中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統(tǒng)關鍵技術
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
山東教育出版社有限公司技術轉(zhuǎn)移與技術創(chuàng)新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機車概要.交流傳動內(nèi)燃.電力機車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學的問題與脈絡
飛行器紅外圖像目標檢測與跟蹤技術 版權信息
- ISBN：9787030712455
- 條形碼：9787030712455 ; 978-7-03-071245-5
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
飛行器紅外圖像目標檢測與跟蹤技術 內(nèi)容簡介
本書主要研究飛行器紅外圖像目標檢測與跟蹤技術, 包括紅外弱小目標檢測、紅外顯著目標的異源匹配檢測、紅外顯著目標的深度學習檢測、啟發(fā)式紅外顯著目標跟蹤、辨別式紅外顯著目標跟蹤、慣導信息輔助圖像目標跟蹤優(yōu)化等關鍵問題, 提出并構(gòu)建飛行器紅外圖像目標檢測與跟蹤仿真系統(tǒng), 為推動相關基礎理論研究的深入開展, 以及研究成果的工程應用提供有效的技術支撐。
飛行器紅外圖像目標檢測與跟蹤技術 目錄
目錄
前言
第1章緒論1
1.1圖像目標檢測與跟蹤問題描述1
1.1.1圖像目標檢測問題1
1.1.2圖像目標跟蹤問題2
1.1.3圖像檢測與跟蹤技術應用4
1.2圖像目標檢測技術研究進展6
1.2.1紅外弱小目標檢測技術6
1.2.2異源圖像匹配檢測技術12
1.2.3基于深度學習的目標檢測技術15
1.3圖像目標跟蹤技術研究進展25
1.3.1傳統(tǒng)圖像目標跟蹤技術25
1.3.2基于相關濾波的目標跟蹤技術28
1.3.3基于深度學習的目標跟蹤技術29
1.4本書主要內(nèi)容29
第2章紅外圖像弱小移動目標檢測31
2.1引言31
2.2經(jīng)典紅外圖像弱小目標檢測算法32
2.2.1單幀紅外圖像弱小目標檢測算法32
2.2.2序列紅外圖像弱小目標檢測算法39
2.3基于Contourlet變換和Facet模型的紅外圖像弱小目標檢測方法45
2.3.1循環(huán)平移Contourlet去噪46
2.3.2基于Facet模型多向梯度特性的中值濾波器設計48
2.3.3基于二級Otsu的閾值分割50
2.3.4算法實驗與性能分析51
2.4基于結(jié)構(gòu)低秩編碼的紅外弱小目標檢測算法54
2.4.1紅外圖像背景的低秩特性55
2.4.2紅外圖像結(jié)構(gòu)低秩編碼模型建立56
2.4.3檢測算法與實驗分析60
2.5基于直線匹配與背景抑制的紅外弱小移動目標檢測算法66
2.5.1基于多尺度DOG濾波器和幾何特征的候選目標的檢測67
2.5.2基于均值-標準差直線描述子的直線匹配70
2.5.3背景運動補償72
2.5.4弱小運動目標檢測74
2.5.5檢測實驗與性能分析76
2.6本章小結(jié)79
第3章紅外圖像顯著目標的異源匹配檢測80
3.1引言80
3.2基于邊緣特征的異源特征匹配檢測81
3.2.1常用的邊緣提取算法81
3.2.2邊緣提取實驗及分析83
3.2.3基于邊緣相似性距離度量的異源匹配算法84
3.3基于互信息度量的異源圖像匹配檢測86
3.3.1熵與互信息87
3.3.2基于灰度互信息的匹配檢測算法88
3.3.3基于梯度互信息的匹配檢測算法90
3.4基于梯度方向分布場的異源匹配檢測算法93
3.4.1分布場原理分析94
3.4.2基于梯度方向分布場圖的異源匹配97
3.4.3匹配檢測實驗與分析101
3.5基于橢圓對稱方向距的異源匹配檢測算法107
