红外序列图像目标的高效跟踪

针对Mean shift算法中仅使用灰度特征难于实现对红外序列图像目标准确跟踪的问题,提出了利用边缘-灰度特征相融合的目标跟踪算法.为了实现红外序列图像中目标的高效跟踪,在研究Mean shift灰度特征的基础上,根据红外序列图像的边缘方向信息与灰度信息构建了边缘-灰度目标模型,将此模型应用到目标跟踪算法中,提高了Mean shift算法在红外序列图像目标跟踪过程中的运算能力.实验证明,该方法能够增加灰度直方图对目标模型的描述能力,提高了目标跟踪算法的鲁棒性.     

复杂背景下的红外小目标图像信息提取

针对红外小目标跟踪测试系统的目标检测、识别和跟踪,存在着目标面积小、形态特征弱化、背景图像复杂等因素而影响目标信息提取的问题,提出了利用图像处理技术方法,对跟踪系统获取的图像进行改善处理.根据跟踪测试原理和复杂背景目标图像特征,研究了基于低通滤 波法的目标图像的预处理算法,目标图像增强,目标图像与背景分离和Sobel边缘检测算法等图像处理技术,从而对红外小目标图像定位.实验结果表明:所采取的图像处理方法可以对复杂背景下的目标信息提取,结合跟踪系统的控制机制,现实远程目标的动态跟踪.     

融合深度特征与梯度特征的红外目标跟踪算法

由于红外序列图像目标与背景的对比度低,图像的边缘模糊并且灰度级动态范围小,采用何种特征描述目标成为跟踪的关键。深度特征和梯度特征是目前大部分跟踪算法采用的主要特征,然而深度特征提取的目标语义信息关注类间分类(Intra-Class),忽略类内差别,容易受到相似背景(Distractor)干扰;梯度特征作为局部区域特征不易受背景干扰,但不能适应目标的剧烈形变。基于这2种特征的互补性,提出一种融合深度特征和梯度特征的红外目标跟踪算法。深度特征与梯度特征被分别用来表征目标的语义信息与局部结构信息,增强了对任意目标的表征能力;利用不同特征建立的跟踪模型进一步提高了跟踪的鲁棒性。通过建立模型互助机制,利用深度特征跟踪模型与梯度特征跟踪模型的互补性,对目标实施了精准的定位。实验中,选取了最新的红外视频跟踪数据库(VOT-TIR2016)用来验证文中算法的有效性,结果表明：和当今主流跟踪算法相比,算法在精确度上获得了3.8％的提升,在成功率上获得了4.3％的提升,能够有效处理跟踪中相似背景与形变的影响。     

基于峰谷点特征的红外目标自动识别方法

研究了红外目标图像峰谷点特征提取的方法,提出了一种目标识别相似性度量准则,证明了这种相似性度量在尺度和小角度旋转等变化情况下的不变性,并在此基础上提出了一种基于目标峰谷点特征的自动目标识别算法．真实场景下长波红外目标图像实验证明了该算法的正确性和有效性．     

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。     

一种基于优化模板匹配的红外目标跟踪算法

为了在红外环境下进一步提高目标图像在环境变化或受干扰时跟踪的准确性,提出了一种有效的红外目标跟踪方法.该方法基于归一化互相关距离的相似性度量方法,设计了匹配跟踪置信度,并在此基础上实现了基于匹配跟踪置信度加权的自适应模板更新算法.在模板更新方面,提出了自适应阈值调整策略,在目标跟踪过程中根据匹配置信度动态调整阈值,避免了固定阈值对跟踪精度的影响.通过实验证明,算法对环境变化的适应能力和跟踪稳定性方面得到了较大的提高.     

