复杂背景下红外弱小目标检测的算法研究综述
复杂背景下红外弱小目标检测的算法研究综述
汪国有，陈振学，李乔亮
（华中科技大学，图像识别与人工智能研究所，图像信息处理与智能控制教育部重点实验室，湖北武汉 430074）
摘要：复杂背景下低信噪比弱小目标的自动检测是当今目标自动探测研究尚未解决的一个难题。目前，国内外许多学者已经作过大量的检测算法研究，但还没有建立成熟的理论体系和切实可行的实用算法，尤其是在复杂背景干扰的抑制方面，大部分研究工作所处理的还不是真正的复杂背景。本文在分析和总结国内外现有算法研究的基础上，指出了复杂背景下红外弱小目标检测的发展趋势，并提出了检测跟踪的一些有效技术措施。
关键词：复杂背景；弱小目标；信噪比；背景预测
中图分类号：TN911.73 文献标识码：A 文章编号：1001-8891(2006)05-287-06
A Review of Infrared Weak and Small T argets Detection under Complicated Background
WANG Gou-you，CHEN Zhen-xue，LI Qiao-liang
(Institute of Pattern Recognition & Artificial Intelligence, State education Commission Laboratory for Image Processing & Intelligence Control, Huazhong University of Science and Technology, Hubei Wuhan 430074, China)
Abstract：It is an unfathomed and difficult problem that weak and small targets are detected in complicated background and low SNR. Scholars at home and abroad offer many detection algorithms, but these algorithms aren’t mature, especially to complicated background, and these algorithms almost deal with uncomplicated background. This paper summarizes existing algorithms of weak targets detection under complicated background, points out weak targets detection development direction and refers to many efficient technique measures.
Keywords：complicated background；weak and small targets；SNR；background forecast
引言
在现代化的高技术战争中，武器系统应具备极快的反应速度和良好的隐身性能，远距离的红外目标探测技术能很好地满足这一条件，它能及时地发现、跟踪目标，实现迅速有效的攻击，是机载武器系统发展的一个趋势[1～3]。对于远距离目标，在视场中是以小目标形态出现的，目标与背景的对比度较低，要保证可靠、稳定、准确地检测并跟踪目标是很困难的。因此，远距离时低对比度红外弱小目标的检测技术是武器系统成败的关键，对于提高新一代精导武器的作战
收稿日期：2005-10-18
作者简介：汪国有(1965―)，男，安徽省休宁县人，教授，博导，主要从事图像建模、匹配制导、计算机视
觉以及目标检测等方面的教学和研究工作。在国
内外学术刊物上发表论文80余篇，获国家教委科
技进步一、二等奖多次。距离及反应速度具有十分重要意义。
从概念上讲，复杂背景是针对简单背景而言的。所谓简单背景是指背景图像灰度的空间分布是平稳的，灰度的统计均值和方差具有空移不变性，如海面、天空和沙漠等单一物理成分构成的区域图像；而复杂背景是指背景图像灰度的空间分布是不平稳的，灰度的统计均值和方差不具有空移不变性，如天海交接处、飞机场和港口等多种物理成分构成的复合图像。小目标是指仅含少量像素的目标，其面积较小，不能反映目标的几何轮廓特征，缺乏有效的形状特征，可利用的有效信息一般有目标灰度的平稳性和目标运动轨迹的连续性。与背景类似，弱小目标是相对强小目标而言的，强小目标是指与背景灰度差异显著地高于背景方差的小目标；对应地，弱小目标是指与背景灰度差异不高于背景方差的小目标，因此，复杂背景下弱小目标检测技术研究就是在背景图像灰度是空间非平稳分布的、目标背景灰度差异小于背景方差情况下，研究和开发小目标检测涉及的目标增强变换、
287
288背景抑制变换、变换特征建模、变换特征判别函数、变换特征门限估计、变换特征辨识以及算法性能评估等一系列的理论、方法和算法。
