海天背景下小目标检测跟踪方法

研究海天背景下红外图像序列中预测运动弱小目标检测跟踪的方法。通过对红外图像进行小波变换和数学形态学分析,检测所有可能目标。通过带有延迟单元的线性神经元网络对已知样本学习,采用Widrow-Hoff学习规则自适应调整神经网络参数,同时对下一帧目标轨迹进行预测,在检测到多个目标的情况下根据预测轨迹确定真实目标,提高对目标检测的准确。     

红外视频背景抑制及弱小运动目标检测方法

红外视频弱小目标检测技术是红外搜索与跟踪系统的一项核心技术。本文采用了单帧检测、序列确认的目标检测方案,即通过非参数回归估计的背景建模方法进行单帧处理,从而检测出候选目标点,然后利用目标出现的连续性,用移动式管道滤波法对多帧图像进行检测,剔除伪目标,同时得到目标的运动轨迹。实验证明了本文研究方法的有效性。     

基于Spearman秩相关系数的红外弱小目标检测

针对红外弱小目标检测,目标运动跨像元,引起目标的丢失的问题,提出了一种基于Spearman秩相关系数的红外弱小目标检测新方法。该方法首先采用时空域中值滤波的方法估计背景;然后通过计算邻域像元点与目标处于像元中心位置时的Spearman相关系数,获得候选目标点;最后采用二次滤波和运动方向匹配得到目标运动轨迹。该方法充分利用邻域信息,即使在目标处于像元边缘处,也能有效地检测到目标。仿真分析表明了该算法的有效性。     

显著性能量目标跟踪轨迹修正算法

针对SiamMask在目标跟踪过程中,图像序列中出现运动模糊时跟踪机制无法捕获特征点而导致的跟踪漂移问题,提出一种显著性能量目标跟踪轨迹修正算法。该算法通过显著性能量特征判定是否发生跟踪漂移,利用轨迹预测算法修正发生漂移时的跟踪结果,解决运动模糊条件下跟踪漂移问题,进一步提高SiamMask算法跟踪精度。分别在OTB50和VOT2018数据集进行仿真测试,仿真结果表明该算法较SiamMask算法跟踪精度提高0.2%,有效修正跟踪漂移时的目标位置,适用于智能监控和自主驾驶系统等。     

基于小波变换的红外成像弱小目标检测方法

研究红外目标图像中弱小目标的自动检测和定位方法,将弱小目标看作是红外图像中灰度和位置均未知的暂态信号,通过对图像信号作多尺度的小波变换,可以在低信噪比条件下检测出弱小目标,实验结果表明,小波变换能很好地增强目标,掏背影杂波,从而提高目标检测概率,降低误检测。     

基于小波变换的红外成像弱小目标检测方法

研究红外目标图像中弱小目标的自动检测和定位方法 .将弱小目标看作是红外图像中灰度和位置均未知的暂态信号 ,通过对图像信号作多尺度的小波变换 ,可以在低信噪比条件下检测出弱小目标 .实验结果表明 ,小波变换能很好地增强目标 ,抑制背景杂波 ,从而提高目标检测概率 ,降低误检测     

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

基于区域背景预测的红外小目标检测

提出了一种基于变化区域的背景预测算法,用于红外弱小目标检测,来减小背景起伏对背景预测的影响,达到提高弱小目标检测性能的目的。实验结果表明该算法抗噪能力强,能检测出强对比度云层的空中背景中的红外小目标,是背景预测算法的一个重要扩展。通过实际红外图像的实验表明,算法是有效的,具有很好的提取能力。     

基于目标模型的红外弱小目标预检测

为解决高空背景中低信噪比运动点目标的检测问题,本文提出了一种利用红外弱小目标和背景的不同模型来实现检测小目标的预检测方法。根据在同一帧图像中红外弱小目标与噪声点在局部图像中特性的不同,提出检测局部图像中一个点与目标模型的相似程度来判断是否为红外弱小目标的预检测方法。实验表明,该方法可以有效提高单帧目标的信噪比,可用于噪声环境的红外弱小目标检测。     

红外弱小目标检测技术综述

随着红外探测技术的不断发展,对探测距离的要求越来越高,红外弱小目标检测技术已成为国内外红外探测领域的研究重点。简介了红外弱小目标检测的背景及意义;重点综述了目前在红外弱小目标检测领域中各类典型方法的研究现状及最新进展;给出了几种不同类型的红外弱小目标检测方法的实验对比;最后对红外弱小目标检测技术的研究进行总结和展望。     

基于概率假设密度滤波的红外弱小目标跟踪

目标数未知或随时间变化是红外弱小目标跟踪技术的一个难题。为解决这个问题,提出了基于概率假设密度滤波的红外弱小目标跟踪算法。从数据关联的角度出发,将目标集看作随机集,利用概率假设密度滤波的数据关联算法实现目标数未知的红外弱小目标的跟踪。实验结果表明,在杂波环境下,概率假设密度滤波可以稳健地跟踪红外弱小目标的目标状态和目标数目。     

基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。     

红外序列图像中运动小目标的检测方法

研究红外图像中运动小目标的检测和跟踪问题。根据红外图像中背景干扰和噪声的特点,采用梯度倒数加权低通滤波器对图像进行滤波。在目标分割和标记后,沿目标轨迹进行能量积累以搜索和跟踪小目标。实验结果表明,该方法能极大地提高实际红外目标图像的信噪比,改善目标分割效果,能有效地进行小目标的检测和跟踪,尤其适用于目标遮掩或偶尔出现目标丢失的情况。     

