一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景环境特征分离的背景高维特征矩阵准确度。分别设计了基于实测高光谱图像数据和模拟图像数据的修正检测算法性能验证试验,并采用三维操作特征曲线(3D ROC)结合目标与背景分离度(SDBT)开展修正算法的检测精度评估。试验结果表明,提出的修正算法有效减少了虚警率,提高了检测精度。基于实测数据的检测精度、目标与背景分离度由MCEM算法的0.937 7、 0.57提升到R-MCEM的0.993 5、 0.67,基于模拟数据的亚像元检测能力由MCEM的20%丰度提升到R-MCEM的15%丰度。

融合背景模型及颜色特征的感兴趣目标检测

针对传统感兴趣目标检测算法未利用图像自身的先验信息,提出了一种结合图像背景先验信息及颜色特征的感兴趣算法.依据图像边缘区域为一般图像背景的特点,建立了图像背景模型,基于该模型考虑背景区域的差异性,有效避免了目标在图像边缘时造成的漏检现象.通过融合两种显著性特征,得到了最终感兴趣目标.实验结果表明:该算法检测感兴趣目标时,检测准确性较其他主流检测算法提高了10%.

运动目标检测中基于灰度特征模型的背景消除方法

针对视频监控中运动目标检测时间复杂度高的问题,提出一种基于灰度特征模型的背景消除方法。通过提取视频图像像素的灰色特征,将视频图像中每个位置上的像素点用一个灰度特征集合来表征,并以此为依据计算各像素点灰度值与灰度特征集合中的像素点灰度值之间的距离,判别对应像素点的背景与前景状态,从而实现视频图像的背景消除。实验结果表明,该方法在处理效果接近的情况下,可以显著提升运动目标的检测速度,降低处理的时间复杂度。

特征目标与杂乱背景分离技术的研究

为了使系统的输入图象的背景得以抑制并且特征目标能够清晰地显示出来，本文对特征目标与杂乱背景分离技术进行研究，运用图象分割、纹理分析、线笥判别式函数等方法，提出了一种用于杂乱背景与特征目标相分离的方法。在各步工作中，都采用较简单而又有效的算法，从而可以快速地提取出特征目标。

基于特征融合及自适应模型更新的相关滤波目标跟踪算法

针对单一特征目标跟踪算法因背景干扰、目标遮挡造成的跟踪失败问题,以及跟踪过程中每帧进行模型更新容易造成错误更新和实时性差的问题,提出了一种基于特征融合及自适应模型更新策略的相关滤波目标跟踪算法-多特征自适应相关滤波目标跟踪算法。该算法在特征提取阶段将边缘特征及HOG特征加权融合作为目标特征,加强对边缘特征的学习;在模型更新阶段通过计算预测区域与真实区域的奇异值特征向量相似度,并结合设定的阈值判断是否需要进行模型更新,通过自适应更新的方式减少模型的更新次数。在标准测试视频集下验证所提算法,并与两种经典相关滤波算法进行比较,结果表明该算法能够较好地适应背景干扰及目标遮挡问题,跟踪目标的平均中心误差减少了9.05像素,平均距离精度提高12.2%,平均重叠率提高4.53%。

目标与背景的红外特征研究综述

介绍了目标与背景红外特征的产生机理,进行目标与背景红外特征研究的重要意义,详细阐述了目标与背景红外特征的国内外研究现状,最后给出了进行目标与背景红外特征研究的外场实验方法和理论分析方法.

基于背景优化和模型更新的目标跟踪算法

针对传统Mean Shift跟踪算法在进行目标跟踪时,由背景因素带来的定位偏差和缺乏相应的模型更新策略而易陷入局部最小值的情况,提出了两方面的改进措施。一方面在建立目标模型时,对背景像素建立新的模型以弱化对目标模型的影响,另一方面在跟踪过程中,融合目标颜色特征和连续两帧目标中心的欧氏距离动态的决定目标模型更新策略。实验结果表明,该算法在目标姿态、环境光照变化强烈时均能取得较好的跟踪效果。

