1像素/帧的弱小运动目标的有效检测。     

红外图像序列运动小目标检测的预处理算法研究

就如何检测复杂背景下低信噪比的运动小目标展开讨论,提出了用空间高通滤波方法改善图像质量,达到抑制背景噪声,增强小目标的效果,随后用似然比检测理论进行目标的初步分离,接着采用邻域判决的方法实现运动目标的进一步分离,最后用图像流分析法进行目标的最终检测。实验结果表明,该算法能够对小目标甚至是点目标的运动进行可靠的检测     

DSP实现低信噪比条件下点目标检测与跟踪

针对嵌入式实时图像处理系统中 ,复杂背景低信噪比条件下红外运动点目标检测及跟踪所采用的处理算法 ,包括基于空域低通滤波的多图像平均法和自适应阈值分割法以及基于目标运动时空连续性目标运动轨迹拟合及目标运动轨迹参数预测算法 ,进行基于二维数组组合方式存储结构的算法复杂度估计 ,并将上述算法在TI公司的TMS32 0C6 2 0 1EVM板上进行实时性能评测 ,说明上述算法在基于具有软件流水性能的TMS32 0C6x系列DSP嵌入式实时图像处理系统中实现的可行性。     

基于提升框架检测的空中强机动视频目标跟踪

空中强机动性目标在视频中表现出运动形变剧烈、运动规律难预测且背景特征不明显不稳定等特点,传统的检测跟踪算法不能有效地对其实施检测跟踪.为解决上述问题,提出一种不依赖于帧间运动特性的基于提升框架检测的空中强机动视频目标跟踪算法.首先,利用提升框架实现图像的小波变换,得到目标的高频分量信息.然后,对高频分量进行融合,并提出了目标特征增强的方法,完成单帧图像的目标检测.最后,实现视频序列的实时跟踪.实验结果表明,该算法能够实时、准确地对空中背景下的强机动性目标进行检测跟踪,有效地解决了目标运动形变剧烈、某些帧中存在遮挡而造成后续帧失跟等跟踪困难.     

遥感视频卫星多目标检测、跟踪和定位算法

提出基于道路掩模(Road Masking)、高斯混合模型(Gaussian Mixture Model,GMM)和数据关联(Data As-sociation)的遥感视频卫星(Video Satellite)多目标(Multiple Object)检测、跟踪和定位(Detection Tracking and Locating)算法.该方法基于深度学习实现了遥感视频中的道路网提取(Road Network Extraction).在检测阶段,基于高斯混合模型采用背景差分的方法得到道路上动态多目标的检测结果.在跟踪阶段,基于邻域搜索算法实现相邻帧中同一个目标检测结果的数据关联,从而得到每个目标的连续跟踪轨迹.在定位阶段,利用遥感影像正射校正技术得到影像行列号坐标与WGS84经纬度坐标之间的转换关系,从而得到目标的经纬度坐标.基于长光一号卫星获取的真实遥感视频进行了多目标检测、跟踪、定位实验,验证了该方法的可行性.     

基于背景差的运动目标检测方法比较分析*

背景差是常用的运动目标检测方法,其基本思想是通过视频帧与背景参考图像的差分实现运动目标检测。背景差法的核心是背景模型的构造。首先介绍基于背景差的运动目标检测方法的关键步骤:预处理、背景建模、背景差分、后处理;其次介绍几种典型的单背景和多背景模型;然后利用自适应背景模型、中值滤波、卡尔曼滤波、混合高斯模型等进行运动目标检测,并从速度、存储开销、准确率等方面对这些方法进行了分析比较。实验结果表明,单背景模型具有更快的检测速度,而多背景模型的检测准确度更高。     

基于GM-PHD的低可观测编队目标跟踪方法

考虑到多编队在低可观测情况下存在的目标跟踪问题,提出了一种基于高斯混合概率假设密度(GM-PHD)滤波算法的编队目标跟踪方法.该方法是在修剪融合过程中,先保留剪掉的高斯分量,再对这些分量进行状态外推,利用JS(Jensen-Shannon)散度判断下一时刻状态估计值与外推状态值是否相似,以判断结果体现目标丢失情况,使得真实目标不丢失,解决了低可观测情况下目标易漏检带来的跟踪性能下降问题.然后,利用编队目标的特点,结合密度聚类方法估计出编队整体的状态,避免因状态估计集合中状态值过多影响算法性能.最终,仿真实验结果表明,该方法可以在低可观测情况下有效跟踪编队目标,具有较好的跟踪性能.     

