红外目标分割方法研究

红外目标分割算法对红外目标检测、跟踪具有非常重要的价值。本文利用背景和目标灰度特征,提出一种实现红外目标有效分割的方法,克服红外目标内部温度不稳定造成的误分割问题。本文方法首先采用基于灰度-显著度最大相关准则的二维直方图分割算法进行图像分割;然后,在分割后二值图上进行基于随机种子点选取的区域增长,提取背景;最后,采用形态学方法优化分割结果。相对传统的红外目标检测算法,这种算法具有更好的抗干扰能力,更强的鲁棒性。不仅可以应用于红外图像的目标分割,而且可以应用于其他类似的目标分割问题。     

基于位置预测的靶场图像实时判读方法

在靶场经纬仪对目标实时跟踪测量时,会发生相机随机抖动的情况,引起目标在图像中大幅度运动。应对大幅度运动时,基于搜索窗口的跟踪方法容易丢失目标,而基于全图搜索的跟踪方法时效性差。针对以上问题,提出一种结合核相关滤波算法(Kernelized Correlation Filter, KCF)和目标位置预测的改进的跟踪学习检测算法(Tracking-Learning-Detection, TLD)跟踪框架。利用正交多项式最优线性滤波器及相机角度信息预测目标下一帧位置,在此区域利用KCF进行快速跟踪,可以提高跟踪的成功率和时效性,跟踪失败时再进行检测。仿真实验表明,最优线性滤波器能较准确预测目标位置,给KCF提供较准确的搜索位置,算法每帧耗时仅为1.1 ms,且定位精度优于TLD和KCF,能有效应对相机抖动的问题。靶场实际试验证明该方法可提高靶场自动判读水平,减少人工干预。