3.5.1同質(zhì)區(qū)域特征提取108
3.5.2基于橢圓對稱方向矩的異源特征匹配109
3.5.3檢測算法實驗與分析111
3.6本章小結(jié)116
第4章基于深度學習的紅外圖像顯著目標檢測117
4.1引言117
4.2基于深度學習的目標檢測框架分析118
4.2.1典型深度學習結(jié)構(gòu)118
4.2.2基于深度學習的目標檢測流程126
4.2.3目標建議方法分析126
4.3基于目標建議的候選區(qū)域選取算法128
4.3.1目標建議方法設計129
4.3.2飛機目標候選區(qū)域提取方法132
4.3.3仿真實驗與分析133
4.4基于級聯(lián)神經(jīng)網(wǎng)絡的目標檢測方法136
4.4.1基礎卷積神經(jīng)網(wǎng)絡設計與訓練137
4.4.2級聯(lián)卷積神經(jīng)網(wǎng)絡構(gòu)建142
4.4.3仿真實驗分析144
4.5目標多視點圖像仿真生成方法149
4.5.1機載攝像機探測成像模型建立與分析149
4.5.2機載成像探測問題分析151
4.5.3圖像變換數(shù)學模型152
4.5.4多視點圖像仿真實驗155
4.6本章小結(jié)157
第5章啟發(fā)式紅外圖像顯著目標跟蹤158
5.1引言158
5.2基于Kalman濾波和梯度-徑向夾角的改進均值漂移跟蹤算法159
5.2.1均值漂移算法原理159
5.2.2傳統(tǒng)均值漂移算法存在的問題161
5.2.3基于Kalman濾波和梯度-徑向夾角的改進均值漂移算法163
5.2.4算法跟蹤實驗與性能分析170
5.3基于貝葉斯互信息分布場的紅外圖像目標跟蹤算法175
5.3.1基于分布場的目標描述176
5.3.2貝葉斯互信息原理177
5.3.3紅外圖像目標跟蹤算法設計179
5.3.4跟蹤算法仿真與性能分析187
5.4基于稀疏表示多子模板的紅外圖像目標跟蹤算法192
5.4.1Fragment算法描述192
5.4.2Fragment算法缺陷分析193
5.4.3基于改進多子模板的目標跟蹤算法194
5.4.4跟蹤算法性能分析198
5.5基于局部特征索引結(jié)構(gòu)的紅外目標跟蹤算法204
5.5.1視覺詞袋模型的構(gòu)建204
5.5.2基于局部特征索引結(jié)構(gòu)的目標跟蹤框架構(gòu)建206
5.5.3算法跟蹤實驗與分析214
5.6本章小結(jié)216
第6章辨別式紅外圖像顯著目標跟蹤217
6.1引言217
6.2基于超像素圖結(jié)構(gòu)約束的紅外目標跟蹤算法217
6.2.1基于聚類算法的外部約束218
6.2.2基于圖結(jié)構(gòu)的內(nèi)部約束219
6.2.3基于粒子濾波框架下的目標定位221
6.2.4遮擋處理及更新模型223
6.2.5跟蹤算法性能分析223
6.3基于概率超圖排序的紅外目標跟蹤算法228
6.3.1概率超圖排序與構(gòu)造228
6.3.2概率超圖構(gòu)造229
6.3.3自適應模板集約束模型232
6.3.4基于粒子濾波的目標定位233
6.3.5模板更新機制234
6.3.6跟蹤實驗與性能分析236
6.4基于多特征融合相關濾波的快速紅外目標跟蹤算法240
6.4.1相關濾波原理240
6.4.2基于多特征融合的相關濾波跟蹤算法244
6.4.3跟蹤算法實驗與性能分析247
6.5深度學習在目標跟蹤中的應用251
6.5.1基于卷積神經(jīng)網(wǎng)絡的深度目標跟蹤251
6.5.2基于遞歸神經(jīng)網(wǎng)絡的深度目標跟蹤252
6.5.3基于孿生網(wǎng)絡的深度目標跟蹤252
6.5.4基于生成對抗網(wǎng)絡的深度目標跟蹤253
6.5.5基于自編碼器的深度目標跟蹤254
6.6本章小結(jié)255
第7章慣導信息輔助圖像目標跟蹤優(yōu)化257
7.1引言257
7.2慣導信息與圖像的融合結(jié)構(gòu)257