时空离散度复杂背景运动目标快速检测

复杂背景下运动目标的快速检测一直是目标跟踪领域的难点.灰度投影法可将时空域内的图像序列由三维信号压缩为二维信号来处理,且压缩后的信号噪声仍能通过高斯滤波来消除;之后计算灰度投影向量的时空离散度,并采用水线阈值分割技术查找离散度曲线的波峰,从而确定运动目标所在位置,实现运动目标的快速检测.该方法计算简单,对于摄像机抖动、目标被部分遮挡或背景中景物非完全静止等等复杂背景情况,均能快速准确地检测到运动目标.     

一种融入运动特性的显著性特征提取方法

针对复杂背景下图像序列中运动目标的跟踪前检测问题,提出一种融入运动特性的显著性特征提取方法,该方法综合目标的灰度、细节和运动等形成稳健的显著性特征,并得到一组显著性特征提取图.在这组图像中,具有这种多特征的区域得到加强,其他区域受到抑制,从而能够轻松地检测出可引起人类视觉注意的运动目标.由于该算法中的显著性特征来源于目标的多种底层特性,因此该算法具有很强的稳健性.实验证明,这种方法具有较强的稳定性和实用性,抗干扰能力强.从视觉效果的角度出发,能够较大地提高运动目标在复杂背景中的信杂比.     

基于改进的混合高斯模型的背景建模方法

提出了一种基于改进的混合高斯模型的背景建模方法,克服了经典混合高斯模型方法计算量大和对长时间静止物体转为运动及光照突变较为敏感的缺点。首先,在经典混合高斯模型方法的基础上,引入了一种新的高斯分布个数的自适应选择策略,提高了建模效率。其次,分析了经典混合高斯模型方法对长时间静止物体转为运动及光照突变较为敏感的原因,采用了一种不同区域更新率的自适应选择策略,能够迅速响应场景的变化,有效地解决了大面积误检问题。通过在典型的场景下与经典混合高斯模型方法进行比较,验证了本文算法的有效性。     

结构主导目标检测中的纹理随机化

已有基于卷积神经网络的目标检测算法倾向于提取目标纹理特征,而非结构特征;因此,已有方法不能实现变纹理目标的可靠检测。针对此问题,提出基于纹理随机化的结构主导目标检测方法,采用仿真纹理随机化方法减弱网络模型对纹理特征的拟合,实现基于结构特征的变纹理目标可靠检测。利用目标的三维模型,借助Blender渲染引擎,完成纹理随机化仿真训练数据集的生成。仿真及真实图像实验测试结果表明:该方法能够实现基于目标结构特征的变纹理目标可靠检测。     

粒子滤波的序列图像运动目标跟踪(英文)

序列图像的运动目标识别与跟踪是计算机视觉主要研究方向之一。研究的重点是要建立一个准确可靠的跟踪系统。针对此问题,传统的帧间差分法进行了改进,并研究了粒子滤波算法。在改进的帧间差分法和粒子滤波的基础上,提出了序列图像运动目标跟踪方法。实验实验表明,这种方法能够在目标被背景云彩遮挡的情况下,实现目标的可靠跟踪。     