在复杂背景且信噪比较低的情况下，图像序列中运动弱小目标的检测一直是图像处理领域中比较困难的问题。当待检测目标处于远距离时，它们在像面上仅占几个像素，无形状与结构特征，且强度较弱，并处于复杂背景下，被看作是复杂环境下的弱点目标。弱小目标处于复杂背景中时，由于目标和背景的双重复杂性，使得目标检测的难度大为增加。
因此，对复杂背景下红外弱小目标的检测技术的研究，对于提高现代化高技术武器的作战距离及反应速度具有重要意义。本文系统的分析了有关的文献，对近年来国内外该领域的研究成果进行了综述，并从检测概率和虚警概率入手，分析了提高检测性能的条件。
1 目标背景特性研究的现状
国内外学者对于红外小目标检测的问题已做了很多富有成效的工作，尤其是90年代以来，小目标检测技术更是取得了长足的发展。然而，实时鲁棒的小目标自动检测技术尚未完全突破，至今也没有一种特别有效的方法。并且，许多文献在作算法讨论时往往回避低信噪比下的小目标检测问题，另外大部分文献针对的背景特性是慢变化，甚至是平稳的背景；目标是慢运动、灰度慢变化，并有一定的形状和面积。对于具有以上目标特性的目标检测算法，如动态规划法[4]、序贯假设检验法[5,6]、最优投影法[7]和Falconer 博士采用的Hough 变换法，还有神经网络、分形[8]、形态学滤波等，都有一定的作用，只是在计算量和计算复杂度方面，仍有待提高。背景的预处理一般是利用一些滤波器，如中值滤波器[9,10]、高通滤波器[11]和匹配滤波器[12,13]以及它们的一些组合改进形式[14]，但当背景是复杂背景时，中值滤波器就失去了它的作用，而高通滤波器对于变化缓慢的背景滤除作用明显，对于快变化的背景也是无能为力。匹配滤波器的适用范围较窄，当目标弱到一定程度时，使用它也没有什么好的效果。
目标检测算法按照背景预测和目标增强两个方面的思路进行分类。背景预测的本质是充分利用背景本身所固有的、规律性的变化特性，使变换后的背景特性具有某种相对的稳定性，改进背景预测的精度和与目标特性的分离性；而目标检测的本质是充分利用目标本身所固有的、规律性的多种特性，使变换后的目标特性得到有效的增强，改进目标特性的显著性和与背景的分离性。总的来说，复杂背景下弱小目标检测的研究应包括：
1）具有分离特性的目标与背景特性选择和计算算法
目标检测算法研究的目的是提高目标与背景特性的可分性。目标与背景特性的可分性定义为使得区分目标与背景的错误率P (e )达到最小，也就是使正确分类识别概率c 最大。
目标检测问题，可以看作是两类模式的分类问题。根据模式识别理论，当采用某种准则把待识别模式判属某类时，判错的可能性是存在的，就是说在用统计准则判决某一具体的模式x 的类别时，判决结果可能是错误的，把实属ωj 类的模式判为属于ωi 类。
统计判决的基本方法是根据类的概率和概率密度将模式的特征空间分划成两个子区域?1和?2，即：
?1∪?2＝?，?1∩?2＝Φ (1)
式中：Φ是空集。当x ∈?1时，判x ∈ω1类；当x ∈?2时，判x ∈ω2类。这时可能会发生两种错误，一种是把实属ω1类的模式判属ω2类，发生这类错误的原因是属于ω1类的模式在特征空间中散布到?2中去，从而将其判为属于ω2类，这时的误判概率为：
x x p d )/(2
112∫?
=
ωε (2) 类似地，另一种错误是把实属ω2类的模式判属ω1
类，此时的误判概率为：
x x p d )/(1
221∫?=ωε (3)
设ω1和ω2类出现的概率分别为P (ω1)和P (ω2)，则总的误判概率P (e )是：
212121)()()(εωεωP P e P +=
x x p P x x p P d )/()(d )/()(1
2
2211∫∫??+=ωωωω (4)
1
2
图1 一维模式的误判概率计算示意图
Fig.1 Misjudgment probability of one dimension model
对于目标检测，希望在总体上、统计上误判最少，因此所取的判决准则是使误判概率最小，这等价于使正确分类识别概率P (c )最大，即：
2006年5月 汪国有等：复杂背景下红外弱小目标检测的算法研究综述 May 2006
289
max d )/()(d )/()()(22112
1→+=∫∫??x x p P x x p P c P ωωωω (5)
这就是最小错误概率准则。 在目标识别中，假设两个类的某个特征T 的概率密度函数如图2所示，且第一类和第二类的特征均值分别为m 1和m 2，方差分别为σ1和σ2。 特征T
1
2
图2 两类模式的特征T 概率密度分布图
Fig.2 Probability density distribution
显然，当?m 越大，σ1和σ2越小，错误概率P (e )
就越小，同时正确分类识别概率P (c )越大。
2）多目标特性的目标显著性与分离性融合增强
算法
对于给定的目标与背景特性，其概率分布函数重
叠区域的面积定义为P e ，目标与背景的可分性定义为
1－P e 。由于目标与背景灰度的概率分布函数是变化
的，因此，如何利用变化的目标与背景灰度特征去计
算具有稳定可分离性的特征，并估计其概率分布函数
是复杂背景下弱小目标检测算法研究的重点。
