稀疏表示下大场景视频图像运动目标跟踪仿真

大场景视频中存在复杂的背景信息,这些背景信息与目标的外观相似,导致难以准确跟踪目标。为了解决这一问题,提出基于稀疏表示的大场景视频图像运动目标跟踪方法。通过提取视频图像haar-like特征并对特征投影压缩,在字典中融入背景信息,构造超完备字典。改进传统粒子滤波,提出基于残差的Unscented粒子滤波算法,在传统稀疏表示中添加判别函数生成判别稀疏表示,利用L1范数最小化求解候选目标稀疏系数,在字典不断更新下通过基于残差的Unscented粒子滤波算法,实现大场景视频图像运动目标跟踪。实验结果表明,所提方法目标跟踪精度和重合度均在0.9以上,且跟踪平均时间短。

大场景光学遥感图像近岸舰船检测方法

针对传统光学遥感图像近岸舰船检测方法不能处理大场景图像问题,提出了一种新的大场景近岸舰船检测方法。该方法采取分块处理策略,利用粗海陆分割方法筛选有效检测区域块,以缩小目标检测范围和提高检测效率。在检测结果合并阶段,采用0-1整数规划方法进行融合建模,并根据约束集对模型进行拆分,从而提高了结果融合效率。试验结果表明该方法具有较高的近岸舰船检测效率。

大场景SAR图像舰船目标快速检测

基于SAR图像的舰船目标检测是海洋监视应用的重要方面,随着SAR图像资源的不断丰富,计算速度成为衡量舰船目标检测算法的重要指标。针对大场景SAR图像,提出一种基于分块CFAR的舰船目标快速检测算法。首先通过图像增强提高舰船目标与海洋杂波之间的对比度,然后利用差异性参数进行分块筛选,剔除不包含目标的区域,最后对待检测区域实现基于积分图的快速CFAR检测。TerraSAR_X实测数据的实验结果验证了该方法的有效性。

基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法

针对大场景遥感图像舰船目标的快速检测问题,该文设计了一种级联型卷积神经网络检测框架。该检测框架由目标预筛选全卷积网络(P-FCN)和目标精确检测全卷积网络(D-FCN)两个全卷积网络级联而成。P-FCN是一个轻量级的图像分类网络,负责对大场景图像中可能的舰船区域进行快速预筛选,其层数少、训练简单,候选框冗余较少,能够减少后续网络的计算负担;D-FCN是一个改进的U-Net网络,通过在传统U-Net结构中加入目标掩膜和舰船朝向估计层以进行多任务的学习,实现任意朝向舰船目标的精细定位。该文分别使用TerraSAR-X雷达遥感图像和从91卫图、DOTA数据集中获得的光学遥感图像对算法进行了测试,结果表明该方法的检测准确率分别为0.928和0.926,与传统滑窗法相当,但目标检测时间仅为滑窗法的1/3左右。该文所提的级联型卷积神经网络检测框架在保持检测精度的前提下能显著提高目标检测效率,可实现大场景遥感图像中舰船目标的快速检测。

大场景多对象的深度社交分组网络

在计算机视觉中,群体分析越来越受到人们的关注,对图像中复杂人群进行分组是群体分析领域的基础技术需求.现有的人群社交分组方法只针对固定人数的小范围场景,不能处理真实世界中的大场景图像.本文提出首个面向十亿像素大场景图像的基于深度学习的细粒度人群社交分组框架,由一种图引导的全局到局部的划分策略与一个学习隐函数表示社交对交互模式的深度社交分组网络组成.该框架可在大范围场景图像上实现准确的人群分组.本文方法同样适用于小场景图像,在小场景图像数据集上的实验结果表明,本文提出的框架相比于现有方法取得了显著的性能提升.相关代码与训练数据即将开源.