红外弱小目标检测背景抑制算法研究

目标检测方法简要综述

龙源期刊网 https://www.360docs.net/doc/6313665537.html, 目标检测方法简要综述作者：栗佩康袁芳芳李航涛来源：《科技风》2020年第18期摘要：目标检测是计算机视觉领域中的重要问题，是人脸识别、车辆检测、路网提取等领域的理论基础。随着深度学习的快速发展，与基于滑窗以手工提取特征做分类的传统目标检测算法相比，基于深度学习的目标检测算法无论在检测精度上还是在时间复杂度上都大大超过了传统算法，本文将简单介绍目标检测算法的发展历程。关键词：目标检测;机器学习;深度神经网络目标检测的目的可分为检测图像中感兴趣目标的位置和对感兴趣目标进行分类。目标检测比低阶的分类任务复杂，同时也是高阶图像分割任的重要基础;目标检测也是人脸识别、车辆检测、路网检测等应用领域的理论基础。传统的目标检测算法是基于滑窗遍历进行区域选择，然后使用HOG、SIFT等特征对滑窗内的图像块进行特征提取，最后使用SVM、AdaBoost等分类器对已提取特征进行分类。手工构建特征较为复杂，检测精度提升有限，基于滑窗的算法计算复杂度较高，此类方法的发展停滞，本文不再展开。近年来，基于深度学习的目标检测算法成为主流，分为两阶段和单阶段两类：两阶段算法先在图像中选取候选区域，然后对候选区域进行目标分类与位置精修;单阶段算法是基于全局做回归分类，直接产生目标物体的位置及类别。单阶段算法更具实时性，但检测精度有损失，下面介绍这两类目标检测算法。 1 基于候选区域的两阶段目标检测方法率先将深度学习引入目标检测的是Girshick[1]于2014年提出的区域卷积神经网络目标检测模型（R-CNN）。首先使用区域选择性搜索算法在图像上提取约2000个候选区域，然后使用卷积神经网络对各候选区域进行特征提取，接着使用SVM对候选区域进行分类并利用NMS 回归目标位置。与传统算法相比，R-CNN的检测精度有很大提升，但缺点是：由于全连接层的限制，输入CNN的图像为固定尺寸，且每个图像块输入CNN单独处理，无特征提取共享，重复计算;选择性搜索算法仍有冗余，耗费时间等。基于R-CNN只能接受固定尺寸图像输入和无卷积特征共享，He[2]于2014年参考金字塔匹配理论在CNN中加入SPP-Net结构。该结构复用第五卷积层的特征响应图，将任意尺寸的候选区域转为固定长度的特征向量，最后一个卷积层后接入的为SPP层。该方法只对原图做一

奇异值分解在红外弱小目标背景抑制中的应用

奇异值分解在红外弱小目标背景抑制中的应用 2010010208 张翠翠（控制科学与工程学院控制理论与控制工程 2010010208）摘要:复杂背景的抑制是红外弱小目标检测技术的一个难题。为解决这个问题,本文提出了基于奇异值分解的背景抑制算法。该算法从矩阵的角度出发,通过对原始图像进行奇异值分解,将包含弱小目标信息的图像矩阵分解到一系列奇异值和奇异值矢量对应的子空间中,然后通过定义的偏差指数所确定的有效的奇异值个数来重构图像,从而达到背景抑制的目的。与二维最小均方误差算法比较,实验结果显示,该算法对红外弱小目标复杂背景从主观视觉和数值指标都具有良好抑制效果。 1、引言红外告警系统因其被动探测、高度隐蔽的特点而受到广泛的重视。当红外弱小目标距离很远时,其成像面积非常小,且目标与背景的对比度、信噪比较低,常表现为淹没在复杂背景(例如大面积的云层和地面建筑物)中的几个像点,即为弱小目标。如果要可靠、稳定、准确地检测并跟踪这类目标,则必须对图像进行预处理,而高性能的背景抑制是其中重要而关键的一项预处理。近20多年来,红外图像背景抑制技术得到较大的发展,主要有时域滤波、空域滤波、频域滤波、数学形态学滤波和小波域滤波等滤波方法。但是,当背景比较复杂时,这类滤波算法不能完全平滑边缘,从而导致检测概率的降低,虚警率增大。在这种情况下,为了使有用的目标特征被保留并得到有效增强,则必须要对复杂背景实行自适应的抑制。为此,本文提出了一种基于奇异值分解的背景抑制算法。作为一种非线性滤波,其从矩阵的角度出发,对图像矩阵进行奇异值分解,并根据定义的偏差指数确定有效奇异值来重构图像,从而达到平滑复杂背景,增强其突变部分,即目标信号的目的。用真实的红外图像序列进行实验,结果验证了本算法能对复杂背景有效地平滑,增强其突变部分,即抑制了复杂背景,增强了目标信号。 2、基于奇异值分解的弱小目标背景抑制 2.1奇异值分解假设图像矩阵A是m×n的实矩阵,且A的秩为r,其中r≤min(m,n),则存在m阶酉矩阵U和n阶酉矩阵V使得A的奇异值分解可用下式来表示:

