面向目标检测的稀疏表示方法研究进展

目标检测作为图像理解的一个基础而重要的课题深受国内外学者的重视,在军事和民用中具有广泛应用.应用背景的多样性和复杂性使得传统目标检测算法难以克服复杂背景、噪声干扰、光照变化以及非刚体形变、遮挡、弱特征、尺度、视角和姿态变化等因素的影响.近些年来发展起来的稀疏表示方法为图像处理及目标检测研究提供了新的思路,本文概述了稀疏表示基本概念和理论研究进展,综述了稀疏表示方法在目标特征学习、目标分类器和滤波器设计以及多源信息融合目标检测等目标检测领域中的国内外重要研究进展,并展望了稀疏表示方法在目标检测领域的发展方向.     

基于颜色模型和稀疏表示的图像型火焰探测

常用的图像型火焰探测算法是提取火焰在图像上表现出的单个特征信息或其有效组合作为识别的依据,需要大量的训练样本进行学习与参量优化,且识别率对特征选择的要求也很高.本文从火焰的整体特征考虑,提出了基于颜色模型和稀疏表示模型相结合的图像型火灾探测方法.首先在HIS空间建立颜色模型对火灾图像进行预处理提取出疑似区域,建立稀疏表...     

基于加权mean-shift可见光/红外双通道目标跟踪

为提高目标亮度突变时的跟踪性能,在每一帧进行目标跟踪时,首先提取可见光图像的颜色特征,红外图像的垂直投影图像和水平投影图像特征,然后利用可见光/红外各自通道的Bhattacharyya系数计算该通道的权值,并对加权mean-shift双通道跟踪方法进行了推导,提出了基于加权mean-shift可见光/红外双通道目标跟踪算法.该方法使前后两帧目标相似度大的通道取大的权值,从而达到有效利用各通道有利信息、提高跟踪性能的目的.实验表明,用本文提出的算法进行可见光/红外双通道目标跟踪时,与基于mean-shift单通道(可见光或红外)目标跟踪算法相比,可提高目标跟踪的准确度,特别是当目标进入树荫区域,引起目标亮度发生显著变化时,跟踪性能基本不受影响.     

基于均值漂移和模糊积分融合的高光谱图像分割

针对高光谱图像的特殊性,给出了一种基于均值漂移和模糊积分融合的高光谱图像分割算法。依据高光谱图像各波段间高度的相关性将其分为若干组,通过主成分分析对各波段子集进行降维。在此基础上,采用均值漂移算法计算各波段子集图像的聚类中心进而实现分割,再利用模糊积分融合各波段子集的分割结果。仿真结果证明了该算法的有效性。     

基于偏振光谱BRDF图像的物质分类

提出一种基于偏振光谱二向反射分布函数图像的物质自动分类方法,该方法主要选择偏振光谱二向反射分布函数信息作为新的特征用于物质自动分类.采用支撑向量机的分类方法对不同的天气条件（晴天、多云、阴天）下处于杂乱的自然草地背景环境中的典型目标进行分类,最后比较三种不同特征选择对于分类准确度的影响.采取三种不同的特征选取方法,分别为采用单一的光谱特征、偏振光谱特征及偏振光谱二向反射分布函数特征.最后通过实验得出：将偏振光谱二向反射分布函数作为分类特征在三种不同的天气情况下,分类准确度都较高,特别是在阴天天气条件下,分类准确度明显高于其它两种特征选择.即使是在阴天低照度下的场景中,当不同目标和背景之间的灰度很接近时,采用本文方法也能准确的进行自动分类.
关键词:     

一种多尺度边缘测度融合加权HD算法

一般的边缘加权Hausdorff算法,由于单尺度边缘检测算子本身对噪音敏感,会造成真实和虚假边缘显著性差异小,从而加权后对噪音鲁棒性改善有限.为此,提出了一种基于多尺度边缘测度融合加权的Hausdorff景象匹配算法.对图像提取多尺度边缘测度后,引入证据推理理论,提出一种双向指数基本置信指派构造方法,并构造出多尺度边缘测度的基本置信指派函数,然后采用冲突再分配DSmT组合规则进行融合.为了进一步区别真实边缘与高频噪音,对加权Hausdorff公式进行了一些改进,给出了更为有效利用融和后边缘测度的加权Hausdorff公式.对可见光和SAR景象的匹配实验证明:本文算法所提取边缘在抑制噪音的同时保留了大量景象细节信息,并通过横向对比验证本文算法提高了噪音鲁棒性.     

采用多重约束的无人机导航KLT视觉跟踪算法

特征点跟踪是实现无人机视觉里程计导航的重要技术。针对无人机视频图像帧间运动较大造成帧间的特征点跟踪误差大的问题,提出一种基于时间可逆性约束和双向偏移量约束相结合的多重约束KLT 特征点跟踪策略,并在金字塔表示下分层求解跟踪点的偏移量。基于时间可逆性约束,建立新的融合前向跟踪和后向跟踪的目标函数,解算前向跟踪偏移量和后向跟踪偏移量,并构造新的帧间偏移量-双向偏移量,在金字塔分层表示结构下实现偏移量的最优估计。实验结果表明,该方法能够有效地实现帧间特征点的精确跟踪,与同类跟踪算法相比有较好的效果。     

基于Legendre神经网络的单目视觉相对位姿解算

将BP神经网络、RBF神经网络以及Legendre正交基神经网络应用于单目视觉相对位姿强非线性解算,并且在梯度下降法的基础上推导了Legendre正交基神经网络的最优权值,最后进行了相应的仿真及物理实验.实验结果表明,基于Legendre正交基神经网络的单目视觉相对位姿解算方法不仅精度高、鲁棒性强,而且实时性较好.     

基于最小二乘支持向量机回归的背景偏振光谱二向反射分布建模分析

详细分析了土壤背景偏振光谱二向反射分布函数与探测角及探测方位角之间关系.提出了基于最小二乘支持向量机回归的偏振光谱二向反射分布函数建模,将有限实验观测条件下测量得到的少数偏振光谱二向反射分布函数扩展到2π空间范围内任意入射及观测条件.通过模型结果和实验结果分析比较,表明该模型能很好地满足准确度要求.     

基于遗传LM算法的涂层目标光谱偏振BRDF建模分析

通过比较测量方法测量得到绿漆涂层木板探测目标在400～720 nm的光谱偏振二向反射分布函数值,从获得的户外试验测量数据入手,分析与探测角、波长之间的关系,通过有限探测条件得到的光谱偏振二向反射分布函数值(BRDF)建立光谱偏振BRDF模型,来描述探测目标的偏振二向反射特性。其中利用基于小面元的模型建立光谱偏振BRDF模型,利用遗传算法和Levenberg-Marquardt(LM)算法相结合的优化算法来获得非线性模型参数。仿真实验结果表明采用的遗传LM优化算法具有较好的性能,能较快较准确得到非线性的模型参数。真实实验数据证明了基于小面元模型的正确性,表明光谱偏振二向反射分布函数建模方法结果的可靠性。最后与绿漆涂层铁板目标的模型反演参数进行比较得出：2种不同材质、相同颜色涂层的目标,具有较为接近的折射率,其较小差别可以理解为由涂层的厚度、均匀程度的不同导致,而非不同的材质所引起。