基于多源遥感卫星的海面舰船目标检测方法

围绕光学卫星遥感图像中的海面舰船目标检测问题,考虑静止轨道遥感卫星和低轨道高分辨率遥感卫星的优缺点,提出一种基于多源遥感卫星的海面舰船目标检测方法。该方法首先通过多结构多尺度形态学滤波和自适应阈值分割对静止轨道卫星遥感图像进行目标预检测,然后将预检测结果与卫星图像的地理位置信息相结合来确定高分辨率遥感图像候选目标区域,最后提取候选目标区域中目标的主要特征,进行舰船目标判别,将判别结果反映到静止轨道遥感卫星图像上。仿真结果表明,该方法能有效检测出海洋背景遥感图像中的多个运动舰船目标,具有目标检测率高、虚警率低、时效性好等优点,为静止轨道遥感卫星对海面运动舰船目标的实时监视跟踪提供了技术支撑。     

卫星视频运动目标检测算法

为了实现对卫星视频图像序列的运动目标进行跟踪,提出了一种背景建模与添加实际条件约束相结合的卫星视频运动目标检测算法。首先,针对卫星视频图像序列的背景建立背景模型。然后,把接下来各帧图像同该模型相比较,进行减法运算,所得偏差为运动区域。最后添加满足卫星实际情况的约束条件,根据卫星视频的分辨率估算出运动目标合理的像元尺寸,从而滤掉噪声。将本算法在PC端进行实现,并与三帧差法和背景建模法的检测准确度进行对比。实验结果表明:本算法对卫星视频图像序列运动目标检测的准确度可达83.6%,三帧差法检测准确度为6.1%,背景建模法检测准确度为21.0%。从实验结果可以看出,本文算法可以比较准确地对卫星视频图像序列进行运动目标检测。     

基于自适应检测算法的ASTER遥感图像机场检测

针对不同时段、区位的遥感图像,通过改进传统Canny算法解决机场快速检测的问题.提出了应用于ASTER SWIR波段遥感图像的机场自适应检测方法,包含图像自适应背景抑制方法、自适应分割阈值生成方法和边缘跟踪连接方法.采用2幅图像进行实验,检测出其中地机场区域.结果表明算法比传统检测算法执行时间减少13%,抗噪性和自适应性提高.     

基于改进分水岭算法的多目标车辆的跟踪研究

近年来,由于车辆数量的激增,道路事故也频频发生,这就要对事故易发路段进行监控,并对车辆进行跟踪。针对目标的跟踪,提出了利用改进的分水岭方法与数据关联方法相结合实现多目标车辆准确跟踪,在检测车辆时利用分水岭算法可以有效地进行图像分割并准确的检测出运行车辆;跟踪时利用运动目标轮廓采用链表法记录多运动目标之间的数据关联,并跟据质心特征进行跟踪。实验表明该方法能有效地对目标进行了检测并提高了跟踪的准确率。     

基于深度学习的遥感图像移动小目标轻量化检测方法

由于遥感图像背景复杂,移动小目标的检测难度较大,为此提出了基于深度学习的遥感图像移动小目标轻量化检测方法。为了保障目标检测效果,建立了轻量化主干网络划分遥感图像目标区域。采用深度学习方法预训练划分的遥感图像目标区域。依据训练结果确定遥感图像目标区域。根据确定的遥感图像目标区域提取目标特征。利用SSD(Single Shot MultiBox Detector)目标检测算法对提取的目标特征实行回归分类,完成遥感图像移动小目标轻量化检测。实验结果表明,该方法的检测率高于90%,虚警率低于10%,且不存在漏检问题,负荷实际结果,说明该方法的遥感图像移动小目标的检测效果较好。     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

有云层干扰的光学遥感图像舰船检测算法

针对海面光学卫星遥感图像舰船检测中云层干扰所产生高虚警率的情况,提出一种基于串并联混合多维特征融合判决的舰船目标检测算法。首先,利用高斯灰度阈值分割目标与海面云层背景,并对分割后的二值图像进行区域标记;然后,利用感兴趣区域的几何形态和边缘能量两类特征,包括中心偏移度、长宽比、面积变化比、曲折度和填充度,构建了串并联混合多维特征融合判决方法;最后,通过对感兴趣区域进行综合鉴别,有效剔除了云层干扰导致的虚警,解决了含云层背景检测结果虚警率高的问题。对多幅SPOT4光学遥感卫星图像的实验结果表明算法的有效性。     