人体目标检测与跟踪算法研究

人体目标检测与跟踪算法研究摘要：近些年以来，基于视频中人体目标的检测与跟踪技术研究越来越被重视。然而，由于受到目标自身特征多样性和目标所处环境的复杂性和不确定性的影响，现存算法的性能受到很大的限制。本文对目前所存在的问题进行了分析，并提出了三帧差分法和改进阈值分割法相结合的运动目标检测算法和多特征融合的改进运动目标跟踪算法。这两种算法不仅可以准确有效的检测出运动目标而且能够满足实时性的要求，有效的解决了因光照变化和目标遮挡等情况造成的运动目标跟踪准确度下降或跟踪目标丢失等问题。关键词：三帧差分，Camshift，阈值分割 Research Based on Human Target Detectionand Tracking Algorithm Abstract: In recent years, human object detection and tracking become more and more important. However the complexity, uncertainty environment and the target’s own diversity limit the performance of existing algorithms. The main works of this paper is to study and analysis the main algorithm of the human object detection and tracking, and proposes a new moving target detection method based on three-frame difference method and threshold segmentation and improved Camshift tracking algorithm based on multi-feature fusion. These algorithm can satisfy the real-time, while accurately and efficiently detect moving targets, and also effectively solves the problem of tracking object lost or misplaced under illumination change or target occlusion. Keywords: three-frame difference, Camshift, threshold segmentation 一、绪论（一）选题的背景和意义人类和动物主要通过眼睛来感受和认知外部世界。人类通过视觉所获取的信息占了60%[1]，因此，在开发和完善人工智能的过程中，赋予机器视觉的功能这一操作极不可缺少。完善上述功能需要以许多技术为基础，特别是运动目标的检测与跟踪技术。近些年以来，此技术受到了越来越多的关注[2]。目前，此技术也在各领域得到了充分的应用，涵盖的领域有智能交通、导航、智能视频监控、精确制导、人机交互和多媒体视频编码压缩技术等。

红外图像中弱小目标检测算法概述

文章编号21005-5 30(Z 005 04-0083-04 红外图像中弱小目标检测算法概述卓宁1 孙华燕1 张海江Z (1.装备指挥技术学院北京10141 ; Z. Z 41部队 8分队辽宁葫芦岛1Z 5001 摘要2在现代战争中复杂背景下的红外弱目标检测技术是红外制导系统中一个亟待解决的问题也是提高武器系统性能的关键O 现基于小目标检测的现状和最新进展从空间滤波和时间滤波的角度对现有的小目标检测技术进行了简单的概述并分析了今后的研究方向O 关键词2复杂背景;小目标;空间滤波;时间滤波中图分类号2TP 3 1.4文献标识码2A Algorithm surveys on small target detection in inf rared image ZHUO Nzng 1 SUN Hua -yan 1 ZH NG Haz -jzang Z (1.Institute of eguipment Command and Technology Beijing 10141 China ; Z.PLA Z 41Command and 8Unit ~uludao 1Z 5001 China Abstract 2In the modern War detection of the small target in the condition of complicated background is an urgent problem for infrared control and guide it is also the key of improving Weapon system capability .Part algorithms of infrared small target detection in the Way of spatial filter and time filter are introduced in this paper based on present and recent technology .Finally the direction of the study are analyzed . Key words 2complicated background ;small target ;spatial filter ;time filter 1引言现代战争中要求更早地~在更远的距离上发现和捕获敌方的来袭导弹~飞机等目标以使防御武器有足够的反应时间O 这时目标的图像很小只有一个或几个像素缺乏结构信息此外视场中可能还有云~地物等各种复杂的背景杂波目标点极易被噪声所淹没O 因此复杂背景下低信噪比红外弱小目标检测是武器系统中的关键技术之一是运动目标探测中一个亟待研究与解决的课题O 为了从二维序列图像中检测到低信噪比红外弱小目标自70年代以来国内外学者和专家进行了广泛而深入的研究提出了许多有实际意义的检测算法O Bauch [1]等人提出通过采用一组时间上的高阶差分来抑制背景干扰并得到目标运动轨迹O 并用动态规则和状态估计技术来增加目标的可检测性O 然而这种方法在低信噪比的情况下可能呈现较差的性能O 此后又有人提出了频域中的三维时空匹配滤波技术并且把其简化为只在空域中进行的二维匹配滤波其结果在时间序列中进行递推求和O Irani M [Z ]等人用计算小邻域上灰度的加权平均再用梯度进行归一化以此作为运动的度量O 还有由Liou S P 和J ian R C 提出的运动目标检测方法是基于时空空间中运动轨迹任一点上切线和法线的正交性但是为了得到图像第Z 7卷第4期 Z 005年8月光学仪器O PTICAL I N S T R U M e N T S V ol.Z 7 N o.4 August Z 005 收稿日期2Z 004-11-1 作者简介2卓宁(1 7 - 女安徽蚌埠人工程师硕士生主要从事图像信号处理方面的研究O

