基于极端学习机背景预测的红外小目标检测算法

为自适应检测复杂环境中的红外小目标,提出了基于极端学习机背景预测的红外小目标检测算法。首先,依据灰度值分布设计局部边缘敏感平滑滤波器,在相近的灰度范围内,使中心像素的灰度值等于邻域内多数灰度值的融合,对红外图像进行滤波,能够去除大量噪声并突出图像主要结构;其次,利用极端学习机对滤波后的图像建立回归模型,以邻域像素值为输入,以中心像素值为输出训练模型,并对背景进行预测,得到的图像与滤波后的图像做差,得到小目标显著图;最后,利用图像块对比特性对显著区域处理,使小目标区域均匀突出,抑制背景区域,并经过简单阈值操作,实现对红外小目标的检测。实验结果表明:与其他检测算法相比,在复杂背景下,本文算法检测结果的局部信噪比增益最高,单帧检测时间为0.18 s。本文算法对背景进行学习,发掘背景与目标的差异,提高了算法的适应能力,并且能够有效检测小目标。     

利用二阶方向导数极大值检测红外小目标

为提高复杂环境下红外小目标的检测率,提出了基于二阶方向导数极大值的红外小目标检测算法。该算法首先对二阶方向导数的性质进行了分析,对极大值进行阈值翻转操作,将背景中的平坦成分和边缘成分剔除。接着,根据小面模型对背景进行预测,并以预测误差为权值进一步增强小目标区域。以上2个步骤的计算可通过4个卷积实现,加快了检测速度。最后,对少量候选小目标计算局部对比度,降低了虚警率。实验结果表明：该检测算法在6种复杂背景下平均信杂比增益为78.413 0,平均背景抑制因子为35.079 6,具有较强的鲁棒性和较高的检测率。     

基于渐消记忆滤波的1点RANSAC单目视觉姿态估计算法

针对1点RANSAC(Random Sample Consensus)单目视觉EKF(Extended Kalman Filter)算法中的滤波发散问题,分析了滤波发散的产生原因,提出了一种基于渐消记忆滤波的1点RANSAC单目视觉姿态估计算法。该算法通过在EKF滤波方程中引入加权因子,逐渐加大当前数据的权重,相应地减少旧数据的权重,有效地扼制了算法中的滤波发散问题。最后通过两组验证性实验验证说明了算法的有效性。实验结果表明:该算法能够有效地解决1点RANSAC单目视觉EKF算法中的滤波发散问题,具有更高的精度。第一组双轴联动实验,航向角的平均误差减小2.4158?,俯仰角平均误差减小0.1782?;第二组偏航轴大角度转动实验,摄像机航向角的估计误差一直保持在1.5?以内。