基于区域分割的光学显微结核杆菌图像分割算法*

为了提高结核杆菌目标的分割精度,本文提出了一种基于区域级的光学显微结核杆菌图像分割算法。首先,通过顶帽-底帽变换增强彩色图像对比度,然后融合图像局部特征和全局信息计算图像梯度,在此基础上利用分水岭算法实现对图像的初始分割;对分割区域采用相邻区域最大相似度准则进行合并,从而得到完整的目标区域;最后根据结核杆菌图像的特点,通过分析结核杆菌目标区域的颜色特性,采用多阈值分割的方法滤除区域中的杂质,实现对结核杆菌目标的分割。实验结果表明,本算法可以分割出目标对比度低以及饱和度过低的结核杆菌目标,并且对不同染色背景的图像均能取得较好的分割结果。     

融合神经网络与超像素的候选区域优化算法

为解决目标检测中候选区域召回率低的问题,提出融合神经网络与超像素的目标候选区域算法。该算法利用神经网络提取更能清楚表达目标边界的特征,并使用聚类、相似性等策略,计算每个滑动窗口所含有的边缘信息量;将待测图像使用简单线性迭代聚类算法分割成若干个超像素,并利用超像素的空间位置、完整性、相邻超像素间的对比度信息,计算各个超像素的显著性得分及每个滑动窗口的显著性得分;根据每个滑动窗口的边缘信息及显著性得分筛选滑动窗口。在PASCAL VOC 2007测试集上进行对比实验,其实验结果表明:所述算法能够快速产生定位质量高的候选区域。     

Gabor-CNN for object detection based on small samples

Object detection models based on convolutional neural networks (CNN) have achieved state-of-the-art performance by heavily rely on large-scale training samples. They are insufficient when used in specific applications, such as the detection of military objects, as in these instances, a large number of samples is hard to obtain. In order to solve this problem, this paper proposes the use of Gabor-CNN for object detection based on a small number of samples. First of all, a feature extraction convolution kernel library composed of multi-shape Gabor and color Gabor is constructed, and the optimal Gabor convolution kernel group is obtained by means of training and screening, which is convolved with the input image to obtain feature information of objects with strong auxiliary function. Then, the k-means clustering algorithm is adopted to construct several different sizes of anchor boxes, which improves the quality of the regional proposals. We call this regional proposal process the Gabor-assisted Region Proposal Network (Gabor-assisted RPN). Finally, the Deeply-Utilized Feature Pyramid Network (DU-FPN) method is proposed to strengthen the feature expression of objects in the image. A bottom-up and a top-down feature pyramid is constructed in ResNet-50 and feature information of objects is deeply utilized through the transverse connection and integration of features at various scales. Experimental results show that the method proposed in this paper achieves better results than the state-of-art contrast models on data sets with small samples in terms of accuracy and recall rate, and thus has a strong application prospect.     

矩不变量在目标形状识别中的应用研究

本文提出了图像分割的一种新的算法，简单实用。实验表明，它优于经典的最大方差准则门限法和最大熵分割法。本文利用中心矩构成仿射不变量，作为目标的特征。本文提出了利用上述各特征的一种数据融合算法。实验表明，利用该算法进行识别时正确率高，且所用时间短，效果好。本文所提供的方法在对１８类目标１３８幅图像进行识别时总识别正确率高于８５％。     

基于粒子滤波的活动轮廓模型视频跟踪(英文)

跟踪变形目标包括假定目标的全局运动和时间方程的局部变形。粒子滤波算法依靠参数化法选择,但是不能处理曲线的拓扑变化。活动轮廓模型是独立参数化,可以比较好地适应拓扑变化。基于上面两个方法的局限性,将上述两种方法相结合,运用于变形目标的跟踪。实验结果证明,该方法有很强的鲁棒性,对部分遮挡的物体有很强的适应性,证明了该方法的有效性。     

基于可变模板的前视目标跟踪算法

基于图像序列分析的图像制导极大地提高了成像武器的跟踪精度。给出了一种基于可变模板技术和遗传退火算法的图像序列目标跟踪算法。根据目标的物理特征构造出可变模板,定义合适的能量函数,采用遗传退火算法进行优化搜索。实验结果表明,该算法能够精确检测并跟踪目标,具有很快的收敛性和较高的抗噪声性。