红外图像弱小目标

红外图像弱小目标PF-TBD算法源程序 % 将粒子滤波算法应用于红外弱小目标TBD问题，验证其检测、跟踪目标的有效性 clear;clc % 粒子数目 N = 2000; % 采样时间 T = 1; % 仿真结束时间(采样总帧数) T_end = 30; % 假定目标从某一特定帧开始出现，然后在另一特定帧消失 T_ap = 6; T_dp = 24; % 采样时间序列 SimTime = zeros(floor(T_end/T),1); % 分辨单元数目 N_x = 32; % 横向分布单元数目 M_y = 32; % 纵向分布单元数目 % 分辨单元的宽度 Delta_X = 1; Delta_Y = 1; % 传感器的模糊参数值 SIGMA = 0.7; % 目标初始出现概率 mu = 0.05; % 目标速度区间 vmin = 0.2; vmax = 1; % 目标强度(灰度值)区间 Imin = 10; Imax = 30; % 抽样阈值(在大于r_th的区域内均匀分布) r_th = 2.5; % 扩散因子(目标影响相邻分辨单元的程度) p = 3;

% 目标Markov 过程转移概率相关参数 Pb = 0.05; Pd = 0.05; % 转移矩阵的表达式 PI_T = [1-Pb,Pb Pd,1-Pd]; % 转移矩阵PI 的行数(列数) PI_s = size(PI_T,1); % 系统状态转移矩阵 Phi = [1,T,0,0,0 0,1,0,0,0 0,0,1,T,0 0,0,0,1,0 0,0,0,0,1]; % 系统噪声协方差矩阵中的目标状态和灰度幅值噪声强度 q1 = 0.001; % 目标状态变化强度 q2 = 0.01; % 目标灰度值变化强度 % 系统噪声协方差矩阵 Q = [q1*T^3/3,q1*T^2/2,0,0,0 q1*T^2/2,q1*T, 0,0,0 0,0,q1*T^3/3,q1*T^2/2,0 0,0,q1*T^2/2, q1*T, 0 0,0,0,0,q2*T]; % 系统观测噪声 R = 1.5^2; %************************************* % 变量取值初始化过程 %************************************* % 定义滤波初值(假定目标出现时的初值) X = [4.2,0.45,7.2,0.25,20]'; % 整个粒子的集合，其中第6位代表当前时刻E判决标识位，而第7位为上一时刻值 X_PF = zeros(7,N); % 单个粒子状态值 X_PF_i = zeros(7,1); % 初始时假定每个粒子的权值为均匀的 w_i = 1/N*zeros(1,N); % 预测粒子的均值及其协方差

目标检测算法

function MovingTargetDetectionByMMI() %Moving Target Detection %Based on Maximun Mutual Information % %EDIT BY PSL@CSU %QQ：547423688 %Email：anyuezhiji@https://www.360docs.net/doc/6313665537.html, %2012-06-01 %读文件 Im1=imread('001.jpg'); Im2=imread('002.jpg'); Im3=imread('003.jpg'); Im1=rgb2gray(Im1); Im2=rgb2gray(Im2); Im3=rgb2gray(Im3); tic; d12=GetDifferenceImg(Im2,Im1); d23=GetDifferenceImg(Im2,Im3); d=d12.*d23; se =; for i=1:4 d = imfilter(d,se); end for i=1:2 d = medfilt2(d,); end %%d=abs((d12-d23).^0.7); d=uint8(d/max(max(d))*255); level = graythresh(d); BW = im2bw(d,level); s=regionprops(BW,'BoundingBox'); figure(1)

subplot(2,2,1); imshow(uint8(d12/max(max(d12))*255)); title('参考帧与前一帧的差值') subplot(2,2,2); imshow(uint8(d23/max(max(d23))*255)); title('参考帧与后一帧的差值') subplot(2,2,3); imshow(BW); title('由前后帧得出的差值') subplot(2,2,4); imshow(Im2); %imshow(d); rectangle('Position',s(1).BoundingBox,'Curvature',,'LineWidth',2,'LineStyle','--','EdgeColor', 'r') title('参考帧与检测结果') %求相邻两帧重合部分差值主函数 function outImg=GetDifferenceImg(R,F) =dwt2(R,'db1'); =dwt2(F,'db1'); CA1=uint8(CA1); CA2=uint8(CA2); fprintf('\n------PSO start\n'); =PSO(CA1,CA2); while mi<1.2 =PSO(CA1,CA2); end fprintf('tx:%f ty:%f ang:%f mi:%f\n',pa(1),pa(2),pa(3),mi); fprintf('------PSO end\n\n'); %pa=; fprintf('------Powell start\n'); mi_old=0; while abs(mi-mi_old)>0.01