7.2.1慣導信息對圖像進行校正258
7.2.2慣導信息對成像位置進行預測258
7.2.3慣導信息與圖像信息的融合制導259
7.2.4慣導信息與圖像信息融合的速度估計259
7.2.5慣導信息與圖像信息融合的電子穩(wěn)像技術259
7.3基于慣導信息的目標跟蹤模板校正260
7.3.1坐標變換模型建立261
7.3.2模板校正仿真實驗與分析262
7.4基于慣導導航信息的目標跟蹤位置預測263
7.4.1位置預測問題描述263
7.4.2模型建立與方法設計264
7.4.3仿真實驗與結(jié)果分析265
7.5基于慣導增量信息的目標跟蹤位置預測266
7.5.1增量修正問題描述266
7.5.2模型建立與方法設計267
7.5.3仿真實驗與結(jié)果分析269
7.6本章小結(jié)271
第8章紅外圖像目標檢測與跟蹤仿真實驗系統(tǒng)272
8.1引言272
8.2系統(tǒng)結(jié)構(gòu)與工作原理272
8.2.1系統(tǒng)結(jié)構(gòu)組成273
8.2.2系統(tǒng)工作原理274
8.3系統(tǒng)的空間對準與時間對準277
8.3.1空間對準277
8.3.2時間對準279
8.4系統(tǒng)軟件模塊組成281
8.4.1文件管理模塊282
8.4.2目標數(shù)據(jù)仿真生成模塊282
8.4.3目標數(shù)據(jù)集制備模塊286
8.4.4算法仿真與性能評估模塊289
8.5紅外圖像目標檢測與跟蹤實驗驗證292
8.5.1紅外弱小目標檢測仿真實驗驗證292
8.5.2異源圖像匹配檢測仿真實驗驗證293
8.5.3智能目標檢測仿真實驗驗證294
8.5.4智能目標跟蹤仿真實驗驗證295
8.6本章小結(jié)298
參考文獻299
附錄相關專業(yè)術語314
彩圖
前言
第1章緒論1
1.1圖像目標檢測與跟蹤問題描述1
1.1.1圖像目標檢測問題1
1.1.2圖像目標跟蹤問題2
1.1.3圖像檢測與跟蹤技術應用4
1.2圖像目標檢測技術研究進展6
1.2.1紅外弱小目標檢測技術6
1.2.2異源圖像匹配檢測技術12
1.2.3基于深度學習的目標檢測技術15
1.3圖像目標跟蹤技術研究進展25
1.3.1傳統(tǒng)圖像目標跟蹤技術25
1.3.2基于相關濾波的目標跟蹤技術28
1.3.3基于深度學習的目標跟蹤技術29
1.4本書主要內(nèi)容29
第2章紅外圖像弱小移動目標檢測31
2.1引言31
2.2經(jīng)典紅外圖像弱小目標檢測算法32
2.2.1單幀紅外圖像弱小目標檢測算法32
2.2.2序列紅外圖像弱小目標檢測算法39
2.3基于Contourlet變換和Facet模型的紅外圖像弱小目標檢測方法45
2.3.1循環(huán)平移Contourlet去噪46
2.3.2基于Facet模型多向梯度特性的中值濾波器設計48
2.3.3基于二級Otsu的閾值分割50
2.3.4算法實驗與性能分析51
2.4基于結(jié)構(gòu)低秩編碼的紅外弱小目標檢測算法54
2.4.1紅外圖像背景的低秩特性55
2.4.2紅外圖像結(jié)構(gòu)低秩編碼模型建立56
2.4.3檢測算法與實驗分析60
2.5基于直線匹配與背景抑制的紅外弱小移動目標檢測算法66
2.5.1基于多尺度DOG濾波器和幾何特征的候選目標的檢測67
2.5.2基于均值-標準差直線描述子的直線匹配70
2.5.3背景運動補償72
2.5.4弱小運動目標檢測74
2.5.5檢測實驗與性能分析76
2.6本章小結(jié)79
第3章紅外圖像顯著目標的異源匹配檢測80
3.1引言80
3.2基于邊緣特征的異源特征匹配檢測81
3.2.1常用的邊緣提取算法81
3.2.2邊緣提取實驗及分析83
3.2.3基于邊緣相似性距離度量的異源匹配算法84
3.3基于互信息度量的異源圖像匹配檢測86
3.3.1熵與互信息87
3.3.2基于灰度互信息的匹配檢測算法88