假设待识别模式ω提取的实时特征集合为{t 1,t 2,…,t n }，而每一个特征t i 都对应着一个错误分类概率P e(t i )。多特征融合的总置信度P d 与P e(t i )成反比关系，每增加一个特征，识别的置信度就应该得到增强，即P d{t 1,t 2,…,t i }＞P d{t 1,t 2,…,t i －1}，因此多特征融合置信度可以采用这样的计算公式：
P d{t 1,t 2,…,t i }＝1－(1－P d(t 1)) (1－P d(t 2))…(1－P d(t i ))
＝1－P e(t 1)P e(t 2)…P e(t i ) (6) 寻找能够最大程度的区分目标与背景的特征，也是需要研究的课题。
1.1 慢运动目标的几何动力学特征
弱小目标之所以难以检测，就是由于弱小目标本
身没有几何形状或纹理特征，可利用的有效特征信息
较少，只能利用它的灰度分布连续和运动连续等目标
特性。为了对运动目标进行有效地检测，必须利用多
帧图像的运动信息，将目标的运动特征和运动轨迹的
连续性、一致性结合起来考虑。光流法是解决此类问
题的有效方法。文献[15]给出了光流运动约束方程，
以后所有光流法的研究都是基于这一约束方程；文献
[16]指出光流计算存在病态解问题，必须引入附加条
件才能确定光流的唯一解；文献[17～19]提出了几种
应用光流法检测运动目标的方法；文献[20]提出了两
种计算光流场的新方法，并和其他光流场计算方法进行了比较。光流法的理论和算法存在以下几方面的问题：约束方程只有在梯度很大的点上才严格成立[21]；计算的不稳定性；运算量大，难以实时实现等，上述
问题限制了光流法的理论和算法的应用。
1.2 慢运动目标的灰度动力学特征
弱小目标另外一个可利用的特性就是帧间灰度的连续性，因此，采用多帧图像的累加，可以增强目标的能量，使目标更加突出。其意义就在于提高了目标的信噪比，使得目标与背景的可分性增强，由于能量积累区域选取存在较大的困难，对快速机动的目标
不太适用。该方法只适用于运动缓慢的目标。积累帧数增加可以使像素值的方差减小而均值不变，这说明
平均的结果使得信噪比提高了[22]。文献[23]为解决低信噪比条件下抖动红外弱小目标的检测问题，提出了一种膨胀累加的检测算法，该算法运用膨胀累加方法能够消除抖动对多帧累加算法的不利影响，使目标能量能够实现有效的积累。尽管如此，在实际应用中积累的帧数还要根据系统抖动、目标运动速度以及结构元素尺寸进行选取。当系统抖动较大、目标运动较快以及结构元素尺寸较小时，积累的帧数不宜过大。 1.3 利用目标本身固有的规律性特征 图像中弱小目标的检测，从图像分析的观点看是判断图像中的孤立奇异点。红外背景往往呈大面积的连续分布状态，在红外辐射的强度上也呈渐变过渡状态，从而使得它们的红外图像在图像灰度空间分布上具有较大的相关性，是一种缓慢变化且非平稳的二维随机过程。目标的红外辐射强度与其周围自然背景的
辐射强度无关，且一般都高于背景的辐射强度，可以认为背景处在图像信号的低频部分，而目标处在图像信号的高频部分，通过小波变换将红外图像的低频部
分和高频部分进行分离，然后对各高频分量进行分
析，可以将目标检测出来。文献[24,25]采用小波变换实现增强图像、抑制噪声，然后检测目标；文献[26,27]通过对图像信号作多尺度的小波变换，检测弱小目标和提取不同分辨率下背景纹理的能量特征；文献[28]通过一种鲁棒的小波多尺度图像配准过程消除主场或背景运动的影响；文献[29]采用小波滤波器对每帧图像滤波，提高目标的信噪比，剔除部分噪声点，降低了算法的运算量；文献[30]提出一种针对低可观测时变目标的小波算法；文献[31]指出，在经过小波变换滤波后，可以利用不同分解尺度上的评估信息将目标从背景中分离出来；文献[32]定义了一种新的小波
2006年5月 Infrared Technology May 2006 290
变换即方向小波变换，并研究了它在运动弱小目标检
测中的应用，提出了一种多尺度的运动弱目标检测方
法；文献[33]针对目标轨迹产生随机偏移情况下运动
弱目标的检测问题，提出了又一种基于方向小波变换
的多尺度弱目标检测方法，能够稳定、有效的检测各
种做匀速直线运动的弱目标。不过，在运用小波变换
进行弱小目标检测时，存在以下问题：若选用简单的
小波基，其结果与高通滤波器的效果非常相似，若选
用复杂的小波基，则运算过于复杂。
1.4 利用背景本身固有的规律性特征
在进行弱小目标检测的时候，目标在图像中所占
的尺寸是非常小的，而绝大部分是背景，这就需要充
分利用背景本身固有的规律性特性，也是背景预测的
出发点。在弱小目标的检测、识别中，图像的背景在
一个小区域内不会有很大的起伏，而目标总是在它所
在的小区域里具有较突出的变化，因此，就有这样的
说法：图像中的任何一点如果是背景中的点，它的灰
度、梯度和其它特征都可以根据它周围的点来预测；
如果预测失败则可认为这一点可能是目标点[45～47]。目
前背景预测用于复杂背景中弱小目标检测的观念已
被大多数学者所接受，Philip等人将随机模型背景预
