基于加权核范数最小化的红外弱小目标检测

提出一种基于加权核范数最小化的红外弱小目标检测方法.该方法将原始红外图像转化为新的红外块图像模式,在红外块图像上,以鲁棒主成分分析(RPCA)为基础,将图像数据矩阵分解为一个低秩矩阵和一个稀疏矩阵;针对RPCA模型对复杂背景描述能力弱的不足,引入了加权核范数来更好地描述背景的低秩特性,并给出了相应的优化求解算法;同时,给出了一种自适应阈值分割方法,准确地从稀疏目标图像中提取出弱小目标.基于天空、海洋、山地、沙漠4种不同场景进行红外弱小目标检测,并比较了该算法和已有算法的性能,结果表明:该算法能有效地降低复杂背景边缘产生的虚警,提高目标检测准确率.     

基于Haralick离散正交多项式曲面拟合的弱小多目标检测方法

提出一种红外弱小多目标图像检测方法,图像先经过中值滤波、高提升滤波增强处理,再用基于Haralick离散正交多项式曲面拟合图像,拟合曲面的极大值点即目标点,可以利用导出的二阶方向导数算子与图像进行卷积得到。对天空、地面背景下低信噪比的红外弱小多目标图像能够有效地分割,增强处理能够有效地抑制噪声干扰。描述了对图像的处理过程,并分析了分割结果。实验表明该算法在执行效率和检测概率上能够取得满意的结果。     

工件表面微小缺陷的检测与识别方法

针对微小缺陷在复杂背景图像情形下分割难的问题,提出了一种基于像元搜索算法的微小缺陷检测方法.首先采用直方图均衡化提升背景与缺陷目标的对比度,在分析噪声分布特点的基础上,利用基于中值和均值滤波的改进滤波算法对图像进行去噪等前期预处理;然后根据背景灰度分布,在目标分割过程中采用分块、按方差大小排除背景图像块、初定目标和剔除伪目标的缺陷像元搜索算法;最后采用矩形度和区域占空比进行缺陷特征提取.结果表明,对于背景不均匀、目标与背景区分不明显这类复杂背景图像,所提出算法相对于传统的Otsu等算法能够更好地分割出弱小缺陷目标,提高了检测缺陷的准确性.     

基于各向异性双边滤波红外背景抑制方法研究

红外复杂背景抑制作为红外弱小目标检测的重要环节,直接影响着后续算法的目标检测概率和虚警率.针对各向同性双边滤波背景抑制方法因无法改变背景预测方向,在方向性的结构化云边缘存在较大预测残差的问题,本文设计了一种利用原始图像邻域统计信息自适应更新滤波尺度、掩模尺寸和滤波方向的各向异性双边滤波背景预测器,以最大限度地分离目标和背景.仿真实验表明该方法对输入信杂比为4的目标的信杂比增益大于4和对原始图像邻域杂波的背景抑制算子大于4.     

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。     

基于虚警识别与空-频域显著性映射的红外弱小目标检测算法

为了提高复杂背景与低信杂比率环境下的弱小目标检测准确度,有效控制虚警的干扰,考虑真实目标与背景的差异,设计了虚警识别耦合空-频域显著性映射的红外弱小目标检测算法。首先,根据红外中心像素在不同方向的强度,基于中值滤波器,构建了新的噪声滤波方法,充分抑制红外背景中的噪声干扰。随后,考虑中心像素与其邻域像素间的强度差别,设计背景抑制滤波机制,消除背景信息。根据初始红外图像与背景抑制结果,在空域内计算灰度映射。基于Fourier变换的相位谱,在频域内提取红外目标的显著性映射。利用背景的均值与方差,通过一个滑动窗口,建立候选目标检测方法,从灰度映射与显著性映射中确定候选目标。最后,利用真实目标位置的相关性,建立虚警识别方法,从候选目标中消除虚警,以保留真实弱小目标。实验数据表明:较已有的弱小目标识别技术而言,在复杂干扰背景下,所提方案可准确定位出真实目标,拥有更大的信杂比增益值与背景抑制因子,以及更好的ROC(receiver operating characteristic curve)特性曲线。     