3.3.3基于梯度互信息的匹配檢測算法90
3.4基于梯度方向分布場的異源匹配檢測算法93
3.4.1分布場原理分析94
3.4.2基于梯度方向分布場圖的異源匹配97
3.4.3匹配檢測實驗與分析101
3.5基于橢圓對稱方向距的異源匹配檢測算法107
3.5.1同質(zhì)區(qū)域特征提取108
3.5.2基于橢圓對稱方向矩的異源特征匹配109
3.5.3檢測算法實驗與分析111
3.6本章小結(jié)116
第4章基于深度學習的紅外圖像顯著目標檢測117
4.1引言117
4.2基于深度學習的目標檢測框架分析118
4.2.1典型深度學習結(jié)構(gòu)118
4.2.2基于深度學習的目標檢測流程126
4.2.3目標建議方法分析126
4.3基于目標建議的候選區(qū)域選取算法128
4.3.1目標建議方法設計129
4.3.2飛機目標候選區(qū)域提取方法132
4.3.3仿真實驗與分析133
4.4基于級聯(lián)神經(jīng)網(wǎng)絡的目標檢測方法136
4.4.1基礎卷積神經(jīng)網(wǎng)絡設計與訓練137
4.4.2級聯(lián)卷積神經(jīng)網(wǎng)絡構(gòu)建142
4.4.3仿真實驗分析144
4.5目標多視點圖像仿真生成方法149
4.5.1機載攝像機探測成像模型建立與分析149
4.5.2機載成像探測問題分析151
4.5.3圖像變換數(shù)學模型152
4.5.4多視點圖像仿真實驗155
4.6本章小結(jié)157
第5章啟發(fā)式紅外圖像顯著目標跟蹤158
5.1引言158
5.2基于Kalman濾波和梯度-徑向夾角的改進均值漂移跟蹤算法159
5.2.1均值漂移算法原理159
5.2.2傳統(tǒng)均值漂移算法存在的問題161
5.2.3基于Kalman濾波和梯度-徑向夾角的改進均值漂移算法163
5.2.4算法跟蹤實驗與性能分析170
5.3基于貝葉斯互信息分布場的紅外圖像目標跟蹤算法175
5.3.1基于分布場的目標描述176
5.3.2貝葉斯互信息原理177
5.3.3紅外圖像目標跟蹤算法設計179
5.3.4跟蹤算法仿真與性能分析187
5.4基于稀疏表示多子模板的紅外圖像目標跟蹤算法192
5.4.1Fragment算法描述192
5.4.2Fragment算法缺陷分析193
5.4.3基于改進多子模板的目標跟蹤算法194
5.4.4跟蹤算法性能分析198
5.5基于局部特征索引結(jié)構(gòu)的紅外目標跟蹤算法204
5.5.1視覺詞袋模型的構(gòu)建204
5.5.2基于局部特征索引結(jié)構(gòu)的目標跟蹤框架構(gòu)建206
5.5.3算法跟蹤實驗與分析214
5.6本章小結(jié)216
第6章辨別式紅外圖像顯著目標跟蹤217
6.1引言217
6.2基于超像素圖結(jié)構(gòu)約束的紅外目標跟蹤算法217
6.2.1基于聚類算法的外部約束218
6.2.2基于圖結(jié)構(gòu)的內(nèi)部約束219
6.2.3基于粒子濾波框架下的目標定位221
6.2.4遮擋處理及更新模型223
6.2.5跟蹤算法性能分析223
6.3基于概率超圖排序的紅外目標跟蹤算法228
6.3.1概率超圖排序與構(gòu)造228
6.3.2概率超圖構(gòu)造229
6.3.3自適應模板集約束模型232
6.3.4基于粒子濾波的目標定位233
6.3.5模板更新機制234
6.3.6跟蹤實驗與性能分析236
6.4基于多特征融合相關濾波的快速紅外目標跟蹤算法240
6.4.1相關濾波原理240
6.4.2基于多特征融合的相關濾波跟蹤算法244
6.4.3跟蹤算法實驗與性能分析247
6.5深度學習在目標跟蹤中的應用251
6.5.1基于卷積神經(jīng)網(wǎng)絡的深度目標跟蹤251
6.5.2基于遞歸神經(jīng)網(wǎng)絡的深度目標跟蹤252
6.5.3基于孿生網(wǎng)絡的深度目標跟蹤252
