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。     

基于运动行为的复杂监控事件探测

针对视频监控过程,使用运动目标的状态特征描述场景中存在的语义内容.基于DBSCAN聚类模型学习特征集的潜在结构,生成了运动行为模式集.使用高级Petri网刻画模式间的连续、并发等时序关系,构成复杂语义事件探测模型.无监督式的模式学习过程对低层噪声有较强的鲁棒性,而定性的事件描述模型对于高层事件的推理具有更强的灵活性.在实验中,通过聚类学习得到的行为模式,给出了事件Petri网的具体建模过程,并演示了"停留"与"偷车"两个感兴趣事件的探测结果.     

动态场景中运动目标检测与跟踪

为了在静态和动态场景中均能实现对运动目标的检测与跟踪,提出了基于运动检测和视频跟踪相结合的视频监控方法. 建立四参数运动仿射模型来描述全局运动,采用块匹配法对其进行参数估计;采用基于全局运动补偿的Horn-Schunck算法检测出运动目标;使用卡尔曼滤波对运动目标的质心位置、宽度和高度进行跟踪. 实验结果表明,该方法能够有效地对静态和动态场景中运动目标进行检测与跟踪.     

基于非参数统计的综合孔径图像弱小目标检测

针对综合孔径微波辐射图像中目标和复杂背景的边缘振荡对目标检测带来的影响,提出一种基于非参数统计的弱小目标检测方法.在对综合孔径辐射图像特征进行研究的基础上,采用非参数统计中的秩统计量描述图像中目标及复杂背景边缘的过渡纹理,给出综合孔径辐射图像的非参数统计描述模型,利用目标及复杂背景边缘各方向秩相关系数不同的特征,将目标与复杂背景有效地分离,实现对复杂背景的抑制和目标检测.仿真及实验结果表明该方法能有效地对综合孔径辐射图像中的弱小目标进行检测.     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

基于FCM聚类的雷达中频信号的运动目标检测

针对航海雷达在强杂波环境下对弱小目标检测能力不足的情况,提出一种基于FCM(Fuzzy-C-Means)聚类的雷达中频信号检测方法.对雷达中频信号进行小波分解,提取低频子带作为聚类样本集,利用FCM聚类方法,对同次脉冲回波相邻单元进行聚类分析,通过设定门限来判定目标.仿真结果表明,该方法可以改善输出信噪比,实现对目标的有效检测.     

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。     

面向辅助驾驶的夜间行人检测方法

辅助驾驶系统需要实时而准确的行人检测方法.文中利用基于知识的方法复杂度小的优点,针对单目远红外视频数据,提出一种基于概率模板匹配的夜间行人检测方法.该方法基于行人样本的灰度分布特征,采用局部双阈值分割算法提取候选目标,进而根据行人的运动方向建立多尺度概率模板,对候选目标进行判别.该概率模板建立方式缓解了行人样本类内方差较大的问题,增强了概率模板归纳行人外观模式的能力.为改善行人检测的准确度,进一步将目标跟踪算法融入概率模板匹配,借助多帧的综合处理结果实现了更为鲁棒的目标归属判断.实验结果表明:该方法计算开销较低,实时性较好;在郊外场景中检测率不低于90%,虚警率不高于10%;而在市区场景中检测率约为75%,虚警率约为22%.     

基于数学形态学的弱小目标检测算法

提出了一种基于数学形态学和邻域搜索的弱小目标检测方法,该方法先利用弱小目标的灰度特征,采用数学形态学算法对单帧图像进行预处理,检测出可疑目标集合.然后利用弱小目标的运动特征,采用邻域搜索的方法对多帧序列图像进行后处理,检测出真实目标.     

基于小波域滤波和邻域搜索的弱小目标检测

提出了一种基于小波变换和邻域搜索的弱小目标检测方法,该方法先利用弱小目标的灰度特征,采用小波变换算法对单帧图像进行预处理,检测出可疑目标集合,然后利用弱小目标的运动特征,采用邻域搜索的方法对多帧序列图像进行后处理,检测出真实目标.     

一种基于运动目标检测的视觉车辆跟踪方法

针对复杂交通场景中动态光照变化、阴影和遮挡等因素带来的影响,提出了一种基于运动目标检测的高效、鲁棒的车辆跟踪方法. 采用自适应背景建模获取动态场景中的运动信息,通过阴影去除获得准确的运动区域,并针对场景中的遮挡问题提出了相应的遮挡检测与处理策略,最后通过区域匹配获得跟踪结果,同时使用Kalman滤波器建立车辆的运动模型,对跟踪结果进行了约束和优化. 实验结果表明,提出的视觉车辆跟踪方法可以在复杂多变的室外场景下有效地解决场景中的阴影和遮挡问题,得到鲁棒的车辆跟踪结果.      

紫外图像弱小目标检测与跟踪

工作在“日盲”波段的紫外信号探测,屏蔽了太阳紫外辐射这一最大背景噪声干扰源,可以有效地进行微弱紫外目标信号采集,但是仍然面临着目标/噪声难以区分、目标短暂丢失等问题.文中对微弱紫外目标的成像特性进行详细分析,根据紫外目标成像特征提出了一种紫外图像弱小目标检测跟踪方案.该方案首先采用基于连通域的聚类方法对紫外图像中的样本点进行聚类,标识出前景中的目标块和噪声块,然后利用真实目标的轨迹特性,结合卡尔曼滤波预测目标的运动参数,从而实现对目标的检测跟踪.仿真实验证明了该方案的可行性及有效性.     

