核密度估计时-空域滤波红外背景抑制方法

提出一种基于核密度估计的时-空域滤波算法,用于红外搜索跟踪系统图像的背景抑制。算法分为空域滤波和时域滤波两部分。在空域滤波中,采用核密度估计算法对背景进行平滑;在时域滤波中,采用核密度估计算法对经过空域滤波后的图像灰度值进行概率计算,判别属于背景残差的灰度值,然后做进一步的滤除。核方法对背景有很好的光滑性且易于计算机实现,实验表明,这种非参方法设计的时-空域滤波算法对背景杂波有非常良好的抑制效果,信噪比也得到明显提高。     

基于FPGA的运动目标实时检测跟踪算法及其实现技术

运动目标检测跟踪有关的算法及其基于PC平台的实现已经比较成熟,但实时性较差。将采集的彩色视频流分成灰度和彩色两个数据流,灰度视频用于目标检测,彩色视频流用于跟踪显示。以经典的帧间差分法和背景差分法为基础,根据现场可编程门阵列(FPGA)的特点及片外同步动态存储器的存取控制要求,对这两个算法用FPGA逻辑单元进行了设计和实现。对原始彩色视频流和转换后的灰度视频流的存取使用乒乓操作,在滤波和形态学处理时使用了并行的流水线操作,极大地提高了算法的实时处理能力。在FPGA开发板上构建了一个彩色视频图像中运动目标检测跟踪系统,对系统性能进行了测试。实验结果表明,系统可在多种分辨率和帧率下进行运动目标进行实时检测跟踪;固定背景差分法对目标运动速度无限制,但当使用帧差法对快速运动目标进行有效的检测时,应使目标的帧差间距大于3.2像素。     

图像序列中目标关键帧快速搜索算法

在目标测量时所获得的图像序列中,如何定位目标关键帧(最有利于目标测量的图像)的位置,对目标识别的效率和测量设备的性能有着显著的影响.针对具有复杂特性的目标图像序列,提出了一种基于帧间像素灰度差值来定位目标关键帧的快速搜索算法.该算法仅仅利用像素灰度值这一最基本的特征,将图像序列中相邻两张图像的同一像素的灰度差值与给定阈值相比较,统计高于阈值的像素个数,再与另一给定阈值相比较,进而确定目标关键帧的位置.实验结果表明,该算法对目标大小不同、形状不同,环境不同,信噪比较高的图像序列都具有快速、稳定的搜索效果.     

分布式网络信息数据防篡改方法研究

为在足球视频中有效的检测与跟踪运动目标,需要对足球比赛视频中目标检测与跟踪算法进行研究。当前采用的算法,在动态场景中,存在运动目标检测与跟踪效果不佳的问题。为此,提出一种基于OpenCV的足球比赛视频中目标检测与跟踪算法。该算法结合平均背景算法将足球比赛视频中目标图像分割为前景区与背景区,计算足球比赛视频每一帧目标图像和背景图像之间差值的绝对差值,同时计算每一个目标图像中像素点的平均值与标准值来建立目标图像背景统计模型,利用TMHI算法对足球比赛视频中目标初始图像进行阈值分割,得到初始分割图像,对分割图像进行中值滤波和闭运算,再使用卡尔曼滤波对分割后的目标图像进行处理,得到镜头中目标的质心位置和目标外界矩形框,然后对足球比赛视频中目标进行跟踪。实验证明,该算法有效的检测与跟踪足球视频中运动目标。     

利用改进型AAGD算法的红外小目标检测

针对红外目标检测中小目标检测精度较低的问题,提出了一种利用改进型平均绝对灰度差(AAGD)算法的红外小目标检测。针对AAGD算法的缺点,在其基础上,融合灰度与显著性特征,用于核相关滤波器,以解决红外目标特征简单且信息量少的问题;提出一种自适应双滑动窗口,针对不同区域调节聚合窗口形状及像素点权重,以实现高强度结构背景附近的机动目标的匹配,提高小目标检测的准确度;利用MATLAB仿真平台对所提方法进行实验论证,结果表明,所提方法能够在噪声、高强度锐利边缘和结构背景等复杂图像中准确检测出小目标,且其准确度、稳定性、执行时间等方面均优于其他对比方法。     

扫描型红外预警系统中弱小目标的检测算法

提出一种基于面阵探测器的全方位红外预警系统的运动弱小目标检测算法.该算法主要基于灰度形态学滤波和目标概率分布函数匹配两种技术.灰度形态学的高帽变换可以有效地检测出红外图像中的特定目标,但没有考虑目标强度分布特征,检测结果的虚警率较高.本文采用了均值偏移算法常用的概率分布函数匹配技术,对检测出的小目标进行二次确认.试验结果表明,该方法能够有效地抑制背景杂波干扰,降低虚警率.     