6.5.4基于生成對抗網(wǎng)絡的深度目標跟蹤253
6.5.5基于自編碼器的深度目標跟蹤254
6.6本章小結(jié)255
第7章慣導信息輔助圖像目標跟蹤優(yōu)化257
7.1引言257
7.2慣導信息與圖像的融合結(jié)構(gòu)257
7.2.1慣導信息對圖像進行校正258
7.2.2慣導信息對成像位置進行預測258
7.2.3慣導信息與圖像信息的融合制導259
7.2.4慣導信息與圖像信息融合的速度估計259
7.2.5慣導信息與圖像信息融合的電子穩(wěn)像技術259
7.3基于慣導信息的目標跟蹤模板校正260
7.3.1坐標變換模型建立261
7.3.2模板校正仿真實驗與分析262
7.4基于慣導導航信息的目標跟蹤位置預測263
7.4.1位置預測問題描述263
7.4.2模型建立與方法設計264
7.4.3仿真實驗與結(jié)果分析265
7.5基于慣導增量信息的目標跟蹤位置預測266
7.5.1增量修正問題描述266
7.5.2模型建立與方法設計267
7.5.3仿真實驗與結(jié)果分析269
7.6本章小結(jié)271
第8章紅外圖像目標檢測與跟蹤仿真實驗系統(tǒng)272
8.1引言272
8.2系統(tǒng)結(jié)構(gòu)與工作原理272
8.2.1系統(tǒng)結(jié)構(gòu)組成273
8.2.2系統(tǒng)工作原理274
8.3系統(tǒng)的空間對準與時間對準277
8.3.1空間對準277
8.3.2時間對準279
8.4系統(tǒng)軟件模塊組成281
8.4.1文件管理模塊282
8.4.2目標數(shù)據(jù)仿真生成模塊282
8.4.3目標數(shù)據(jù)集制備模塊286
8.4.4算法仿真與性能評估模塊289
8.5紅外圖像目標檢測與跟蹤實驗驗證292
8.5.1紅外弱小目標檢測仿真實驗驗證292
8.5.2異源圖像匹配檢測仿真實驗驗證293
8.5.3智能目標檢測仿真實驗驗證294
8.5.4智能目標跟蹤仿真實驗驗證295
8.6本章小結(jié)298
參考文獻299
附錄相關專業(yè)術語314
彩圖
展開全部
飛行器紅外圖像目標檢測與跟蹤技術 節(jié)選
第1章 緒 論 異源景像匹配技術可為各類飛行器的自主導航提供重要技術途徑，是自主巡視飛行器領域研究的關鍵、熱點問題 [1]。具備自主精確導航能力的飛行器可以為空基影像測量、區(qū)域監(jiān)測、資源勘探、情報保障、任務規(guī)劃等新興技術的發(fā)展提供基礎平臺支撐，廣泛應用于城市規(guī)劃、移動安防、智慧廠區(qū)、智能裝備等高新科技領域。在自主導航基礎上，具備環(huán)境智能感知能力是飛行器智能化發(fā)展的一個重要特征。本書結(jié)合智能飛行器發(fā)展需求，針對典型應用場合的目標檢測與跟蹤問題展開研究，特別是以紅外成像模式為背景，體現(xiàn)環(huán)境感知的全天時特性，包括弱小目標與區(qū)域目標、固定目標與時敏目標等多種常見目標類型，以期為特定應用場合的空地智能感知提供理論與技術參考。本章系統(tǒng)論述圖像目標檢測與跟蹤的基本問題，從圖像目標檢測技術、圖像目標跟蹤技術，以及相關技術應用現(xiàn)狀等方面分析國內(nèi)外相關領域的研究進展與趨勢。 1.1圖像目標檢測與跟蹤問題描述 目標檢測與跟蹤是計算機視覺領域的核心技術，為后續(xù)的目標識別、行為識別、場景理解、態(tài)勢感知等提供重要的信息來源和技術基礎 [2]。目標檢測與跟蹤直接作用于輸入圖像，給出目標的位置信息、形狀信息、屬性信息和連續(xù)信息，將這些信息傳遞給視覺分析和理解系統(tǒng)，從而完成對圖像的高級處理過程。 1.1.1圖像目標檢測問題 目標檢測的范疇主要包括行人檢測、車輛檢測、區(qū)域運動檢測、時敏目標檢測、異常變化檢測、威脅檢測，以及生物體檢測等，目標檢測通常是目標識別和跟蹤系統(tǒng)的前期處理環(huán)節(jié)，檢測性能的優(yōu)劣直接影響后續(xù)跟蹤的精度 [3]。