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。     

基于DSP与FPGA的红外起伏背景估计系统

为了检测出起伏背景下的弱小目标，需要对红外图像进行背景抑制．针对红外起伏背景的统计特性，提出了一种线性、非线性的混合滤波算法，并从工程实用的角度给出了一个基于DSP与FPGA的并行硬件处理系统．结果表明，系统对红外起伏背景的估计效果良好并兼顾实时性．     

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。     

复杂场景下运动车辆实时动态自适应检测方法

针对复杂交通场景中运动车辆检测方法存在的局限性,提出了一种基于自适应背景与改进动态阈值相结合的运动检测算法.基于当前帧与背景相减得到的差分图像,利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.根据检测结果,采用中值更新策略实现背景图像的实时更新.实验结果表明,该算法可以从复杂交通场景图像序列中有效地检测出运动目标.而且算法计算量小,具有良好的鲁棒性与实时性品质指标,能够很好地满足智能交通监控系统中运动车辆实时检测技术要求.     

基于背景边缘抑制和GVF Snake的运动目标轮廓提取

针对现有的目标轮廓提取算法存在的问题,提出了一种结合背景边缘抑制和GVF Snake的运动目标轮廓提取方法.该方法首先改进了基于背景减的背景边缘抑制方法,然后将其与GVF Snake方法相结合,提取运动目标轮廓.实验结果表明该方法能准确提取出完整的运动目标轮廓.     

基于视频的运动目标跟踪算法

为更加准确、 快速地检测与跟踪到运动目标, 将背景差分法和帧间差分法相融合对 CAMSHIFT (Continuously Adaptive Mean-SHIFT)算法进行改进。 首先, 通过背景差分法和帧间差分法相融合确定目标所在 区域, 然后结合 CAMSHIFT 迭代算法实现目标跟踪。 实验结果表明, 该方法改变了传统 CAMSHIFT 算法需手 动选定目标和跟踪窗容易发散的局限性, 并提高了跟踪的准确性与稳定性。     

基于背景复杂度分析的智能跟踪器研究

传统基于图像处理的成像目标跟踪系统中,为了提高目标跟踪的可靠性,更多关注的是目标本身的特性,通过分析目标在不同阶段的成像特点,采用相应的算法进行自动提取与跟踪。由于不同目标提取算法在不同复杂程度的背景条件下具有明显的优劣性,实际跟踪过程中需要同时依据目标以及背景两方面的特性才能做出最合理的选择,然而,目前对于影响跟踪的背景特性研究却显得不足。针对这一问题,提出了一种基于结构相似度的背景复杂度判决方法,结合背景复杂度,完成了算法间的自动切换,实现了一个根据目标特性与背景特性的自适应实时多算法跟踪器。仿真测试与外场试验表明,该方法显著提高了对目标跟踪的可靠性。     

基于阴影抑制和自适应背景更新的车辆检测系统

在基于视频的交通监控系统中,车辆的正确检测是关键,目前采用的典型方法是背景相减法.为了提高对多车道上运动车辆检测的正确率,该文提出的车辆检测系统采用了快速自适应背景生成与更新算法,并结合基于轮廓跟踪的阴影去除技术,可以达到精确定位车辆的目的.实验图像数据表明:该检测技术较传统方法更具鲁棒性和准确性,并且从算法实现的角度来看,具有简单易用、实时性较高的特点.     

不同Alpha-Beta滤波算法的精度分析及改进

机动目标跟踪是雷达应用系统的一个重要组成部分,在机动目标跟踪中,目标的跟踪精度作为一项能够反映跟踪算法好坏的指标,是大部分人所关注的重点内容.通过对四种传统的Alpha-Beta滤波算法进行精度分析和比较,总结出四种算法的滤波特点,根据这些特点,改进得出了一种自适应Alpha-Beta滤波算法.该算法相对于传统的Alpha-Beta滤波算法来说,整体滤波效果是最优的,精度也是整体最高的.     