测算法应用于红外图像和合成孔径雷达（SAR）图像
的目标检测；Denney等人提出了自适应递归的背景预
测用于点目标检测。
1）基于形态学滤波的背景预测
利用形态学中腐蚀与膨胀操作的对称性可以很
好地估计出背景，进行图像背景的预测，进而求出原
图与背景估计图之差，从而有效地在图像中消除背景
及噪声点对点目标检测的影响。近年来，国内外学者
利用数学形态学理论对弱小目标的检测问题进行了
研究，并取得了一些成果[34～41]。膨胀运算使得在比结
构元素小的区域中的黑色细节将被减少或去除，腐蚀
运算使得在比结构元素小的区域中的明亮细节经腐
蚀后将被减少或去除。基于形态学滤波的背景预测的
方法有很多，比较典型的有Raphael Horak在[39]中介
绍的Top-Hat变换法，它主要使用上部平坦的柱体或
平行六面体作为结构元素，还有Steve Hay在[42]中介
绍的形态学方法。
2）基于卡尔曼滤波的背景预测
基于卡尔曼滤波理论的时间递归方法来预测背
景的方法是基于这样的事实：背景在帧间的变化较目
标在帧间的变化要缓慢一些，可以采取学习的方法来
预测背景[43,44]。当背景在帧间的变化较快时，卡尔曼
滤波预测算法就遇到了困难。
3）基于管道滤波的背景预测
管道滤波实际上是一个时空滤波器，它是在序列
图像的空间位置上以目标为中心建立的一个空间管
道，管道的直径（如果管道是圆形的）代表空间的作
用尺寸，管道的长度代表检测时间的长度。管道滤波
是一种较为经典的时空滤波器，许多文献给出了管道
滤波的基本思想和算法流程[48～52]。采用时间域和
空间域的管道滤波的方法时，要预先知道目标的最大
运动速度，以便设置合理的管径。如果目标运动过快，
管道滤波器的管径就需要选的粗一些，这样对算法的
复杂度就会提高很多。
2 目标背景特性研究的发展趋势
对于非平稳、快变化的复杂背景中运动较快、灰
度快变化、没有形状和面积的弱小目标，国内外学者
研究的较少，实际上检测弱小目标的主要困难是其特
征不明显、与背景不可分、存在灰度级交叉重叠，而
复杂背景的空间统计特性是突变的、非均匀的、存在
灰度奇变（如图3）。因此，提高目标检测算法性能的
方法是寻求一种变换，使同一类模式靠的更近一些，
而不同类模式离得远一些，以便把它聚合到一起，在
这种思想的指导下，可以将变化的目标背景变为平稳
的目标背景，使得目标与背景的均值差距变大，背景
的方差变小，背景变得均匀、去掉奇变点（如图4），
并在一定的概率模型下去分析和估计差异度量检测
门限。这里所谓离得远，不一定是均值相差较远。在
这种情况下，不能用点与点之间的距离，也不是点与
一组点之间的距离，而是两个分布的距离，这是一个
统计距离。如果两类模式在统计意义上离得远，就容
易识别。
图3 处理前的目标背景特性图4 处理后的目标背景特性
Fig.3 Target/background Fig.4 Target/ background
characteristic before characteristic after the
the processing processing
从图3、图4可以看出，经过变换处理过得目标
背景特性具有更强的可分离性。
另外，寻求一种合适的特征变换，以利用更有效
地特征，也是需要研究的课题。如图5所示，目标和
背景在特征坐标T1和T2下，两类模式都很难分离。
可以设想特征坐标轴做一变换，如图6所示，此时，
2006年5月 汪国有等：复杂背景下红外弱小目标检测的算法研究综述 May 2006
291
虽然利用特征T 1还是很难分离两类模式，但是，利用特征T 2却可以达到很好的分离效果。
图5 两类模式特征提取之一
Fig.5 First kind of model characteristic exaction
图6 两类模式的特征提取之二
Fig.6 Second kind of model characteristic exaction
这样进行目标检测识别时，得到的检测概率就会增大，而误判概率就会减小。
3 总结
针对复杂背景和弱小目标的双重复杂性，国内外的学者们提出了不同的检测算法。总的说来，利用目标和背景固有的特性，充分地抑制背景和增强目标是提高目标检测性能的关键。对于由多个平稳区域构成的复杂背景，可采用多阈值法将要处理的图像分成多灰度层次区域，把处理非平稳的复杂背景转化为处理多个平稳的简单背景，有助于弱小目标的检测。然而，在实际应用中，目标和背景的复杂性远远超出了人们的想象，如何最大限度的利用目标背景特性来有效的增强目标、抑制背景仍然是当前研究的重要课题。 参考文献：
[1] Glen S W, Edward J R, Kun Mu Chen. Enhanced detection of a target in a
sea clutter environment using astepped Ultra-Wideband Signal and EPulse Cancellation[J]. IEEE Trans. on Antennas and Propagation . 2001, 49(8): 1166～1173.