目標檢測技術可以是依據(jù)單幀圖像的檢測，也可以是利用視頻序列的檢測，處理的圖像模式既可以是可見光圖像，也可以是紅外圖像、夜視圖像、合成孔徑雷達 (synthetic aperture radar，SAR)圖像等。本書重點考慮紅外圖像的目標檢測問題。 目標檢測的主要任務是從圖像或者視頻序列中將敏感，或者感興趣的目標提取來，并給出其精確定位的過程。一般來說，它是利用目標的特征信息或者目標與背景的差異信息，將目標從背景中分離并定位 [4]。但是，在真實的場景中，圖像背景復雜多變、目標和背景相互耦合、目標的運動狀態(tài)未知、場景中的干擾較大。這些都給目標檢測帶來較大的挑戰(zhàn)。 按照算法處理對象的不同，目標檢測系統(tǒng)的框架結(jié)構(gòu)可分為基于背景建模的目標檢測系統(tǒng)和基于前景建模的目標檢測框架。基于背景建模的方法通常通過連續(xù)幀圖像對背景進行建模和估計，并通過差分圖像來有效分離出前景區(qū)域，昀后通過閾值的分割提取目標。基于背景模型的算法結(jié)構(gòu)如圖 1.1所示。 圖 1.1基于背景模型的算法結(jié)構(gòu) 基于前景目標檢測方法直接利用目標的特征信息，如顏色、形狀、紋理、輪廓或者高層特性等，建立目標具有辨別性的描述模型，并通過設計有效的分類器對目標進行分類和定位，從而完成對目標的檢測。基于前景模型的算法結(jié)構(gòu)如圖 1.2所示。 圖 1.2基于前景模型的算法結(jié)構(gòu) 1.1.2圖像目標跟蹤問題 目標跟蹤問題可以描述為在場景中估計目標軌跡的過程，一個典型的目標跟蹤系統(tǒng)包含四個模塊 [5]。跟蹤系統(tǒng)的各部分組成如圖 1.3所示。對于一個輸入圖像序列，手動或者自動檢測到目標，將目標的狀態(tài)作為跟蹤的初始狀態(tài)，同時對目標建模，獲取相關特征構(gòu)造目標的描述類型，然后在后續(xù)的圖像中利用目標模型，采用統(tǒng)計濾波或者密度估計的方式估計目標當前的狀態(tài)，同時利用當前定位結(jié)果更新目標模型 [6]。 圖 1.3跟蹤系統(tǒng)的各部分組成 (1)目標初始定位 在目標的初始化階段，初始定位一般分為手動標記定位和自動標記定位。對于手動標記定位，例如在傳統(tǒng)的電視制導武器，以及在察打一體無人機的機載成像武器中，通過作戰(zhàn)人員標定要打擊的目標，確定打擊的對象。對于自動標記定位，例如在智能監(jiān)控中通過與固定背景比較自動獲取運動目標，人臉識別中自動對人臉的識別定位，以及在昀新的具備發(fā)射后不管 (fire and forget，F(xiàn)AF)的制導武器中利用異源景像匹配技術，都具備對目標的自動捕獲能力。 (2)外觀模型 在獲得目標初始狀態(tài)的基礎上，下一步就是提取目標的特征，即構(gòu)造目標描述模型。一般來說，目標描述模型有全局特征和局部特征兩種。全局特征包括區(qū)域像素特征、光流特征、直方圖特征和主動輪廓特征等。局部特征包括模板子塊特征、分割特征、點特征和顯著性特征等。外觀統(tǒng)計模型根據(jù)目標的描述特征，利用統(tǒng)計學的方法通過構(gòu)造有效的數(shù)學模型區(qū)分目標。外觀統(tǒng)計模型一般分為啟發(fā)式模型和辨別式模型。啟發(fā)式模型首先搜索候選區(qū)域，然后通過比較與參考目標模型的相似度來定位昀可能目標區(qū)域。辨別式模型把目標跟蹤問題看作一個在圖像局部區(qū)域內(nèi)的二值分類問題，目的是通過分類面把目標從背景中分離出來。 (3)目標運動模型 目標運動模型是在一幀圖像中獲取候選樣本的過程，直接影響跟蹤算法的效率和魯棒性[7]。一般情況下，都是通過預測器來完成的，如核密度估計 (kernel density estimation，KDE)和粒子濾波 (particle filter，PF)等。