一种改进的无监督聚类的关键帧提取算法

针对关键帧提取方法中一般聚类算法的阈值只能预先指定的缺陷,提出一种基于无监督聚类的自适应阈值改进算法。对视频帧进行区域分割并提取纹理特征,然后根据视频内容的复杂度自适应获取阈值,通过无监督聚类得到视频关键帧。大量不同视频类型的关键帧提取实验表明:该算法简单,无需预定义任何阈值便能有效地提取合适数目的关键帧。     

基于核各向异性扩散的红外小目标检测

为了减少红外图像中背景边缘对检测的影响,提出了一种具有鲁棒性的弱小目标检测算法,该算法利用核各向异性扩散模型进行背景预测,再与原图像差分实现弱小目标检测。为了提高算法的自适应能力,提出了一种鲁棒性扩散系数,能够根据图像背景的起伏程度自适应调整扩散系数曲线的陡峭程度。实验结果表明,与现有的检测算法相比,该算法能够在不同类型的复杂背景下有效抑制背景及其边缘,保留目标大小,降低虚警率,具有更强的鲁棒性。     

基于局部特征词袋模型人体动作识别关键帧选取方法

针对原始动作视频帧数多、信息冗余、计算量大的问题,提出了基于离散粒子群算法的人体动作识别关键帧选取方法。提取视频图像中的时空兴趣点建立视觉词典,统计视频图像中视觉词汇概率分布,采用离散粒子群算法进行关键帧选取,引入原始视频和选取的关键帧的视觉词汇概率分布向量的夹角余弦值,作为最优适应度函数评价关键帧选取前后的动作特征相似性。采用离散粒子群关键帧选取方法对KTH和Weizmann数据库进行实验验证。实验结果显示,该文提出的关键帧选取算法可有效去除动作视频中的冗余帧,提高了动作识别效率,动作识别准确率保持89.17%和98.89%不变。     

一种云天背景下单帧红外弱小目标检测新方法

针对复杂背景下单帧红外图像中的弱小目标检测问题,提出了一种级联的改进Asymmetric AdaBoost算法。该算法通过提取红外小目标梯度对比度、邻域灰度分布等多个有效特征,充分利用多个红外特征的互补作用,对Asym-metric AdaBoost在仿真中出现的问题进行了相应的改进。通过对实测数据进行仿真,结果表明该方法达到了高检测概率和低虚警率,能有效地检测红外弱小目标。     

基于核优化密度聚类的绿色苹果分割算法

苹果的可见光谱目标的高效、精准识别是实现果园测产或机器自动采摘作业的关键,由于绿色目标果实与枝叶背景颜色较为相近,因此绿色苹果的识别成为新的挑战。再由于果园实际复杂环境因素影响,如光照、阴雨、枝叶遮挡、目标重叠等情况,现有的目标果实识别方案难以满足测产或自动采摘的实时、精准作业需求。为更好地实现果园自然环境中绿色目标果实识别问题,提出一种新的核密度估计优化的聚类分割算法（kernel density clustering, KDC）。新算法首先利用简单的迭代聚类（simple linear iterative cluster, SLIC）算法将目标图像分割成不规则块,集结小区域内近似像素点组成超像素区域,计算单元由像素点转变为超像素区域,有效降低数据复杂度,且SLIC算法简化图像数据时可有效避免目标果实轮廓模糊;基于超像素构造R-B区域均值和G-B区域均值的二维特征分量,建立针对聚类分析的青苹果颜色特征空间。然后借助密度峰值聚类中心计算绿色苹果图像每个数据点的局部密度和局部差异度,为解决分割边界模糊问题,在计算过程中利用核密度估计计算局部密度,确保局部密度在不同复杂场景中的清晰准确表达,以更精准找出被低密度区域分割的高密度区域,实现任意形状的聚类。最后以局部密度和距离构造寻找聚类中心的决策图,该研究采用双排序算法实现聚类中心的自动选择,完成目标果实的高效分割。新算法通过SLIC算法获得图像的超像素区域表示,数据点的局部密度通过核密度估计得到,大幅降低算法的计算量,实现目标图像的高效、精准分割。为更好地验证新算法性能,实验采集多光照、阴雨等环境下的遮挡、重叠等复杂目标图像,以分割效率、分割有效性、假阳性、假阴性等指标进行评价,通过对比k-means聚类算法、meanshift聚类算法、FCM算法和DPCA算法,该研究提出的新算法分割性能均最优。     

