运动目标视频检测与跟踪方法

运动目标跟踪的根本任务是根据目标的运动模型和图像特征估计它们的轨迹。提出一种运动目标检测、跟踪的方法。首先使用基于自适应混合高斯模型的背景差方法提取运动区域。目标的运动估计采用扩展卡尔曼滤波,由预测位置确定初始的候选区域。然后根据目标与候选区域的变化程度确定匹配需要的特征信息。如果目标只有一个候选区域并且它们之间的区域特征变化微小,那么它们的匹配不需要额外的信息。如果目标有多个候选区域或者单个候选区域可是它们的区域特征变化激烈,除了区域特征外还使用边缘特征,通过计算目标和候选区域的边缘的部分Hausdorff距离来确定目标的最佳匹配区域。实验结果表明,该方法在存在遮挡的情况下也能够连续的跟踪多个运动目标。     

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。     

一种无人机载高分辨率SAR图像目标快速检测方法

针对无人机平台空间和资源有限、高分辨率SAR图像检测容易出现目标标注不准以及计算量过大等问题,提出一种无人机载高分辨率SAR图像目标快速检测方法。该方法首先利用双边滤波器抑制高分辨率SAR图像中存在的相干斑噪声和目标内部的非均匀起伏;然后进行一次大尺度的SLIC分割,通过对超像素单元粗糙度进行分析,对存在欠分割问题的超像素单元再进行一次小尺度的SLIC分割;最后对过分割的超像素单元进行合并处理,最终得到目标检测结果。实验结果表明,该方法不仅可以提升对高分辨率SAR图像目标的检测效率,改善SAR图像目标提取能力,还有利于发现部分人工方法容易遗漏的小目标,具有很好的工程应用价值。     

基于特征融合的粒子滤波红外目标跟踪算法

红外目标观测特征单一是粒子滤波跟踪算法易发生跟踪丢失的主要原因。提出一种基于特征融合的粒子滤波红外目标跟踪算法。考虑到红外目标特征描述的局限性,建立基于灰度直方图和梯度方向直方图的特征观测模型,通过计算候选模板和目标模板的巴氏距离来更新粒子权值。为提高目标跟踪的精度,对目标模板采取自适应动态更新策略。Matlab仿真实验验证,改进算法在复杂背景下的红外目标跟踪中表现出较强的准确性和鲁棒性。     

基于前景理论的多阶段直觉模糊数决策方法

针对航空部队事故预警方案选择中指标权重未知、指标值为直觉模糊数的多阶段直觉模糊数决策问题,考虑决策者风险偏好引起的指标值的动态变化,提出了一种基于前景理论的多阶段决策方法。该方法根据各阶段期望均值可能度的比较确定阶段变化特征,参考直觉模糊数距离公式设置动态参考点,然后集结收益和损失以整体前景值最大化为目标建立规划模型得到指标的动态权重,计算方案综合前景值并排序。最后通过MATLAB仿真实例验证了该方法的有效性。     

一种抗遮挡的时空上下文目标跟踪

目标跟踪是一个比较热门的研究方向,其性能受到多方面影响。时空上下文跟踪算法是利用目标附近的信息对目标进行跟踪,但该算法的不足是仅使用单一的灰度特征和固定的学习率。将HOG(Histogram of Oriented Gradient)特征与灰度特征进行融合,且对跟踪结果进行相似度计算进而抑制目标的漂移,采用自适应变化的学习率以适应跟踪目标的变化。经过仿真实验证明,相较于时空上下文跟踪算法所提出的方法鲁棒性更好,对光照的变化、目标形变以及遮挡等情况下都具有较强的跟踪能力。     