融合背景模型和颜色特征的多尺度视觉显著性检测

结合图像背景先验信息和颜色特征,提出一种融合背景模型及颜色特征的视觉显著性检测方法。将图像颜色空间转换到Lab颜色空间下,利用SLIC超像素分割方法对图像进行分割,然后将图像中心的椭圆外面的区域划分为背景区域,同时将背景区域分割成四个互不重叠的相等子区域,构建图像背景模型,分别计算内部区域与这四个背景区域的差异性得到显著性特征。为了避免显著性目标在图像边缘时带来的漏检现象,同时考虑图像背景区域内部颜色特征的奇异性,特征奇异区域即为显著性区域。

融合动态-静态图像特征的运动目标检测方法

运动目标检测易受到多种静态、动态混叠噪声的影响。针对该问题,提出一种多级特征融合方法。采用运动显著性模型融合多种运动特征,检测运动目标的候选图像区域;以静态色彩特征建立目标区域和背景区域的混合高斯模型对候选区域进行二次检测,获得精确的运动目标图像区域。实验结果表明,该方法能够抑制复杂的混叠噪声,较为准确地检测出运动目标的真实区域。

结合HLBP模型与色彩位置信息的动目标检测方法

为了克服抖动及目标阴影的影响,提高运动目标的检测精度,提出了一种简化的Haar-LBP(HLBP)模版,并以此为纹理模型,结合色彩和位置信息建立特征向量,在高斯混合模型下实现减背景的动目标检测算法.实验结果表明,该方法不仅能实时、准确地检测出运动目标,提高了阴影检出率,而且对相机引起的抖动具有较强的适应性.

多特征融合的图像目标跟踪方法

图像目标主要的两个特征是颜色特征和形状特征,为提高跟踪的准确性和鲁棒性,提出融合图像目标颜色和形状的多特征融合跟踪新方法。采用基于HSV空间的空间颜色概率直方图模型,以及灰度变换后的Hu不变矩模型,分别进行实时目标跟踪,然后采用自适应加权方法,完成图像目标最终跟踪位置的确定。经实验测试,该方法对图像目标受到复杂背景干扰,以及颜色变化、尺度变换以及亮度变化等情况都具有很强的鲁棒性,同时增强跟踪效果,提高了跟踪的有效率。

改进SIFT匹配的动态背景下运动目标检测算法

无人机/车载运动目标检测与识别系统由于存在摄像机运动,使得场景中的背景与前景目标同时发生运动,增加了运动目标检测的难度。目前,动态背景下运动目标检测的主要方法是利用特征点的运动估计来补偿背景的运动。针对尺度不变特征变换(SIFT)特征匹配算法存在耗时长、误匹配率大,使得背景运动估计不准确,进而影响运动目标检测效果。提出了一种改进的SIFT特征匹配算法——先剔除容易丢失的边缘特征点,再利用最近邻点与次近邻点的欧式距离比确定匹配点,并用RANSAC删除运动目标上和误匹配点对,进一步实现背景运动的准确估计,从而检测得到运动目标的准确位置。试验结果表明:改进的特征点匹配算法在匹配准确度和运算速度上均优于传统SIFT特征匹配算法的性能。最终,通过背景补偿,有效消除了相机运动引入的动态误差,提高了运动目标检测的实时性和精度。

基于纹理特征的混合高斯背景建模算法研究

在智能交通系统中,运动目标的检测是一个基本而又关键的问题。而传统高斯混合模型能较好地检测出运动目标,但由于其没有考虑像素的局部特征,使得运动目标区域的错误检测率有所增加。为了更好地在高速交通视频中检测出完整且准确的运动目标前景区域,文中在子空间的思想基础上,提出一种基于像素局部纹理特征的高斯混合模型改进算法,即以像素周围5*5图像块的均值、标准差、最大值、最小值和当前像素值5个特征作为局部纹理特征,建立高斯混合背景模型,进行运动目标检测。经过大量实验,结果表明该算法能更准确、完整地检测出运动目标并具有很好的环境适应性,特别是在运动目标区域与相应的背景区域颜色较为相似时,运动目标检测效果改善较为明显。