基于P范数的核最小对数绝对差自适应滤波算法

为了进一步提高在a稳定分布噪声背景下非线性自适应滤波算法的收敛速度,本文提出了一种新的基于p范数的核最小对数绝对差自适应滤波算法(kernel least logarithm absolute difference algorithm based on p-norm, P-KLLAD).该算法结合核最小对数绝对差算法和p范数,一方面利用最小对数绝对差准则保证了算法在a稳定分布噪声环境下良好的鲁棒性,另一方面在误差的绝对值上添加p范数,通过p范数和一个正常数a来控制算法的陡峭程度,从而提高该算法的收敛速度.在非线性系统辨识和Mackey-Glass混沌时间序列预测的仿真结果表明,本文算法在保证鲁棒性能的同时提高了收敛速度,并且在收敛速度和鲁棒性方面优于核最小均方误差算法、核分式低次幂算法、核最小对数绝对差算法和核最小平均p范数算法.     

基于支持向量描述的自适应高光谱异常检测算法

提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.     

基于支持向量描述的自适应高光谱异常检测算法

提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.     

Research on a Rice Counting Algorithm Based on an Improved MCNN and a Density Map

The thousand grain weight is an index of size, fullness and quality in crop seed detection and is an important basis for field yield prediction. To detect the thousand grain weight of rice requires the accurate counting of rice. We collected a total of 5670 images of three different types of rice seeds with different qualities to construct a model. Considering the different shapes of different types of rice, this study used an adaptive Gaussian kernel to convolve with the rice coordinate function to obtain a more accurate density map, which was used as an important basis for determining the results of subsequent experiments. A Multi-Column Convolutional Neural Network was used to extract the features of different sizes of rice, and the features were fused by the fusion network to learn the mapping relationship from the original map features to the density map features. An advanced prior step was added to the original algorithm to estimate the density level of the image, which weakened the effect of the rice adhesion condition on the counting results. Extensive comparison experiments show that the proposed method is more accurate than the original MCNN algorithm.     

Background subtraction based on time-series clustering and statistical modeling

This paper proposes a robust method to detect and extract silhouettes of foreground objects from a video sequence of a static camera based on the improved background subtraction technique. The proposed method analyses statistically the pixel history as time series observations. The proposed method presents a robust technique to detect motions based on kernel density estimation. Two consecutive stages of the k-means clustering algorithm are utilized to identify the most reliable background regions and decrease the detection of false positives. Pixel and object based updating mechanism for the background model is presented to cope with challenges like gradual and sudden illumination changes, ghost appearance, non-stationary background objects, and moving objects that remain stable for more than the half of the training period. Experimental results show the efficiency and the robustness of the proposed method to detect and extract the silhouettes of moving objects in outdoor and indoor environments compared with conventional methods.     

融合检测机制的鲁棒相关滤波视觉跟踪算法

为了解决相关滤波视觉跟踪算法在复杂场景中产生的跟踪漂移问题, 提出一种融合检测机制的相关滤波跟踪框架。利用时空正则化滤波器作为跟踪器, 同时使用线性核相关滤波器作为检测器。当跟踪器与目标进行相关计算得到的响应图为多个峰值时, 激活检测器, 对多个峰值进行相关匹配, 获得重检测结果; 同时, 使用平均峰值相关能量的滤波器模型更新策略得到更加可靠的检测器, 以达到提高跟踪精度和算法鲁棒性的目的。在OTB2015、Temple color 128和VOT2016数据平台上的实验结果表明, 与近年提出的性能较出色的跟踪算法相比, 本文算法在目标运动模糊、相似背景干扰和光照变化等复杂场景中具有更好的鲁棒性和准确性, 且跟踪精度和成功率上均有提高。