基于图注意力机制的无人机目标红外跟踪技术

近些年来,无人飞行器逐步普及,给社会治安、空域管制、要地防护等领域带来新的威胁。因此,对高威胁、难辨识的无人机目标进行高准确、高稳定的搜索跟踪有着迫切需求。立足城市环境下的反无人机作战需求,针对无人机易受复杂背景干扰、地物遮挡影响及其姿态尺度变化和快速机动造成的跟踪丢失问题,结合图神经网络与注意力机制,提出一种基于图注意力机制的孪生网络无人机目标红外跟踪技术。基于图注意力机制的局部特征匹配模块,通过节点间的信息传递实现全局信息匹配,通过基于图的特征表示和特征交互,增强从目标模板到搜索区域的信息嵌入能力;目标感知区域选择机制可以适应无人机目标尺寸和姿态的变化;基于运动特征设计的切换策略,实现局部跟踪和全局重检测间的动态选择。实验结果表明,在红外无人机目标跟踪时,运用此方法可以取得稳定的跟踪结果,可以有效应对形变、遮挡、复杂背景干扰等挑战,为实现在城市环境中持续稳定跟踪小型无人机目标提供技术参考。     

一种基于显著性区域的图像分割算法

针对传统的显著区域的分割方法存在的频谱泄露、无法达到亚像素精度的问题,提出了一种新的基于显著性区域的图像分割算法。利用Lucas-Kanade图像配准算法对大量重复出现模式的最小周期进行估计,从而准确地重建出背景模型;在此基础上,提出了"广义邻域点"的方法,设计自适应尺度的中值滤波器完成前景分量的精确分割;并提出了快速中值滤波器的设计方法,显著降低了计算复杂度。实验证明了该算法能够准确、高效地分割图像,适用于大量重复背景中前景目标的提取。     

复杂场景下基于自适应多特征融合的跟踪算法

在复杂的场景下,单特征对目标描述不够充分,很难稳健地跟踪目标,针对这个问题,提出了一个基于自适应多特征融合的粒子滤波跟踪算法。该算法采用灰度和边缘特征表示目标,从目标观测似然模型构建的角度融合两种特征,利用粒子似然分布的香农熵动态地评价特征的可靠性,进而确定特征融合权重,以提高算法对场景的适应能力;同时,改进了线性加权的模型更新策略,通过对加权系数的在线调整来抑制模型漂移。实验表明,本文算法可以实现部分遮挡和背景干扰等复杂场景下的跟踪。     

基于生成模型的人体行为识别

提出了一种基于生成模型的人体行为识别方法。选取关键点轨迹的方向-大小描述符、轨迹形状描述符、外观描述符作为人体行为的特征;为了降低人体行为特征维数,利用信息瓶颈算法进行词表压缩;利用生成模型,结合已标记样本和未标记样本提出了一种人体行为识别的半监督学习方法,解决了行为识别中的小样本问题。在YouTube 数据库、 UCF运动数据库上利用提出的方法与已有的方法进行了对比实验,结果表明该方法具有更高的识别精度。     

公里级背景数据采集及伪装特征提取方法

背景采集与处理是伪装设计的首要步骤。为了提高公里级背景范围采样的准确性和完整性,利用系统抽样理论提出了基于空中成像的背景两级采样方法。第一级采样通过剖分背景区域网格获取背景地物和地貌分布规律。第二级采样依据“接受-拒绝”法有针对地获取背景细节图像。基于颜色、距离和纹理特征差异性度量构建背景特征提取模型。然后通过SLIC(simple linear iterative clustering)算法分割超像素图像形成背景特征区域划分。实验中收集了某地300 km²范围12个一级采样点的数据,并分析了背景地物占比和分布特性。针对分析的结果,二级采样采集了戈壁滩、农田村庄和道路三类背景数据。对比了不同分割参数下农田村庄背景图像的分割性能,并探讨了基于k-means和超像素分割模型的差异性。最后生成了3类背景的斑点形状和7种主色特征。结果表明,采样流程能够有效获取公里级背景数据分布和细节纹理颜色特征。超像素分割模型能够优化斑点区域的完整性。该研究为移动目标伪装设计提供基础依据。     

无人机小样本条件下遮挡和混淆目标识别方法

针对无人机对地目标识别过程中的小样本问题以及目标存在的遮挡和混淆情况,提出了一种融合自注意力机制的小样本目标识别模型。在利用元学习思想获取小样本学习能力的基础上,将自注意力机制学习目标内部各部分之间的上下文依赖关系引入模型,从而增强目标表征能力,以解决遮挡和混淆情况下有效特征不足的难题。为验证模型效果,通过对基准数据集和无人机航拍数据进一步加工,构建了遮挡和混淆目标数据集,设置了不同的遮挡程度和背景混淆率。通过在不同数据集上的验证,并与深度学习模型对比,证明提出的模型具有更高的学习效率和识别正确率。     