行人检测算法综述(2007 清华大学好文)

第33卷第1期自动化学报Vol.33,No.1 2007年1月ACTA AUTOMATICA SINICA January,2007 车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述贾慧星1章毓晋1 摘要基于计算机视觉的行人检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一.其核心是利用安装在运动车辆上的摄像机检测行人，从而估计出潜在的危险以便采取策略保护行人.本文在对这一问题存在的困难进行分析的基础上，对相关文献进行综述.基于视觉的行人检测系统一般包括两个模块：感兴趣区分割和目标识别，本文介绍了这两个模块所采用的一些典型方法，分析了每种方法的原理和优缺点.最后对性能评估和未来的研究方向等一系列关键问题给予了介绍. 关键词行人检测，车辆辅助驾驶系统，感兴趣区分割，目标识别中图分类号TP391.41 A Survey of Computer Vision Based Pedestrian Detection for Driver Assistance Systems JIA Hui-Xing ZHANG Yu-Jin Abstract Computer vision based pedestrian detection has become one of the hottest topics in the domain of computer vision and intelligent vehicle because of its potential applications in driver assistance systems.It aims at detecting pedestrians appearing ahead of the vehicle using a vehicle-mounted camera,so as to assess the danger and take actions to protect pedestrians in case of danger.In this paper,we give detailed analysis of the di?culties lying in the problem and review most of the literature.A typical pedestrian detection system includes two modules:regions of interest(ROIs) segmentation and object recognition.This paper introduces the principle of typical methods of the two modules and analyzes their respective pros and cons.Finally,we give detailed analysis of performance evaluation and propose some research directions. Key words Pedestrian detection,driver assistance system,ROIs segmentation,object recognition 1引言车辆辅助驾驶系统中基于计算机视觉的行人检测是指利用安装在运动车辆上的摄像机获取车辆前面的视频信息，然后从视频序列中检测出行人的位置.由于它在行人安全方面的巨大应用前景，成为智能车辆、计算机视觉和模式识别领域的前沿研究课题.欧盟从2000年到2005年连续资助了PROTECTOR[1]和SAVE-U[2]项目，开发了两个以计算机视觉为核心的行人检测系统；意大利Parma[3]大学开发的ARGO智能车也包括一个行人检测模块；以色列的MobilEye[4]公司开发了芯收稿日期2006-3-14收修改稿日期2006-6-17 Received March14,2006;in revised form June17,2006 国家自然科学基金(60573148),教育部高等学校博士学科点专项科研基金(20060003102)资助 Supported by National Natural Science Foundation of P.R.China(60573148),Specialized Research Fund for the Doc-toral Program of Higher Education(20060003102) 1.清华大学电子工程系北京100084 1.Department of Electronic Engineering,Tsinghua University, Beijing100084 DOI:10.1360/aas-007-0084片级的行人检测系统；日本本田汽车公司[5]开发了基于红外摄像机的行人检测系统;国外的大学如CMU[6]、MIT[7,8]和国内的西安交通大学[9]、清华大学[10]也在该领域做了许多研究工作. 车辆辅助驾驶系统中基于计算机视觉的行人检测属于计算机视觉中人体运动分析的研究范畴，其主要任务是在运动摄像机下快速准确地检测行人.本文主要针对这一特定领域对相关的文献进行综述，重点分析常用方法的原理和优缺点，以期对相关的科技人员起到指导作用.对监控系统和体育运动分析领域中人体检测感兴趣的读者可以参考综述文献[11～14]. 行人检测除了具有一般人体检测具有的服饰变化、姿态变化等难点外，由于其特定的应用领域还具有以下难点：摄像机是运动的，这样广泛应用于智能监控领域中检测动态目标的方法便不能直接使用；行人检测面临的是一个开放的环境，要考虑不同的路况、天气和光线变化，对算法的鲁棒性提出了很高的要求；实时性是系统必须满足的要求，这 c 2007by Acta Automatica Sinica.All rights reserved.