基于峰谷点特征和红外目标自动识别方法

研究了红外目标图像峰谷点特征提取的方法,提出了一种目标识别相似性度量准则,证明了这种相似性度量在尺度和小角度旋转等变化情况下的不变性,并在此基础上提出了一种基于目标峰谷点特征的自动目标识别算法,真实场景下长波红外目标图像实验证明了该算法的正确性和有效性。     

基于降低图像分辨率的红外目标跟踪方法

灰度图像色彩信息贫乏，背景噪声不易抑制，会导致分割误差大，使跟踪点发生漂移．针对此问题，提出了基于改变图像分辨率的红外目标跟踪算法．以减小图像分辨率的方法，采用逐点匹配。对下一帧图像进行目标9种方向的跟踪判断．实验结果表明，采用该算法运算速度快。解决了在强背景噪声的情况下跟踪点发生漂移的问题．     

广义二维PCA和稀疏表示的红外行人目标检测

红外行人检测在夜间智能视频监控,车辆安全驾驶等领域有重要应用。为了解决红外图像特征降维后空间结构信息丢失的问题,提出一种基于广义二维主分量分析（principal component analysis,PCA）和稀疏表示的红外图像行人目标检测算法。该算法主要由2个阶段组成：第1阶段利用广义二维主分量分析方法提取图像的二维主特征分量,并由此构造行人目标的超完备特征字典;第2阶段采用滑动窗口的方法得到图像中局部子图,然后利用基追踪算法求解每个局部子图的稀疏表示系数向量,最后定义一个函数度量每个子图存在行人目标的可能性,并设置相邻标记框的最小距离得到整幅图像最终的检测结果。实验结果表明,该方法能够有效地检测红外图像中的行人目标,具有较好的检测效果。     

一种新颖的红外与可见光图像自动配准算法

提出了一种新的红外与可见光图像的配准方法，该方法选用基于Garbor小波分解与尺度交互的特征点抽取算法，从两图中分别抽取对应特征点集，然后运用Hausdorff距离对两特征点集进行匹配，得到点集间的仿射变换，从而实现红外与可见光图像的自动配准．因为Hausdorff距离是对两特征点集而不是特征点进行匹配，所以算法是可行的．实验结果证明了此算法的有效性．     

天空背景下红外小目标检测算法

针对空中背景下红外目标由远及近的过程中的特征变化,提出了一种基于变分辨率信息的融合思想的移动小目标的检测算法,实验结果表明该算法能有效地检测和跟踪点目标、斑点目标和面目标,并且而且运算量小,检测速度快;     

基于视觉注意机制的红外弱小目标检测

提出了一种基于视觉注意机制的红外小目标检测算法.通过形态学Top-hat算子对图像背景进行抑制,并根据目标与周围背景的对比度不同生成显著图后分割出目标感兴趣区,在感兴趣区域内对每帧图片在尺度空间采用Dog算子处理提高图像信杂比,获得具有较大信杂比的点.为避免目标在帧中消失,采用PID算法跟踪目标点,在可疑目标点周围小区域内采用视网膜皮层理论(Retinex)算法对图像局部区域增强再重新分割出目标.实验证明:该算法能有效对红外小目标进行检测,算法在不同背景的图像检测性能都趋于稳定,当目标融于背景时,能很好地将红外目标检测出来.     

基于多特征与评估模型的红外小目标跟踪算法

针对传统STC(时空上下文)算法的不足,在灰度特征的基础上,加入能表征局部区域灰度值变化程度的LWIE(局部加权灰度信息熵)特征,并利用红外目标与周围背景的局部对比度特征,对当前跟踪的每一个目标建立评估模型,以确定当前跟踪的目标准确有效.实验表明:该算法能准确地跟踪红外小目标,且具有良好的抗干扰性、实时性和鲁棒性.     