[2] Philip B , Chapple D C , Bertilone R S C. Stochastic model-based
processing for detection of small targets in non-gaussian natural imagery[J]. IEEE Tans. on Image Processing . 2001, 10(4): 554～564.
[3] Zhang Xiaoping, Mita D D. Segmentation of bright targets using wavelets
and adaptive thresholding[J]. IEEE Trans. on Image Processing . 2001, 10(7): 1020～1030.
[4] Barniv Y . Dynamic Programming Solution for Detecting Dim Moving
Targets[J]. IEEE Trans On AES . 1985, 21(1).
[5] Blostein S. D. and Huang T. S. Detection of Small Moving Objects in
Image Sequences Using Multistage Hypothesis Testing[A]. IEEE Int. Conf. On ASSP [C]. 1988.
[6] Blostein S. D. and Huang T. S. Detecting Small Moving Objects in Image
Sequences Using Sequential Hypothesis Testing[J]. IEEE Trans. On Signal Processing . 1991, 39(7).
[7] P.L. Chu. Projection for Multidimensional Signal Detection[J]. IEEE
Trans ASSP . 1988, 36(5).
[8] Xue Donghui, Zhu Yaoting. et al.. Small Target Detection Based on
Generalized Multiscale Fractal Parameter[J]. Journal of China Institute of Communications . 1997, 18(6): 70～75.
[9] Yang Weiping, Shen Zhenkang. Small target de- tection and preprocessing
technology in infrared image sequences[J]. Infrared and Laser Engineering . 1998, 27(1): 23～28.
[10] Barnett J. Statistical analysis of median subtraction filtering with
application to point target detection in infrared backgrounds[A]. SPIE [C]. 1989, 1050: 10～18.
[11] Xu Ying. Small Moving Target Detection in Infrared Image Sequences[J].
Infrared Technology . 2002, 24(6): 27～30.
[12] Muller M. Saliency Measures in Cluttered IR Images for ATR[A].
SPIE [C]. 1999, 3699: 150～154.
[13] Scharfand L L, Friedlander B. Matched subspace detectors[J]. IEEE
Trans. On Sig. Proceeding . 1994, 42(8): 2146～2156.
[14] Deshpande S D, Er M H, Ronda V . Max-mean and max-median filters
for detection of small targets[A]. SPIE [C]. 1999, 3809: 74～83. [15] Horn B K, Schunck B G . The image flow cons- traint equation[J].
CVGIP . 1986, 35(3): 26～31.
[16] Horn B K, Schunck B G . Determining optical flow [R]. MIT: AIMemo
AI Lab MIT. 1986: 88～93.
[17] Uras S, Girosi F, Verri A. A computational approach to motion
perception[J]. Biol Cybern . 1988, 60: 79～87.
[18] Reichardt W E, Schlogl R W. A two dimensional field theory for motion
computation[J]. Biol Cybern . 1988, 60: 23～25.
[19] Markandey V . Motion estimation for moving target detection[J]. IEEE
Trans on AES . 1996, 32(3): 866～874.
[20] Shan Fu. Pridmore, T. Image flow field detection[J]. Signal Processing .
1996, 2(3): 1090～1093.
[21] Bimbo A D, Nesi P, Jorge L C Sanz. Optical flow computation using
extended constraints[J]. IEEE Trans Image Processing . 1996, 5(5): 720～739.
2006年5月 Infrared Technology May 2006
292[22] Xu Jun, Zhou Xiang, Liang Changhong. Algorithm of small target
detection in IR image sequences[J]. Infrared and Laser Engineering . 2003, 32(4): 390～393.
[23] Xiong Hui, Shen Zhenkang. Dithering Infrared Low SNR Target
Detection Algorithm[J]. Journal of National University of Defense Technology . 1998, 20(2): 54～59.
[24] Li Guokuan, Peng Jiaxiong, Li Hong. Small target detection based on
multi-wavelet transform[J]. Huazhong University of Science & Technology . 2000, 28(1): 72～75.
[25] Zuo Zhen, Zhang Tianxu. Algorithm based on wavelet transform for
small target detection on sea surface in infrared image[J]. Infrared and Laser Engineering . 1998, 27(3): 42～45.
[26] Li Guokuan, Peng Jiaxiong, Li Hong. Infrared imaging dim target
detection based on wavelet transform[J]. Huazhong University of Science & Technology. 2000, 28(5): 69～71.
[27] Sheng Wen, Deng bin, Liu Jian. Multi2resolution distance map based
small target detection in infrared image [J]. Acta Electronica Sinica . 2002, 30(1): 42～45.
[28] Li Hong, Zheng Chengyong, Gao Jingli. Detecting small moving object
based on wavelet multi2scale image registration[J]. Infrared and Laser Engineering . 2003, 32(3): 268～270.
[29] Li Hongyan, Wu Chengke. Detecting dim small targets in image
sequences based on wavelet transforms and genetic algorithms[J]. Acta Electronica Sinica . 2001, 29(4): 439～442.