开题报告--监控系统中的行人检测算法的实现

开题报告 -- 监控系统中的行人检测算法的实现

毕业设计（论文）开题报告
题目监控系统中的行人检测算法的实现
学院
通信工程
专业
信息对抗技术
姓名
班级
学号
指导教师

一、综述本课题国内外研究动态，说明选题的依据和意义
科学技术的快速发展，在给人带来利益和便利的同时，也给人带来了安全隐患。如为保护某些具有较高的经济价值或技术优势的核心技术及机密而设立的禁区，交通工具的快速行驶等都会给人们带来安全隐患。因此，监控系统（特别是智能监控系统）越来越受到人们的重视。纵观各种影响社会安全稳定的事件，给人们带来严重损失的除不可控因素（地震、火山喷发等）外，主要是人的行为。因此，在监控系统中实现行人检测将可以避免巨大的人身、经济等损失，也成为了国内外研究的热点。
目前，清华大学、浙江大学、上海交通大学计算机实验室以及中国科学院自动化研究所等是国内在行人检测研究上比较著名的高校或研究机构。而且，中国科学院自动化研究所的生物识别与安全技术研究中心开发的人脸识别系统已经投入使用（2008 年北京奥运会和 2010 年上海世博会等重大活动）。浙江大学人工智能研究所采用了单目视觉的方法[1] ，中科院的李和平、胡占义等提出基于监督学习的异常检测和行为建模算法[2]。国外著名的智能监控系统有 IBM 的智能监控系统和以色列的 IOImage 公司推出的智能监控系统。另外，卡耐基梅隆大学开发的 NabLab.10 系统已经应用于汽车的检测系统。虽然国内的监控系统行业近些年发展较快，但是和国外相比仍有一定的差距。
监控系统中行人检测技术研究至今，比较成熟的算法主要有 Leibe 等人基于“局部特性的编码”进行的行人检测、Oliver 等人利用边缘图像来对不同的形状模型进行匹配(ASM)和 Dalal 与 Triggs 提出的基于梯度直方图 HOG+支持向量机 SVM 的行人检测算法等。而在所有的行人检测技术，基本都包括了运动目标检测和运动目标识别两个关键技术。
运动目标检测是指通过比较视频图像中像素点的变化判断是否有运动物体，并通过图像处理技术将运动目标分割出来。运动目标的检测是运动目标识别的前提和保障，目前主要有光流法和帧差法（包括对称帧差法和背景减除法）。运动目标识别是对运动目标检测阶段获得的运动目标进行处理，识别出其是行人还是其他的物体。目前主要有基于运动的方法、基于模板匹配的方法、基于统计学习方法[3]等。
OpenCV 是著名的开源的计算机视觉的函数库，由大量的 C 函数和 C++类构成作为接口，实现了图像处理和计算机视觉方面的很多通用算法。而且 OpenCV 中的机器学习函数库实现了机器学习研究领域中比较常见、应用较为广泛的学习方法，包括了贝叶斯分类器、K 邻近算法、支持向量机、决策树、Adaboost 算法以及神经网路算法，基本上覆盖了机器学习领域中的主流算法。因此，使用 OpenCV 能够较灵活的实现行人检测。

图像显著性目标检测算法研究

图像显著性目标检测算法研究随着移动电子设备的不断升级与应用,使用图像来记录或表达信息已成为一种常态。我们要想快速地在海量图像中提取出有价值的信息,那么需要模拟人类视觉系统在机器视觉系统进行计算机视觉热点问题的研究。图像显著性目标检测对图像中最引人注意且最能表征图像内容的部分进行检测。在图像显著性目标检测任务中,传统的方法一般利用纹理、颜色等低层级视觉信息自下向上地进行数据驱动式检测。对于含有单一目标或高对比度的自然场景图像,可以从多个角度去挖掘其显著性信息,如先验知识、误差重构等。然而,对于那些具有挑战性的自然场景图像,如复杂的背景、低对比度等,传统的方法通常会检测失败。基于深度卷积神经网络的算法利用高层级语义信息结合上下文充分挖掘潜在的细节,相较于传统的方法已取得了更优越的显著性检测性能。本文对于图像显著性检测任务存在的主要问题提出了相应的解决方法。本文的主要贡献如下:为充分挖掘图像多种显著性信息,并使其能够达到优势互补效果,本文提出了一种有效的模型,即融合先验信息和重构信息的显著性目标检测模型。重构过程包括密度重构策略与稀疏重构策略。密度重构其优势在于能够更准确地定位存在于图像边缘的显著性物体。而稀疏重构更具鲁棒性,能够更有效地抑制复杂背景。先验过程包含背景先验策略与中心先验策略,通过先验信息可更均匀地突出图像中的显著性目标。最后,把重构过程与先验过程生成的显著特征做非线性融合操作。实验结果充分说明了该模型的高效性能与优越性能。针对图像中存在多个显

著性目标或者检测到的显著性目标存在边界模糊问题,本文提出了一种基于多层级连续特征细化的深度显著性目标检测模型。该模型包括三个阶段:多层级连续特征提取、分层边界细化和显著性特征融合。首先,在多个层级上连续提取和编码高级语义特征,该过程充分挖掘了全局空间信息和不同层级的细节信息。然后,通过反卷积操作对多层级特征做边界细化处理。分层边界细化后,把不同层级的显著特征做融合操作得到结果显著图。在具有挑战性的多个基准数据集上使用综合评价指标进行性能测试,实验结果表明该方法具有优越的显著性检测性能。对于低对比度或者小目标等问题,本文提出一种新颖模型,即通道层级特征响应模型。该模型包含三个部分:通道式粗特征提取,层级通道特征细化和层级特征图融合。该方法基于挤压激励残差网络,依据卷积特征通道之间的相关性进行建模。首先,输入图像通过通道式粗特征提取过程生成空间信息丢失较多的粗糙特征图。然后,从高层级到低层级逐步细化通道特征,充分挖掘潜在的通道相关性细节信息。接着,对多层级特征做融合操作得到结果显著图。在含有复杂场景的多个基准数据集上与其它先进算法进行比较,实验结果证明该算法具有较高的计算效率和卓越的显著性检测性能。