基于模型动态切换的运动目标实时跟踪

针对视频监控系统中运动目标的跟踪问题,提出了一种基于模型动态切换的实时跟踪方法.在运动目标分割之后,跟踪系统有效判定运动目标的遮挡状态,对未遮挡的运动对象采用基于区域的跟踪模型,对于相互重叠的运动对象采用基于SIFT特征的窄基线图像匹配模型.基于区域的跟踪模型采用简单的目标区域特征以及运动预测属性,实现快速地跟踪.基于SIFT特征的图像匹配模型利用被跟踪目标在相邻图像帧之间很小的尺度和外形变化以及基于目标区域位置预测出的有限运动范围,实现快速的窄基线小范围SIFT特征匹配和跟踪.实验结果表明,该方法具有较强的鲁棒性,能有效实现复杂遮挡场景下的多目标实时跟踪.     

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.     

基于边缘特征点聚类的车道线检测

针对复杂的道路工况及实时性的需求,提出了一种基于边缘特征点聚类的车道线检测方法。首先结合车道线边缘的梯度分布和灰度分布提取边缘特征点;然后依据车道线特征点的连续性和梯度方向的一致性进行特征点聚类得到离散区域,并通过衡量各区域之间的相似度进行区域聚类;最后选出最优类内的点进行拟合。在多种环境的道路场景下对该车道线检测方法进行验证,验证结果表明,该方法检测速度快、鲁棒性强,有助于实际工程应用下的车道偏离预警系统的研究。     

一种基于帧间差分与背景差分的运动目标检测新方法

针对背景差分算法中在复杂背景下参考帧的提取问题,提出了一种新的运动目标检测方法.该方法基于帧间差分法检测出帧中的背景像素点后,再确立每个点的高斯模型,最后运用背景差分准确检测出场景中的运动目标.由于该方法提取的背景干净,故能有效克服以往检测算法存在的误检和空洞问题.试验结果表明,该方法快速、有效,能够满足运动目标的实时检测要求.     

基于多背景模型的海面运动目标检测

提出一种在反射光较强的条件下基于多背景模型的海面运动目标检测方法.使用基于统计模型的变化检测方法将被监控场景区分为海浪波动显著的背景区域和海浪波动不显著的背景区域;对这两种区域中的像素点分别以Weibull分布模型和Gauss分布模型建立背景模型;使用建立的背景模型检测海面的运动目标.实验结果表明,在海面反射光较强且波浪波动较大的情况下,用该方法可以比较准确地检测到海面的运动目标.     

一种基于FCM的微多普勒雷达中频信号检测处理方法

在时域信号中引入FCM算法,以区分运动目标的多普勒频移特性。利用多普勒特性对雷达中频信号进行了模拟研究,并使用FCM算法在一个雷达扫描周期可确定两个聚类中心,分别对应两个静止和运动的目标信号;对多个雷达扫描周期的多个聚类中心点,采用算术平均值滤波的方法构造中心函数C,通过门限判决的方法判定目标,并计算目标的检测概率。该算法简单、易于实现、计算量小,且有良好的目标检测概率。     

基于空地信息互补的无人车路线规划

空地机器人通过相互协作获得的信息互补特性,使其在多智能体协同领域具有显著优势。由于室外场景受地形条件、光照变化等影响,地面机器人凭借自身传感器无法完整获得有效的地面环境特征,因此提出一种室外大范围场景下的地面特征提取方法,可通过获取到的全局环境信息指导地面机器人完成导航任务。利用机载视觉及YOLO-v3目标检测算法对室外场景的目标物进行检测与定位;对于全局场景图像特征的提取,建立点对间映射函数模型,剔除待匹配图像的外点,从而配准场景图像并对其进行拼接,使用加权平均融合淡化拼接缝隙;通过k(聚类中心数)-均值聚类算法分割全景图像,并采用形态学方法滤除噪声,最终获得全局场景特征;在此基础上改进基于采样的路径规划方法,为地面无人车提供一条可行的全局路线。通过仿真实验及室外场景测试表明：地面场景特征提取算法提升了室外大范围场景下所提取到特征的鲁棒性和准确性,改进的路线规划方法进一步缩短了路径长度,可为无人车自主导航提供有效的全局环境信息。     

基于扩张卷积特征自适应融合的复杂驾驶场景目标检测

针对复杂驾驶场景下的目标检测问题,提出一种基于扩张卷积特征自适应融合的目标检测算法.采用单阶段目标检测网络RetinaNet作为基本框架,其包含卷积特征提取、多尺度特征融合以及目标分类与回归子网.为提高网络对多尺度特征的提取能力,设计了基于不同扩张率组合的残差卷积分支模块,以获取不同感受野下的目标特征图;然后,将不同尺度下的特征通过网络自适应学习的参数融合后输出,用于后续的目标预测;最后在大规模且多样化的复杂驾驶场景数据集BDD100K上进行实验.结果 表明,利用扩张残差卷积分支模块与特征自适应融合算法能够分别将网络的平均精度均值由0.330提升至0.338与0.344,并在采用扩张卷积特征自适应融合的情况下达到了0.349.所提算法能够有效提升目标检测算法在复杂驾驶场景下的检测性能.