[30] Davidson G , Griffiths H D. Wavelet detection scheme for small target in
sea clutter [J]. IEE Electronics Letters . 2002, 38(19): 1128～1130. [31] Giuseppe Boccignone. Small target detection using wavelets[A]. IEEE
1998 Fourteenth International Conference on Pattern Recognition[C]. 1998: 1776～1778.
[32] 周 杰, 彭嘉雄, 等. 方向小波变换及其在运动弱目标检测中的应用
[J]. 信息与控制. 1996, 25(1).
[33] 周 杰, 彭嘉雄, 等. 基于小波变换的运动点目标检测方法[J]. 宇航
学报. 1996, 17(3).
[34] David Casasent and Anqi Ye. Detection Filters and Algorithm Fusion for
ATR[J]. IEEE Transaction on image processing . 1977, 6(1): 114～125.
[35] Serra J. Image Analysis and Mathematical Morphology [M]. Academic
Press. 1982.
[36] John T. Barnett, Barton D. Billard, Change Lee. Nonlinear morpho-
logical processors for point-target detection versus an adaptive linear spatial filter: a performance comparison[A]. Signal and Data Processing of Small Targets 1993 Meeting, SPIE [C]. 1954.
[37] Jean-Francois Rivest. Roger Fortin. Detection of dim targets in digital
infrared imagery by morphological processing[J]. Optecal Engineering . 1996, 35(7): 1886～1893.
[38] Victor T. Tom, Tamar Peli, May Leung, Joseph E. Bondaryk. Morp-
gology-based algorithm for point target detection in infrared backgrounds[A]. Signal and Data Processing of Small Targets 1993 Meeting . SPIE [C]. 1954: 2～11.
[39] Raphael Horak, Juliette Mattioli. Target detection of very dim objects
using gray-level morphologic tophat[A]. SPIE [C]. 1996, 2785: 105～116.
[40] Cheng F, Venetsanopoulos A N. An Adaptive Morphological Filter for
Image Processing[J]. IEEE Transactions on Image Processing . 1992, 1(4): 533～539.
[41] Tom V T, Peli T, Leung M, et al.. Morphology-based algorithm for point
target detection in infrared backgrounds[A]. SPIE [C]. 1993, 1954: 2～11.
[42] Steve Hay, McKeeman, Dale Van Cleave. Evaluation of infrared missile
warning algorithm suites[A]. Aerospace and Electronics Conference [C]. 1993, NAECON.
[43] Choi Jae-ho, Jang Jong-whan, Lee Seung-phil, et al.. Multiple moving
object estimation in image sequences of natural scene[J]. Opt Eng . 1997, 36(8): 2176～2183.
[44] ChanDavidSK, LanganDavidA, StaverDanielA. Spatial processing
techniques for detection of small targets in IR clutter[A]. SPIE[C]. 1990, 1305: 53～62.
[45] Nishiguchi K, Kobayashi M, Ichikawa A. Small target detection from
image using recursive max filter[A]. SPIE[C]. 1995, 2561: 153～165.
[46] Barniv Y . Dynamic programming solution for detection dim moving
targets[J]. IEEE Trans AES . 1985, 21(1): 144～155.
[47] lion R, Inifo M R, Azimisadjad E S. Dim target detection using high
order correlation method[J]. IEEE Transaction Aerospace Election System . 1994, 29(1): 197～212.
[48] Blostein S D, Huang T S. Detection of small moving objects in image
sequences using multistage hypothesis testing[J]. IEEE ICASSP . 1988: 1068～1071.
[49] Bronskill J F, Hepburn J S A, Au W K. A knowledge-based approach to
the detection, tracking, and classification of target formations, in infrared image sequences[A]. Proc. IEEE CVPR [C]. 1989: 153～158. [50] Lavagetto F. Automatic target detection in infrared sequences through
semantic labeling[A]. SPIE [J]. 1990, 1349: 476～485.
[51] Wang G , Rafact I M, McVey E S. A Pipeline Algorithm for Detection and
Tracking of Pixel-Sized Target Trajectories[A]. SPIE [C]. 1990, 1305: 167～176.
[52] Diani M, CorsiniG Baldacci A. Space-time processing for the detection
of airborne targets in IR image sequences LEE Proceedings of Vision[J]. Image and Signal Processing . 2001, 148(3): 151～157.