交通信息采集系统中的行人检测算法

现代计算机（总第二六三期）ＭＯＤＥＲＮＣＯＭＰＵＴＥＲ２００７．７＊基金项目：广东省科技计划项目（２００２Ａ１０１０３０８）收稿日期：２００７－０５－０８修稿日期：２００７－０６－２９作者简介：曹江中（１９７６－），男，湖南郴州人，硕士，助教，研究方向为图像信息处理技术及应用０引言行人检测是交通信息采集系统的一个重要部分。高速公路属于全封闭的安全通道，加强对行人的检测对于保障高速公路行车安全是有重要意义的。当检测到路面有行人时，监控中心马上做出相关处理，从而可以迅速地避免交通事故的发生。１行人检测１．１背景更新用于检测行人的视频来自交通信息采集系统，采用位置固定的摄像机，交通视频的背景相对静止，但由于室外光照的变化和车辆经过时的振动都会引起视频背景的变化，因此需要对背景不断进行更新。根据高速公路行车的特点，设计一个基于像素的背景更新算法［３］，其基本思路是：给检测区的每一个像素设置一个计数器Ｃｏｕｎｔ（ｉ，ｊ），对该计数器作如下操作：ｉｆＣｔｉ，!"ｊ－Ｂｔｉ，!" ｊ＞ｇｒａｙ＿ｔｈｒＣｏｕｎｔ（ｉ，ｊ）＋１ｅｌｓｅＣｏｕｎｔ（ｉ，ｊ）＝０其中Ｂｔｉ，!"ｊ、Ｃｔｉ，!" ｊ分别表示ｔ时刻的背景和采集的图像对应于位置（ｉ，ｊ）处的像素值，ｇｒａｙ＿ｔｈｒ是灰度阈值，可以根据当时ＣＣＤ摄像机的电位噪声和地面光照强度来动态设定。当ｇｒａｙ＿ｔｈｒ＞Ｎ时就将当前像素值作为背景（Ｃｔｉ，!"ｊ←Ｂｔｉ，!" ｊ），也即：若检测区中像素的灰度连续Ｎ次的变化小于阈值ｇｒａｙ＿ｔｈｒ。则将该当前像素值作为背景，其中Ｎ的值可以根据经验确定，但必须满足下式：Ｎ＞５０ｍＶｍａｘ×! "ｔ式中ｔ为采集连续两帧图像的时间间隔。Ｖｍａｘ为高速公路车辆允许的最大速度。这种背景更新算法，对于云层阴影、固定物体的影子、路面水迹等具有较好的适应性，但运动目标进入检测区域后停滞时间较长时会被误认为背景，因此，还需考虑不对运动目标区域进行更新。１．２运动目标检测针对高速公路上的行人在视频图像中有效面积较小，运动缓慢的情况，本文采用背景帧差法来检测运动目标。假定获取的背景图像为Ｂ，当前图像为Ｃ，则在理想情况下当前图像减去背景图像后，像素值发生改变的就是前景区域（运动目标），但在实际应用中，由于采集的图像存在着较大的噪声干扰，往往需要引入一个抑止噪声的阈值ｔｈｒ＿ｇｒａｙ，如式（１）。图像Ｉ中像素值为２５５的区域则为运动目标区域。Ｉｉ，!" ｊ２５５ｉｆａｂｓＣｉｊ－Ｂｉｊ!"＞ｔｈｒ＿ｇｒａｙ０ｉｆａｂｓＣｉｊ－Ｂｉｊ!"＜ｔｈｒ＿ｇｒａ$ ｙ（１）由于运动目标的某些区域往往在灰度上与背景相差不大，检测出的运动区域并不总是一个联通区域，因此还需对其进行后处理，使整个目标区域联通。后处理通常采用的是数学形态学的方法［４］。数学形态学在图像处理方法上表现为邻域运算形式，因此计算量较大，并且交通信息采集系统中的行人检测目的是判断行人的存在与否，并不一定要检测出行人的轮廓，因此我们采用了一种网格降维的方法，将检测区域网格化，划分为互不重叠的５×５的小块，统计小块交通信息采集系统中的行人检测算法＊曹江中１，戴青云１，谭志标２，邸磊２（１．广东工业大学信息工程学院，广州５１００９０；２．广东新粤智能交通研究院，广州５１０１０１）摘要：根据高速公路行人运动的先验知识，设计了一种基于视频检测技术的高速公路行人检测算法。该算法采用背景帧差分法获取运动目标区域，采用跟踪链实现运动目标跟踪，根据行人运动的先验知识在运动目标中检测行人。算法已嵌入到交通信息采集系统中，在高速公路上进行的现场测试结果表明，算法具有较好的实时性和实效性。关键词：行人检测；视频检测；运动检测；目标跟踪! "