KDE本質(zhì)上是一種梯度下降方法，通過不斷地迭代移動，直至收斂到極值。 PF是一種用于估計動態(tài)系統(tǒng)狀態(tài)變量的后驗概率分布的貝葉斯重要性采樣 (importance sampling，IS)技術。它可以給出一種能夠方便地進行狀態(tài)變量分布的后驗概率密度函數(shù)估計和隨時間推演的算法框架。 (4)更新模型由于目標和背景會在跟蹤過程中不斷變化，如果目標模型不進行更新，當目標的形變較大時，或者環(huán)境發(fā)生劇烈變化時，跟蹤算法就無法準確定位目標，導致跟蹤失敗；如果目標模型更新過于頻繁，就會不斷地引入誤差產(chǎn)生跟蹤漂移問題。目標模型的更新是一個合理權衡的過程，如何設計有效的更新策略，使跟蹤算法可以魯棒地適應外觀的變化，同時盡量地抑制跟蹤漂移問題，是目標跟蹤技術的研究重點。 1.1.3圖像檢測與跟蹤技術應用 目標檢測與跟蹤是計算機視覺領域的一項重要工作。隨著高性能計算機的增多和攝像機的普及，對自動視頻分析與日俱增的需求，目標檢測與跟蹤成為當前的熱門研究領域。目前來說，圖像檢測與目標跟蹤技術的應用主要包括如下領域。 (1)智能視頻監(jiān)控 視頻監(jiān)控正在迅速向著網(wǎng)絡化、數(shù)字化的方向發(fā)展。智能視頻監(jiān)控是在沒有人工干預的情況下，自動地從非結(jié)構(gòu)化的視頻中提煉出結(jié)構(gòu)化信息，并把對信息的表達從圖像層次提升到語義層次。智能視頻監(jiān)控已經(jīng)成為視頻監(jiān)控的重要發(fā)展方向，受到國內(nèi)外各界的廣泛關注。卡內(nèi)基 梅隆大學等在美國國防部的支持下，先后啟動多項關于智能視頻監(jiān)控的研究，并取得一系列進展。國外的一些信息巨頭，如微軟、國際商業(yè)機器公司 (International Business Machines Corporation，IBM)、英特爾等也十分重視智能視頻監(jiān)控相關技術，分別設置了專業(yè)的研究部門進行相關理論研究，并開發(fā)了一些智能視頻監(jiān)控軟硬件系統(tǒng)和中間件 [8]。國內(nèi)的智能視頻監(jiān)控雖然起步晚，但是發(fā)展迅速，以海康威視、大華等安防公司為代表，在智能監(jiān)控技術方面取得很大的突破和應用推廣。 (2)智能交通系統(tǒng) 作為未來交通系統(tǒng)的發(fā)展方向，智能交通系統(tǒng)是將先進的數(shù)據(jù)通信傳輸技術、電子傳感技術，以及計算機技術等有效地集成運用于整個地面交通管理系統(tǒng)而建立的實時、高效的綜合交通運輸管理系統(tǒng)。智能交通系統(tǒng)主要分析視頻信息對交通流量進行評估、分析和控制。在視頻流中，實時檢測和跟蹤車輛通過分析車輛的速度、車流的密度和道路的擁堵情況，以及對違章逃逸車輛的追蹤、車輛異常行為的分析等建立并完善智能交通系統(tǒng)的結(jié)構(gòu) [9]。智能交通系統(tǒng)可以每天連續(xù) 24小時進行實時監(jiān)控，并對海量的數(shù)據(jù)進行分析和理解，極大地節(jié)省人力、財力和物力，提高工作效率。 (3)智能機器人 機器人通過攝像頭捕獲視覺信息，通過目標跟蹤技術進行目標定位，并在此基礎上完成指定的任務。在機器人技術這一領域，美國和日本具有較大優(yōu)勢。美國的波士頓動力 (Boston Dynamics)公司代表超級機器人的國際昀高水平，昀新研制的一款機器狗，可以完成奔跑、轉(zhuǎn)彎、爬坡等諸多挑戰(zhàn)動作，用于全地形探測、復雜環(huán)境應急救援等任務。另外，波士頓動力還研制了一款名為 Atlas的仿人機器人。相比于日本的阿西莫， Atlas可以更加熟練地行走、爬樓梯和跳躍，還能在受到?jīng)_擊時保持平衡穩(wěn)定。