融合纹理和颜色特征的显著目标检测

针对在无监督情况下,图像中显著性目标的不确定问题,提出了一种基于纹理和颜色特征的显著目标检测算法。首先,利用Gabor滤波器提取图像的纹理特征,构造背景模型。结合图像边缘信息更新背景先验信息。其次,利用颜色对比度来获取显著特征,利用贝叶斯增强来提高检测效果。最后,在MSRA和ECSSD两个公开数据集上,将论文算法与其他6种算法进行对比测试,实验结果表明论文算法综合性能优于其他几种算法,对目标的尺度和数量都具有较强的适用性和鲁棒性。

基于分形的水声图像目标探测

针对水声图像中人造物体的探测问题,给出了一种基于分形分析的方法,由于分形模型可以较好地模拟自然物体,而与人工物体存在较大差距,所以以其为主要特征可以准确地将人造物体从自然背景中探测出来。本文讨论了分维的提取方法,根据分形特征将水声图像标记为人造目标区域和非人造目标区域,并对一定噪声干扰下该方法的应用进行了研究,给出了相应的实验结果。实验结果表明,分形特征可以实现人造目标和自然物体的分类,并具有一定的抗噪声性,适宜对水声图像中的目标进行探测和识别。

关于摄像运动目标图像优化检测仿真研究

背景差分法在摄像头运动的情况下,无法有效进行目标检测。通过补偿全局运动更新背景模板,可以有效抵消摄像头运动带来的影响。但由于背景图像中物体景深差异较大时很难获取精确的背景模板,提出一种分层背景模型的摄像运动目标图像优化检测方法。首先,采用SURF算法获取相邻图像特征点运动矢量。接着采用图像腐蚀技术自动判断运动矢量的类别数并完成聚类;随后根据聚类结果对图像进行分层,并在不同层上分别进行仿射变换;最后叠加生成变换后的新背景图像。引入PSNR值对背景精确程度进行衡量。仿真结果表明,分层背景模型能够有效消除物体景深差异带来的干扰,产生更加精准的背景模板。说明上述优化检测方法能够有效完成摄像运动目标的检测任务。

相机抖动场景中数据驱动的背景图像更新算法

视频序列中的运动目标检测是计算机视觉领域的重要研究课题.背景减除是运动目标检测的有效方法,但相机抖动会对背景提取带来极大干扰,从而可能造成传统基于模型的图像处理方法模型失真.本文提出了相机抖动场景下前景图像提取的数据驱动背景图像更新控制算法.首先利用Harris特征检测进行背景补偿以消除抖动干扰.然后利用无模型自适应控制方法,建立单入单出控制系统来表示背景图像并进行实时更新.最后运用背景减除法提取运动目标前景图像.本文方法与传统基于模型方法进行了不同视频序列的对比仿真.实验结果表明,本文方法可以有效处理相机抖动场景下的运动目标检测问题,目标前景图像分离效果更加接近真实场景.

基于全边界时空切片的安防视频分割算法

针对安防领域视频存在数据冗余度大、清晰度较低、背景干扰等问题,而现有的视频分割算法又存在计算量大、计算步骤复杂等问题,提出了一种基于全边界的时空切片视频分割方法 (full-boundary spatiotemporal slicing video, FSSV)。首先针对监控视频的视频边界进行采样,从而形成时空切片,其次对时空切片进行稀疏采样和卷积得到背景模型,通过图像差分进而求得时空前景目标,从时空前景目标中提取目标帧值特征和边界特征;最后结合时间概率模型对前景目标进行修正,从而得到镜头分割边界集合,以此来进行视频分割。实验表明,方法提高了视频分割的准确率,具有较高的抗背景干扰能力。

基于机器视觉的红外成像系统探测性能评估

在分析红外成像系统的基础上 ,提出了一种基于机器视觉的系统探测性能评估模型 ,阐述了该种性能评估模型的基本思想、子模块及其预测性能的方法 .实验结果表明该性能评估模型能很好地预测复杂背景中目标的探测性能 .

基于视频的交通事件和交通流检测系统

本文运用数字图像处理和计算机视觉技术,对基于视频的交通事件和交通流检测进行了原理设计;并通过相关的硬件知识和编程技术实现了该系统。对数字图像处理和机器视觉的综合运用流程和相关知识做了介绍,如背景更新、滤波降噪、图像分割、特征提取、摄像机标定和目标识别。为视频交通事件和交通流检测的实现提供了一个新的案例。