基于多光谱与显著性的红外弱小目标融合检测

基于多光谱与显著性的红外弱小目标融合检测摘要：基于多光谱与显著性，提出一种红外弱小目标融合检测算法。该算法旨在将从多光谱探测器获得的同一场景的多光谱图像信息组合到一起，利用它们在时空上的相关性及信息上的互补性，提高系统的检测性能。采用一种新的基于人类视觉注意机制的显著性方法，该方法能够快速准确找到图像中的显著性区域；将目标看作一类，背景和干扰点看作另一类，选取离差平方和准则，使类内距离最小，类间距离最大；训练出融合参数，得到融合后的显著性图像。通过设定的门限值二值化，可以看出该融合方法能很好地将目标与背景分开，从而检测出目标。关键词：红外弱小目标；多光谱；显著性；图像融合中图分类号：TP391文献标识码：A文章编号：1673-5048（2016）02-0047-05 0引言多光谱成像技术不同于传统的单一宽波段成像技术，而是将成像技术和光谱测量技术相结合，获取的信息不仅包括二维空间信息，还包含随波长分布的光谱辐射信息，形成所谓的“数据立方”。丰富的目标光谱信息结合目标空间影响极大提高了目标探测的准确性、扩展了传统探测技术的功能。

因此，研究如何基于多光谱对红外弱小目标进行检测与识别有着实际的意义。在多光谱领域，国内外学者已经取得了一定的进展。Margalit和Reed提出了一种基于相关图像的恒虚警率自适应目标检测算法[1]；Heesung提出了基于滤波的光谱匹配方法[2]；1999年，Richards等提出了光谱角映射算法（SAM）[3]。SAM算法具有结构简单、实时性好等优点，但是，其性能对目标光谱方差十分敏感，当光谱信噪比较低时，其性能变得十分不可靠。2011年，GuYanfeng等将SAM算法与核函数相结合，提出了一种基于核函数的正规化光谱角的光谱匹配算法[4]，提升了SAM算法对于光谱方差变化的鲁棒性。光谱匹配滤波器（SMF）[5]是一种具有代表性的光谱目标检测算法，是典型的光谱匹配算法，基于标准目标光谱模型和背景光谱模型的先验信息已知。然而在实际系统中，很难得到一个场景的红外全谱段图像，一些红外警戒系统通常采用双波段的工作方式。在双/多波段红外热成像系统中，由于多个传感器工作在不同的电磁波段，探测到的同一场景的多光谱图像在信噪比、对比度、强度等方面存在很大的差异性，利用它们在时空上的相关性及信息上的互补性，对多光谱图像进行融合，可以得到对目标更全面、清晰的描述。现有的融合方法有小波变换模型、

视觉目标检测算法说明

视觉目标检测算法说明 1.功能通过安装在战车上的摄像头，检测视野范围内的敌方战车。 2.算法： 2.1目标检测与识别 1.颜色检测采集大量敌方机器人的图片数据，并进行训练，得到对方机器人的颜色区间，并以此为阈值对整幅图像进行颜色检测，找到疑似敌方机器人的区域，量化成二值图。 2.滤除噪声点对得到的二值图像进行开运算处理，滤除颜色检测结果中的噪声点。 3.连通区域检测对图像中的疑似区域进行连通区域检测，计算出每个疑似区域的外部轮廓，用矩形近似表示。 4.连通区域合并根据连通区域之间的距离和颜色相似性，将距离接近且相似性高的连通区域进行合并。 5.形状和大小过滤对大量敌方机器人图片进行训练，得到对方机器人的形状信息（例如长宽比）和大小信息（面积），并以此为依据将不符合的区域过滤掉。经过以上五步的处理，可以初步得到敌方机器人的位置、大小和形状信息。 2.2目标运动跟踪对上步中的检测结果进行运动跟踪。 1.状态估计根据上一时刻地方机器人的运动状态（包括位置和速度），估算当前时刻机器人的运动状态。 2.轨迹关联根据位置和颜色信息，对当前时刻机器人的估计状态和检测结果进行关联。 3.状态更新若上一步中关联成功，更新当前时刻的运动状态。通过对检测结果进行运动跟踪，可以计算出当前时刻敌方机器人的运动速度和方向。 2.3预估提前量

1.评估延迟时间根据己方机器人实际的调试情况，通过多次试验和统计的方法，估算己方机器人从接收命令到炮弹（或子弹）击中目标区域的时间延时（包括图像处理时间、落弹时间和炮弹飞行时间）。 2.计算提前量根据延迟时间和敌方机器人的运动速度，计算炮弹发射的提前量，补偿到敌方机器人的运动状态中。 3.总结：对于机器人战车中的敌方目标检问题，有很多种方法可以实现，视觉检测只是其中的一种方法，而基于颜色识别的目标检测也只是视觉算法中比较简单有效的一种。所以，本段代码只是抛砖引玉的一个样本，适用范围只针对于2014年RoboMasters夏令营的场地和战车，希望可以看到大家更加简单有效的算法。