目标检测方法简要综述
龙源期刊网 https://www.sodocs.net/doc/f58124856.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
运动目标检测方法总结报告
摘要 由于计算机技术的迅猛发展，使得基于内容的视频信息的存取、操作和检索不仅成为一种可能，更成为一种需要。同时，基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。因此提取和视频中具有语义的运动目标是一个急需解决的问题。运动目标提取和检测作为视频和图像处理领域的重要研究领域，有很强的研究和应用价值。运动检测就是将运动目标从含有背景的图像中分离出来，如果仅仅依靠一种检测算法，难以从复杂的自然图像序列中完整地检测出运动的目标。较高的检测精度和效率十分重要，因此融合多种检测方法的研究越来越受到重视。本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法，并对各种方法进行了评价和总结。首先介绍了基本的运动目标检测的基本知识和理论，然后介绍了基本的几种目标检测方法及其各种改进方法。对今后的运动目标检测提取的相关研究提供一定的参考。 关键词：运动目标检测光流法帧差法背景建模方法
ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video. At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future. Keywords: Visual tracking Optical flow method Frame Difference Background modeling method
智能视频监控的异常检测
智能视频监控的异常检测 摘要：视频监控在国民经济中发挥着越来越重要的作用，本文在对视频监控技术的构成与发展进行研究分析的基础上，针对智能网络视频监控系统图像采集范围广、通道数量多，难以实时全面兼顾的特点，对硬件故障，图像异常检测、异常分析等若干关键技术进行了深入研究，并建立了带有自动识别报警系统的视频监控设备故障检测系统。 关键词：视频监控；异常检测；报警系统 anomaly detection of intelligent video monitor zhang guimao1,liu xiang2, liu qu2 (1 xinjiang dushanzi tianli high-tech co.,ltd.,karamay 833600,china;2 xinjiang dushanzi petrochemical company,communications company,karamay 833600,china) abstract:video monitor in the national economy is playing an increasingly important role in this paper,the composition of video surveillance technology with the development of research and analysis,based on the intelligent network video surveillance system for image acquisition range,number of channels and more difficult to fully take into account the characteristics of real-time,hardware failure,the image anomaly detection,anomaly analysis,a number of key technologies in-depth study, and the establishment of an
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.sodocs.net/doc/f58124856.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
(完整版)视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设f k（x, y）和f（k i）（x, y）分别为图像序列中的第k帧和第k+1帧中象素点（x，y）的象素值,则这两帧图像的差值图像就如公式2-1所示： Diff ki f k（x, y） f（k 1）（x, y）（2-1）2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1式得到第k帧和第k+1帧的差值图像Diff k 1；2、对所得到的差值图像Diff k 1二值化（如 式子2-2示）得到Qk+1 ；3、为消除微小噪声的干扰，使得到的运动目标更准 确，对Q k 1进行必要的滤波和去噪处理，后处理结果为M k 1。 1
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。
(完整word版)基于图像处理的运动物体的跟踪与检测开题报告
1、课题来源 随着计算机技术的高速发展，运动物体的检测和跟踪在图像处理、计算机视觉、模式识别、人工智能、多媒体技术等领域越来越受到人们的关注。运动跟踪和检测的应用广泛，在智能监控和人机交互中，如：银行、交通、超市等场合常常使用运动跟踪分析技术，通过定位物体并对其行为进行分析，一旦发现物体有异常行为，监控系统就发出警报，提醒人们注意并即时的处理，改善了人工监督注意力分散、反应时间较慢、人力资源浪费等问题。运动目标的跟踪在虚拟现实、工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域也有重要的实用价值。特别在军事上，先进的武器导航、军事侦察和监控中都成功运用了自动跟踪技术。而跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。正因如此，对运动目标的跟踪和检测的研究很有价值。 2、研究目的和意义 运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要。它可以减轻人的负担，并且提高了可靠性。概括起来运动监测主要包括三个内容：运动目标检测，方向判断和图像跟踪。运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。3、国内外研究现状和发展趋势及综述 运动目标检测在国外已经取得了一些的研究成果，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等。 4、研究方法
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。
目标检测综述
