基于目标检测的红外和可见光动态图像融合

提出一种基于运动目标检测的红外和可见光动态图像融合方法,通过对红外序列图像中的运动目标进行检测,将运动目标信息融合到可见光序列图像中.试验结果表明,文中算法所得到的融合图像能够综合利用红外图像较好的目标指示特性与可见光图像较清晰的场景信息,有利于安全监视人员进行目标识别和情景感知.

跟踪学习检测算法在动态图像融合目标跟踪中的应用

本文利用跟踪学习检测(Tracking-Learning-Detection,TLD)算法能够对目标进行长期的持续跟踪的优点,对动态图像序列中的目标进行跟踪。采用了目标被遮挡这种困难情形的图像数据库进行了实验。通过对数据库中的可见光、红外和加权平均融合图像序列的目标跟踪,结果表明,TLD能够对目标进行持续跟踪,即使在可见光下跟踪失效也能够通过红外图像的弥补,从而使跟踪效果达到预期的要求。

基于相机响应曲线的高动态范围图像融合

高动态范围成像技术由于能够更加真实地再现成像目标及周围场景,在军事、航天等领域具有重要的研究价值。首先利用佳能1DC针对同一场景拍摄不同曝光量的序列图像,通过推导计算获得彩色图像各通道的相机响应曲线;然后通过建立图像灰度值与辐照度之间的照度映射获得一幅高动态范围的辐照度图像;其次利用基于双边滤波色调映射算法对获得的高动态范围图像进行压缩;最后通过基于镜面反射白平衡算法对图像进行色彩校正,从而获得拍摄场景的高动态范围图像。抽取不同帧数的实验拍摄图像对所提算法进行有效性验证,通过实验结果分析该算法实现高动态范围图像融合所需最少图像帧数为4帧。

基于像素级图像融合的Mean Shift目标跟踪

针对可见光、红外单模图像序列进行Mean Shift目标跟踪时存在的问题,提出了先对可见光、红外图像序列进行像素级动态图像融合,采用加权平均融合和基于区域目标检测的图像序列融合框架,再对融合结果进行Mean Shift目标核函数直方图建模,然后进行匹配跟踪。实验采用了实际图像序列。实验结果表明,针对目标进行跨背景区域的运动,该方法较采用单模图像序列进行跟踪具有更好的鲁棒性,并且满足实时性的要求。

针对融合图像的均值位移跟踪方法

提出一种针对融合图像的均值位移跟踪方法。运用加权平均融合和基于动态目标检测的多源动态图像融合体系,对可见光与红外图像进行像素级动态图像融合,利用Mean Shift算法进行目标跟踪。采用真实数据进行实验,并对实验结果进行稳态的位置均方根误差评价。结果表明,在跨背景区域及复杂背景下,采用该方法对目标进行运动跟踪,能满足鲁棒性及实时性要求。

针对动态目标的高动态范围图像融合算法研究

高动态范围成像技术能够全面有效地反映拍摄场景信息,有利于在复杂环境下获得更高的成像质量。目前基于多曝光图像序列的高动态范围图像融合算法需要高精度配准的输入图像序列,无法克服动态问题带来的影响,无法针对存在动态目标的多曝光图像序列进行高动态范围图像融合。基于此,提出了一种高动态范围图像融合算法。该算法利用基于色彩梯度的微分光流法获得由相机抖动以及场景目标运动导致的多曝光图像之间的动态目标偏移量;结合标定的逆相机响应函数构建高动态范围图像融合权重函数,对存在动态问题影响的多曝光图像进行高动态范围图像融合。实验结果表明,提出的算法无需提前对输入图像序列进行精确配准,能够有效克服动态问题影响,实现动态目标的高动态范围图像融合。