基于实测数据的STAP的权值计算算法性能比较

空时自适应处理(STAP)的权值求解是其计算最密集的部分,由于机载雷达回波数据动态范围很大,导致传统的采样协方差矩阵求逆(SMI)方法数值稳定性较差,相对而言基于QR分解的采样矩阵求逆算法(QRD-SMI)在系统动态范围要求和并行性上具有优势.为了寻求在STAP工程实现时采用QRD-SMI的理论依据,分析了采用这两种不同算法的STAP处理方法,比较了二者的计算量,用MountainTop数据比较研究了2种方法的性能.实验结果表明这2种方法均具有良好的杂波、干扰抑制性能,传统的SMI算法在杂波抑制性能上较QRD-SMI算法有一定的优势,而QRD-SMI算法对"目标消除效应"较SMI算法有更强的稳健性,综合比较算法性能、数值特性以及可并行实现性,QRD-SMI更适合在STAP的工程实现时采用.     

基于深度学习的复杂背景下茶叶嫩芽检测算法

针对传统的基于机器视觉的茶叶嫩芽检测方法存在手工特征提取鲁棒性较差以及准确率较低等问题,首次将基于深度学习的目标检测算法YOLO应用到复杂背景下的茶叶嫩芽图像的检测,并从多尺度检测方面对YOLO网络架构进行了改进,用大尺度和中尺度检测代替了原来的多尺度检测.在预处理阶段,通过结合超绿特征以及OSTU算法对复杂背景下的茶叶嫩芽图像进行了图像分割,使得茶叶嫩芽区域更加明显.实验结果表明,通过与其他算法对比,基于深度学习的目标检测算法对复杂背景下的茶叶嫩芽具有较高的检测精度,为复杂背景下茶叶嫩芽的智能化采摘设备的研究提供了基础.     

基于统计特性的路面图像光照不均匀校正算法

针对传统的灰度校正方法不能有效地校正全局光照不均匀的路面图像,提出基于统计特性的路面图像光照不均匀校正算法。算法根据路面图像自身的特点,以及正态分布特性,利用图像的均值和方差估计每个子块图像的背景灰度值,然后利用双线性插值的方法构造背景灰度矩阵,最后原图像减去背景灰度即可得到校正后的图像。仿真实验证实,该算法能有效地减少图像的光照不均匀,达到校正图像的目的。     

一种自适应背景差分运动目标检测算法

运动目标检测是运动行为理解的前提,也是安防系统研究的热点、难点问题。在分析现有检测算法的基础上,针对背景更新模型不准确、分割阈值难以选取等问题,提出了一套自适应背景差分运动目标检测算法。算法包括：基于像素相关区域灰度曲率特征的背景更新模型,基于直方图统计的动态阈值,改进型区域生长的运动目标标识。实验表明该算法能较好解决光照变化所引起的背景更新以及不同环境下阈值选取等问题。     

起伏背景噪声下地震波传感器阵列目标检测算法研究

针对起伏背景噪声下传统地震波传感器阵列检测算法虚警概率高、检测概率低的问题,提出一种基于信号相关性的阵列目标检测算法.利用传感器阵列在一个检测周期内接收到的数据建立信号检测矩阵,由检测矩阵列向量之间的相关性标记信号中目标成分的大小,进而引入相关性参数并构建检测统计量,利用信号相关消除时变的环境噪声干扰,有效克服起伏噪声对目标检测结果的影响.推导算法虚警概率与检测门限之间的定量关系,得到一定虚警率下的检测概率.基于计算机仿真和舰船目标实测试验对比本文提出算法与现有方法,结果表明本文算法可以在起伏背景噪声下有效检测出目标,且检测性能优于现有检测算法.