一、传统目标检测方法 如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。（实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域） (2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。（这个阶段常用的特征有SIFT、HOG等） (3) 分类器主要有SVM, Adaboost等。 总结：传统目标检测存在的两个主要问题： 一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余； 二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。
二、基于Region Proposal的深度学习目标检测算法 对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？ 对于滑动窗口存在的问题，region proposal提供了很好的解决方案。region proposal（候选区域）是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比）。比较常用的region proposal算法有selective Search和edge Boxes，如果想具体了解region proposal可以看一下PAMI2015的“What makes for effective detection proposals？” 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。对于图像分类，不得不提的是2012年ImageNet大规模视觉识别挑战赛（ILSVRC）上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC分类任务的Top-5 error降低到了15.3%，而使用传统方法的第二名top-5 error高达26.2%。此后，卷积神经网络占据了图像分类任务的绝对统治地位，微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以内多，这已经超越人在这个特定任务上的能力。所以目标检测得到候选区域后使用CNN对其进行图像分类是一个不错的选择。 2014年，RBG（Ross B. Girshick）大神使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征，设计了R-CNN框架，使得目标检测取得巨大突破，并开启了基
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
红外小目标检测 报告
红外小目标检测方法概述 1110540103 李方舟 1.什么是红外小目标？ 关于小目标”的定义，目前没有统一的定论。一般认为，当红外成像的距离较远时，在成像平面上只占几个或几十个像素的面积，表现为点状或斑点状，对比度和信噪比较低的目标，即可称之为小目标。 2.为什么要进行红外小目标检测？ 红外成像具有距离远，隐蔽性高，抗干扰能力强，穿透烟尘，雾以及阴霾的能力强，可全天候，全时间工作等优点。因此被广泛应用于监视侦察以及导航等军事领域，成为现代精确制导武器的主要技术之一。 在尽可能远的距离上检测并跟踪到敌方目标，以争取在有利的时机发动攻击。是决定现代战争胜负的重要因素。 距离越远，目标成像面积越小，图象质量越差，对目标的检测和跟踪越困难。 因此，研究小目标的检测和跟踪方法，对提高红外成像系统的作用距离，有着非常重要的意义。 目标检测作为寻的制导系统中的前端处理环节，是精确制导中最为关键和核心的组成部分。只有及时检测到目标，才能保证如目标的如目标跟踪等后续工作的正常进行。基于此原因，在红外凝视成像的图像序列中进行目标检测具有相当的难度，几乎所有的小目标检测法都致力于增强图像的信噪比，积累目标能量，以提高目标检测能力。 3.红外小目标检测方法分析 对于红外目标的检测问题，目标的一些先验信息，如目标的形状、大小，目标灰度变化在时间上的连续性，以及目标运动轨迹的连续性等是有效分割目标和噪声的关键。目标检测方法根据这些特性的使用顺序不同，可分为两大类： 先检测后跟踪( D e t e c t B e f o r e T r a c k ，D B T )方法 和先跟踪后检测( T r a c k B e f o r e D e t e c t ，T B D )方法。 3.1 DBT检测方法 基于先检测后跟踪的目标检测技术属于一类经典的红外目标检测。该类方法分为两步:首先根据目标形状，强度等特性，在单帧图像中检测出候选目标，然后根据实际需要，在分割后的二值化图形序列中，通过序列图像投影到目标轨迹。DBT检测方法主要分以下几种：1）阈值检测方法 所谓阈值检测方法，是基于目标在图像中主要为高频分量，而背景对应低频部分这一事实，对淹没在近似正态分布杂波中的已知其响应分布的小目标，寻求其最佳信噪比。 2）小波分析方法
传感器异常数据处理
异常数据处理方法研究 1异常数据处理概述 1.1 研究背景 近年来，随着海上风力发电技术的日益成熟和陆上风电可开发资源的不断减少，海上风电尤其是近海风电的开发开始加速。风机是海上风电开发的主要形式，而风机基础结构承担着抵抗海上风机结构的竖向、水平荷载和倾覆力矩的作用，其质量关系到海上风机结构的运行安全。作为隐蔽工程，其健康状况受到了社会各界的高度重视，如何对风机基础特别是MW级风机基础的安全运行状况监测成为研究领域的热点。现有的监测技术需要通过设置在风机基础中的数据采集系统自动获取基础的各状态的大量参数，如应力、应变、振动、变形等，采集到的海量原始数据通过通信网络传输到监控中心，经过数据存储，分析处理得到基础的安全运行状况和维修决策等结论。 风机基础监测系统是集结构监测、系统识别及结构评估于一体的综合监测系统，其内容包括几何变形监测、结构响应（应力、应变及振动）监测等。监测系统的质量主要取决于三方面因素:(1)传感器的灵敏性和精度以及数据传输和采集设备的性能；(2)测点的空间分布，即传感器的最优布置问题；(3)异常数据的分析处理。 从目前电子技术的发展来看，成熟、稳定、高性能的传感器已经被应用与监测系统中，而且合理安排传感器位置，以达到信息采集的最优化，也已经有很多研究成果。但由于监测信息格式复杂、信息量大，每天数据量甚至能达到十几GB，如果不能有效地对这些数据进行处理，很多异常数据将不能有效辨识，缺失信息将不能有效弥补，而且监测数据的分析必须建立在准确有效的监测数据之上，低精度和异常的监测数据常常影响数值分析的结果，会影响到系统的功能与特性分析，给后续数据处理带来很大的误差，正常信息不能得到有效利用，故有必要对原始采集数据进行处理。因此监测异常数据处理是三方面中至关重要的一点。 监测系统异常数据处理包含两个方面的内容：(1)异常数据检测，即找出异常信息并确定异常信息所在位置，根据需要将异常数据保存入专门数据库中或直接进行剔除；(2)异常数据修正，即通过插值等方法，参考数据异常点前后的数据，完成该异常数据点的修正，确保采集信息不缺失，保持原始采集数据的连续性。 异常是一个复杂的概念，迄今为止还没有一个统一定义。Hawkins提出的异常定义被大多数人所接受，其定义为：异常是在数据集中与众不同的数据，使人们怀疑这些数据并非随机产生的，而是产生于完全不同的机制。异常数据往往代