序列图像目标跟踪的神经网络算法

针对序列图像目标跟踪问题，在提取图像特征点的基础上，提出了一种最优化算法，该算法将序列图像目标跟踪问题转化为相信两帧图像特征点间的匹配问题。文中根据匹配问题的各种限制条件给出代价函数，并利用Ｈｏｐｆｉｅｌｄ神经网络最优化计算功能来求取该代价函数的局部极小值。其中神经元的状态用以表示相邻两帧图像特征点间的匹配关系。神经元间的权连结用以反映地应特征点间的匹配程序。也就是说，本文针对序列黑种人希目标跟踪     

基于在线集成学习的红外点目标跟踪研究

通过研究红外点目标特征,提出了一种基于在线集成学习的红外点目标跟踪算法,在跟踪过程中调整分类器,具有较强的鲁棒性。同时,由于红外点目标只有灰度信息、无纹理、无形状。选择最具辨别红外点目标的MS-LSGM算法计算特征,从而产生稳定的跟踪结果。实验结果证明,在复杂多变的背景下,方法具有较好的鲁棒性,实时性。     

一种自标签特征点异源图像目标检测算法

由于图像成像机理差别较大,现有的算法无法提取可见光与红外异源图像上的共有特征用来匹配,进而无法实现异源图像目标识别. 针对此问题,本文提出了一种基于自标签技术的深度学习特征点提取匹配算法. 算法通过设计一个粗特征检测器并在合成影像上进行训练,使得该特征检测器在不同图像上都具特征提取能力. 利用本文提出的自标签方法将异源图像中共有的特征点进行提取,从而解决了现有算法无法获取异源图像共有特征的问题. 并利用自标签结果进行特征点检测器和描述子的训练,最终通过匹配的特征点实现了异源图像间的实例目标识别. 本文采集了不同场景下的可见光-红外无人机影像作为测试数据. 在异源测试数据集上,选择了6种不同的先进算法与本文算法进行了对比试验. 实验结果表明,该算法较现有的6种先进算法能够提取到更多、更精确的异源图像共有特征,与其他测试算法相比在异源图像测试数据上的平均精度有了明显提升.      

基于小波变换的红外目标图像多尺度边缘提取

数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础.传统的空域微分算子等方法在对背景相对复杂的红外图像不能有效的提取目标边沿.针对红外目标-景间对比度小,边缘模糊的特点,提出了基于小波变换的多尺度边缘提取方法.实验结果验证了,该算法具有良好的检测效果.     

多模序列图像目标跟踪的特征融合粒子滤波实现

针对图像制导中信息的模糊性和不确定性问题,将多源信息融合技术应用于红外／可见光双模复合成像制导。采用方差比测量的方法将特征选择问题转化为一个两类判别问题,并引入自适应特征选择机制;通过计算目标和背景间不同特征分布直方图对应的似然比,在高维特征空间中选择4个判别性较好的特征区分目标和背景,根据bahattacharyya距离建立跟踪所需的观测似然函数,在粒子滤波的框架下实现了算法对单模序列图像中目标的跟踪;引入跟踪性能品质度量因子和加权融合策略衡量多信源下对目标的跟踪性能,实现对双模序列图像中目标的稳健跟踪,解决了单一信源在特定因素下跟踪性能不理想的缺陷,提高了算法性能。仿真实验结果验证了算法的有效性。     

红外序列图像中运动小目标的检测

研究了红外图像运动小目标检测及跟踪问题．首先利用向量小波的优良性质对运动图像进行预处理,然后经Fisher算法分割出可疑目标,再根据红外小目标的运动特性,采取邻域分析并结合对运动目标在速度平面上的拟合直线分析的方法,可以准确提取和跟踪运动小目标．模拟实验表明了算法是有效的,并且适用于目标遮掩或某一帧偶尔丢失目标的情况．     

基于UPF的红外机动目标跟踪算法

利用红外探测器对目标红外辐射的响应信息进行处理,使得红外搜索与跟踪(Infrared Search and Tracking,IRST)系统成为一个距离可观测系统,建立了目标的观测模型,推导出机动目标跟踪的不敏粒子滤波(Unscented Particle Filter,UPF)跟踪算法.通过跟踪一个高机动目标的仿真过程,对算法性能进行验证,并与扩展卡尔曼滤波(Extended Kalman Filter,EKF)跟踪算法进行比较.仿真结果表明:UPF算法的跟踪误差比EKF算法的跟踪误差小300 m左右,鲁棒性好,同时经过高机动周期后,UPF的收敛速度比EKF快.