行人检测与目标跟踪算法研究

基于opencv中光流法的运动行人目标跟踪与检测一、课题研究背景及方法行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。从2005年以来行人检测进入了一个快速的发展阶段，但是也存在很多问题还有待解决，个人觉得主要还是在性能和速度方面还不能达到一个权衡。早期以静态图像处理中的分割、边缘提取、运动检测等方法为主。例如（1）以Gavrila为代表的全局模板方法：基于轮廓的分层匹配算法，构造了将近2500个轮廓模板对行人进行匹配, 从而识别出行人。为了解决模板数量众多而引起的速度下降问题，采用了由粗到细的分层搜索策略以加快搜索速度。另外，匹配的时候通过计算模板与待检测窗口的距离变换来度量两者之间的相似性。（2）以Broggi为代表的局部模板方法：利用不同大小的二值图像模板来对人头和肩部进行建模，通过将输入图像的边缘图像与该二值模板进行比较从而识别行人，该方法被用到意大利Parma大学开发的ARGO智能车中。（3）以Lipton为代表的光流检测方法：计算运动区域内的残余光流；（4）以Heisele为代表的运动检测方法：提取行人腿部运动特征；（5）以Wohler为代表的神经网络方法：构建一个自适应时间延迟神经网络来判断是否是人体的运动图片序列；以上方法，存在速度慢、检测率低、误报率高的特点。 2、行人检测的研究现状

（1）基于背景建模的方法：分割出前景，提取其中的运动目标，然后进一步提取特征，分类判别；在存在下雨、下雪、刮风、树叶晃动、灯光忽明忽暗等场合，该方法的鲁棒性不高，抗干扰能力较差。且背景建模方法的模型过于复杂，对参数较为敏感。（2）基于统计学习的方法：根据大量训练样本构建行人检测分类器。提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经网络、SVM，adaboost等。该方法存在以下难点：（a）行人的姿态、服饰各不相同；（b）提取的特征在特征空间中的分布不够紧凑；（c）分类器的性能受训练样本的影响较大；（d）离线训练时的负样本无法涵盖所有真实应用场景的情况；尽管基于统计学习的行人检测方法存在着诸多的缺点，但依然有很多人将注意力集中于此。行人检测国外研究情况：法国研究人员Dalal在2005的CVPR发表的HOG+SVM的行人检测算法(Histograms of Oriented Gradients for Human Detection, Navneet Dalel,Bill Triggs, CVPR2005)。 Dollar 在 2010 年 BMVC 的《The fastest pedestrian detector in the west》一文中提出了一种新的思想，这种思想只需要训练一个标准 model,检测N/K（K ≈10）然后其余的 N-N/K 种大小的图片的特征不需要再进行这种复杂的计算，而是跟据这 N/K 次的结果，由另外一种简单的算法给估计出来，这种思想实现的基础是大小相近的图像的特征可以被足够精确的估计出来；同年，德国

红外弱小目标检测方法研究

本科毕业设计论文题目红外弱小目标检测方法研究 _______________________________________ 专业名称学生姓名指导教师毕业时间 2014年6月

毕业任务书一、题目红外弱小目标检测算法研究二、指导思想和目的要求本题目来源于科研，主要研究红外弱小目标的特点，常用的检测算法，进而实现红外弱小目标的检测。希望通过该毕业设计，学生能达到： 1．利用已有的专业知识，培养学生解决实际工程问题的能力； 2．锻炼学生的科研工作能力和培养学生团队合作及攻关能力。三、主要技术指标 1．掌握红外弱小目标的特点； 2．研究常用的红外弱小目标检测算法； 3．实现红外弱小目标的检测。四、进度和要求第01周----第02周：参考翻译英文文献；第03周----第04周：学习红外图像及其弱小目标的特点；第05周----第08周：研究红外弱小目标的检测算法；第09周----第14周：编写红外弱小目标的检测程序；第15周----第16周：撰写毕业设计论文，论文答辩。五、主要参考书及参考资料 1. 武斌. 红外弱小目标检测技术研究. 西安电子科技大学博士学位论文. 2. 史凌峰. 红外弱小目标检测方法研究. 西安电子科技大学硕士学位论文. 3. 杨丽萍. 空中红外弱小目标检测方法研究. 西北工业大学硕士学位论文. 4. 吴巍. 图像中目标特征的检测与识别. 华中科技大学博士论文。 5. 郑成勇. 小波分析在红外目标检测中的应用. 华中科技大学硕士论文。 6. 蔡智富. 基于自适应背景估计的复杂红外背景抑制技术. 哈尔滨程大学硕士论文。学生指导教师系主任设计论文