智能機器人可以依靠安裝的攝像機和傳感器，通過局部視覺方式，實現(xiàn)對目標的檢測、識別，進而有目的地移動并完成指定任務，可代替人在危險環(huán)境中 (如有毒、放射線、水下、污染等 )進行指定的勞動等。智能機器人的工作環(huán)境復雜多變，給目標檢測與跟蹤算法提出了更高的要求和挑戰(zhàn)，因此研究精度更高、實時性更好的目標檢測與跟蹤算法，對進一步推廣智能機器人的應用領域具有重要意義。 (4)智能人機交互 隨著虛擬現(xiàn)實技術的快速發(fā)展，人們已經(jīng)不滿足于傳統(tǒng)的鼠標和鍵盤為主的交互方式，而是期望計算機以更加智能的方式與人進行交流。要實現(xiàn)這種智能的交互方式，計算機需要通過攝像頭采集圖像信息，并捕獲和跟蹤人類的運動，對相關數(shù)據(jù)(如表情、手勢、姿勢和身體動作 )進行分析和理解。目標跟蹤技術是分析和理解語義信息的基礎。相比于傳統(tǒng)的鍵盤和鼠標為主的接觸式人機交互技術，微軟于 2010年開發(fā)的 Kinect體感游戲系統(tǒng)，為人機交互提供了一種更加直觀和方便的交互方式，并在后續(xù)對 Kinect進行升級，在圖像處理速度和深度檢測精度有了進一步的提高。 (5)精確導航與制導 現(xiàn)代的戰(zhàn)爭不僅要求精確制導武器能夠準確地摧毀目標，還要求更高的隱蔽性、可靠性和抗干擾能力。成像制導武器已經(jīng)成為精確制導武器發(fā)展的主要方向。基于視覺的目標跟蹤技術能夠在線實時地提供目標的精確位置、面積、運動速度等有效信息，是成像制導系統(tǒng)中不可缺少的一部分 [10]。目標跟蹤技術還在軍事領域的其他方面有著廣泛的應用，包括戰(zhàn)場偵察、武器控制系統(tǒng)、航天器的導航定位，以及光電檢測系統(tǒng)等領域。無人機 (unmanned aerial vehicle，UAV)在進行搜索偵查和精確打擊任務中 [11]，能否在復雜的場景中精確檢測和穩(wěn)定跟蹤真實目標，是完成任務的關鍵步驟，如以色列梅卡瓦火控系統(tǒng)、日本 90式主戰(zhàn)坦克火控系統(tǒng)、美國海軍陸戰(zhàn)隊的 AV-8A系統(tǒng)等。 (6)智能醫(yī)學診斷 智能醫(yī)學診斷是指對圖像進行增強、標記，以及生物特征的檢測、跟蹤來幫助醫(yī)生診斷疾病，并協(xié)助醫(yī)生對感興趣的區(qū)域進行定性或定量的估計測量和比較，也可以對患病部位進行跟蹤識別，增強醫(yī)生對病情深入了解，協(xié)助醫(yī)生更快、更準確地祛除疾病。目前，超聲波和核磁共振 (nuclear magnetic resonance，NMR)技術已被廣泛地應用于病情診斷。目標檢測與跟蹤技術在超聲波和核磁共振序列圖像的自動分析中有廣闊的應用前景，可基于超聲波圖像和核磁共振圖像進行病情的智能處理和輔助判斷，為醫(yī)生的診斷提供更可靠和更全面的輔助診斷信息。 另外，視覺目標檢測和跟蹤技術還在圖像壓縮、視頻檢索、三維重構(gòu)、虛擬現(xiàn)實、活動分析等領域具有重要的應用價值。 1.2圖像目標檢測技術研究進展 空地復雜場景下的目標檢測由于特殊的應用場景和傳感器探測模式，其成像與可見光相比有獨有的特點，主要體現(xiàn)在紅外場景下的目標顏色信息缺乏、亮度信息與目標本身的熱輻射直接相關、在遠距離目標缺乏紋理等特性。本節(jié)對空地復雜背景下的遠距離紅外弱小目標檢測、異源圖像匹配檢測、基于深度學習的目標檢測三個方面對目前的研究進展進行分析。 1.2.1紅外弱小目標檢測技術 在信息化戰(zhàn)爭中，盡早地識別并鎖定目標具有重要的意義。由于弱小移動目標的特殊性和復雜
書友推薦
- >
朝聞道
- >
名家?guī)阕x魯迅:朝花夕拾
- >
山海經(jīng)
- >
伯納黛特,你要去哪(2021新版)
- >
煙與鏡
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
推拿
- >
上帝之肋:男人的真實旅程
本類暢銷