利用生成模型的人体行为识别

选取关键点轨迹的方向-大小描述符、轨迹形状描述符、外观描述符作为人体行为的特征;为了降低人体行为特征维数,利用信息瓶颈算法进行词表压缩;利用生成模型,结合已标记样本和未标记样本提出一种人体行为识别的半监督学习方法,解决了行为识别中的小样本问题。在You Tube数据库、中佛罗里达大学运动数据库上利用提出的方法与已有的方法进行对比实验,结果表明该方法具有更高的识别精度。     

目标跟踪系统中野值的判别与剔除方法

目标跟踪系统观测的目标坐标值,不仅包含随机误差,有时由于干扰等原因,使得测量值含有远大于随机误差的粗大误差,通常称为野值。带有野值的测量值将导致滤波系统产生记忆效应和误差,甚至导致滤波过程发散。因此,对测量过程产生的野值应予剔除。结合对Kalman滤波原理的分析,说明了基于Kalman滤波的野值判别与剔除方法,并提出了野值判别门限值的计算方法。     

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.     

基于粒子滤波的复杂背景下的红外运动目标跟踪

粒子滤波是一种处理非线性和非高斯动态系统状态估计的有效技术,针对目标被严重遮挡或有相似干扰等复杂背景情况下红外运动目标跟踪问题,提出了一种基于目标灰度与运动特征的粒子滤波算法。该算法将带有空间信息的灰度模型与带有灰度信息的运动模型进行融合,得到一个联合观测模型,并将其用于粒子滤波跟踪框架。与经典粒子滤波算法相比,文中算法效率略有降低,但跟踪的准确性和鲁棒性却大大增强。     

基于两级隐式形状模型的抗遮挡目标跟踪

为解决遮挡条件下的目标跟踪问题,提高定位精度,提出一种基于两级隐式形状模型的目标跟踪算法。首先利用Fast Hessian检测子提取待跟踪目标及周围区域的局部关键点区域构建码本字典,用SURF描述子获取码本的特征描述矢量建立码本支持模型,然后利用广义Hough变换建立码本字典集与目标之间的共生关系,通过隐式形状模型进行在线学习更新,最后通过寻找投票空间中的极大值来对目标进行定位,根据跟踪过程中目标遮挡程度的不同,分别赋予目标自身码本投票及周围码本投票不同权重,提高不同遮挡状态下目标定位精度。实验结果表明,在目标被遮挡甚至不可见或者丢失后重新回到视场时,该算法均能鲁棒地定位出目标。     

点-航迹质量评估的联合目标检测跟踪方法

针对复杂背景下微弱目标的检测和跟踪问题,提出了一种基于点-航迹质量评估的动态规划方法。该方法在雷达传统的检测跟踪结构的基础上,结合雷达真实目标回波特性和目标的运动规律,在单周期内,根据目标的回波特性提出点迹质量的概念,在进行点迹凝聚处理的同时计算点迹质量的大小;在多周期间,根据目标的运动规律对目标的位置进行外推估计,根据估计值与量测值之间的欧式距离和方位差设计一个置信因子并结合点迹质量来改进航迹指标函数。仿真验证结果表明,该方法能够有效地消除伪航迹,计算量较小,能够提高复杂背景下雷达对微弱目标的检测和跟踪性能,并且结构简单,在工程上易于实现。     

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。     

特征保持的视点相关三维矢量场流线简化方法

为了解决三维矢量场可视化中流线数量过多造成的遮挡与视觉混乱问题,同时保证流线能够准确描述矢量场变化规律与重要特征,提出了一种基于特征保持的视点相关三维矢量场流线简化方法。采用粒子跟踪生成3D矢量场流线集,并进行视点相关映射;对流线集进行特征保持计算;基于流线视觉效果度量对流线集进行迭代简化计算,从而实现流线集的有效简化。实验结果表明,能够有效保持矢量场的物理特征,且具有较好的流线视觉效果。