改进ViBe算法与Meanshift结合的目标跟踪方法

为解决视频监控系统中因光照变化、相似颜色干扰及快速动目标而导致的目标易丢失问题,提出一种改进ViBe算法与Meanshift结合的目标跟踪方法。首先采用三帧差分和ViBe算法结合进行前景目标提取和检测,以消除鬼影的干扰,利用色度特征和梯度特征相结合的方法来抑制阴影;同时通过将边缘特征融入到Meanshift算法中,引入运动矢量在当前帧中预测下一帧运动目标的位置,实现场面监视环境中运动目标的持续、准确跟踪。通过在监控视频中行人、车辆及飞行器等不同场面目标做实验,验证了本文方法不仅能够持续、准确地跟踪运动目标,并且可适用于场面雾天低能见度条件下的运动目标跟踪。     

红外序列图像中运动小目标的检测方法

研究红外图像中运动小目标的检测和跟踪问题．根据红外图像中背景干扰和噪声的特点,采用梯度倒数加权低通滤波器对图像进行滤波．在目标分割和标记后,沿目标轨迹进行能量积累以搜索和跟踪小目标．实验结果表明,该方法能极大地提高实际红外目标图像的信噪比,改善目标分割效果,能有效地进行小目标的检测和跟踪,尤其适用于目标遮掩或偶尔出现目标丢失的情况．     

基于深度特征融合的红外弱小目标检测方法

红外弱小目标具有信噪比低、目标尺寸小、特征不明显等特点,加之场景复杂度不断提升,杂波干扰严重,导致现有的红外弱小目标检测方法在面对复杂场景时性能衰减。综合手工方法提取目标单一的显著特征及深度学习方法提取图像综合特征的优势,设计了基于深度学习的红外弱小目标深度特征融合检测网络模型。首先,模型利用多尺度自适应特征提取网络来提取红外图像中弱小目标的原始特征与平滑度图像中弱小目标的平滑度特征;其次,为提高目标显著度,提出了一种多层级联特征融合策略,实现特征提取网络中小目标原始特征与平滑度特征的融合;最后,利用多层级联特征融合映射网络对红外弱小目标进行特征映射与背景抑制,获得背景杂波被极大抑制的红外弱小目标特征映射图像。实验结果表明,同现有的基于深度学习与基于手工特征的检测方法相比,所提出的检测方法在各种复杂的场景中都拥有较高的准确率及较低的虚警率,同时拥有较快的检测速度。     

人体运动目标检测与跟踪系统设计及算法仿真实现

在人体运动目标检测部分,根据室内监控的特点,提出了先采用统计平均法获取室内背景,然后选用背景减除法对运动目标进行检测,接着利用改进的区域增长法对属于同一目标的像素区域进行合并,判断并提取人体目标。在人体跟踪部分,使用卡尔曼滤波器预测目标参数,再根据预测参数跟踪人体目标,得到行人的运动轨迹。利用Matlab/Simulink对整个系统进行建模仿真,并不断修正算法的参数。通过室内实际采集的几个视频序列进行试验,该算法能够正确地检测并且跟踪运动的人体。     

基于概率统计局部聚类的复杂场景弱小运动目标检测

在复杂场景下进行弱小运动目标的检测过程中,受到视频中有序相邻对象相似性的影响,难以高精度地识别低质量特征的运动目标.设计一种基于概率统计局部聚类的复杂场景弱小运动目标检测方法.建立空域模型、时域模型,分析小目标特征、背景特征以及噪声特征,从中提取弱小运动目标特征,使用概率统计局部聚类理论,拟定划分标准使用条件,实现目标轮廓曲线分段,将弱小运动目标检测流程进行整体优化,完成基于概率统计局部聚类的复杂场景弱小运动目标检测方法的设计.检测方法性能测试结果表明：在不同的实验图像下,设计的弱小运动目标检测方法的检测率平均值为69.8%,具有一定的实用性和可靠性.     

一种雷达视频弱小目标检测前跟踪方法

基于雷达视频的弱小目标检测与跟踪在国防和民用领域具有重要的应用价值。本文利用弱小目标的运动信息,用渐消递归最小二乘法对背景进行建模,由当前帧图像与预测背景的差分来检测运动弱小目标。分析了渐消递归最小二乘法的检测前跟踪特性,提出了渐消递归最小二乘法和数学形态学相结合的方法,在检测到运动目标的同时能快速地获得目标航迹,避免了恒虚警率带来的信噪比损失。由于该方法运算步骤简单,有较快的检测速度和较高的稳定性,广泛适用于工程领域。     

序列图像中运动点源目标检测算法的研究

点源运动目标由于其形状、尺寸特征不明显,使得通过单帧图像处理对其进行识别变得十分困难。因此,通常依靠目标连续运动形成的多帧图像目标轨迹进行识别,其主要方法是搜索所有轨迹中最长的连续轨迹。本文提出最小二乘轨迹预测搜索算法,该算法采用多点航迹进行最小二乘曲线拟合,根据拟合结果预测目标在下一帧的位置,有效地减小了轨迹预测位置误差。