城区红外遥感云层检测技术

针对复杂地物背景下的城区红外遥感图像的云层干扰问题,提出了一种基于图像特征提取、区域投票表决和阈值分割的云层检测方法。对图像进行去噪和归一化拉伸处理,再进行多特征提取,并通过提取的特征向量对图像进行分区域云层投票表决,最后根据表决结果和分形特征度量矩阵进行阈值计算和阈值分割,并通过形态学处理得到精确的云层区域。统计检测结果显示算法对不同时刻的数据检测准确率在91%以上,证明了算法的适用性和有效性,为红外遥感图像的信息处理提供了有效的技术支持。     

静止轨道遥感卫星海面运动舰船快速检测方法

面向静止轨道光学遥感卫星,该文提出一种海上运动舰船目标快速检测方法。该方法首先利用多结构多尺度形态学滤波对海洋背景遥感图像进行背景抑制;然后采用自适应阈值分割和自组织聚类获得候选目标;再根据目标运动特征,利用静止轨道卫星凝视序列图像对候选目标进行多目标移动式邻域判决,剔除虚假目标;最后关联舰船目标以及融合卫星平台数据,可快速计算舰船状态等深层次动态信息。实验结果与分析表明,所提方法能有效检测海洋背景遥感图像中的多个运动舰船目标,准确获取各个舰船位置、航速、航向、运动轨迹等信息,具有算法简单,目标检测率高、虚警率低,稳定性好等优点。该方法为我国静止轨道光学遥感卫星在轨数据处理与应用提供了技术支撑。     

多传感器信息融合的前方车辆检测

为提升辅助驾驶系统对于道路环境中车辆的感知能力,通过机器视觉与毫米波雷达信息融合技术对前方车辆进行了检测。融合系统中对摄像头和毫米波雷达进行了联合标定,借助三坐标测量仪确定两者的数据转换的关系,优化了深度学习算法SSD的候选框,提高了车辆的检测速度,选用长焦和短焦两种摄像头进行前方图像采集,并将两者重合图像进行融合,提升了前方小目标图像的清晰度,同时对毫米波雷达数据进行了处理,借助雷达模拟器确定合适阈值参数实现对车辆目标的有效提取,根据雷达有效目标数据对摄像头采集的图像进行选择与建立感兴趣区域,通过改进的SSD车辆识别算法对区域中的车辆进行检测,经过测试,车辆的检测准确率最高达到95.3%,单帧图像平均处理总时间为32 ms,该算法提升系统前方车辆检测的实时性和环境适应性。     

基于多核DSP平台的交通视频运动目标检测跟踪实现

为解决实际交通智能监控系统中视频传感器平台因移动或外部因素的影响发生晃动,导致视频运动目标检测跟踪性能下降的问题,文章提出了基于改进SIFT算法的精确配准动目标检测跟踪方法。该算法采用经典SIFT特征对图像配准,以此为基础实现高效、高精度的图像帧间差分运动目标检测,并采用自适应阈值分割算法完成对差分图像的分割,且通过区域合并策略解决分割产生的断裂及空洞问题,同时采用目标局部邻域特征和置信度判定准则,实现对运动目标的检测和持续稳定的跟踪。最后,基于多核DSP处理平台,通过实验验证了该算法应用于智能交通视频动目标检测跟踪的有效性。     

基于小波方向滤波的有云层遥感图像舰船检测方法

提出了小波分析和方向滤波相结合的有云遥感图像目标检测方法。首先对原始遥感图像进行小波分解,采用比率-平均边缘检测法检测人造目标的边缘方向,在该方向上进行Frost滤波,有效抑制云层干扰的同时突出了人造目标及其边缘信息;然后进行阈值分割并剔除大块云层,根据区域的平均边缘梯度剔除小块云层,实现了有云遥感图像的舰船目标检测。实验证明,该方法能减少遥感图片云层对舰船检测的影响,并具有较高的目标检测率。     

基于嵌入式的新型运动目标视频检测算法

提出一类新型的嵌入式视频活动目标检测算法,该算法采用Surendra算法对背景进行更新以减低系统误报警的几率,对连续3帧图像分别采用差帧法,对2次帧差取交集实现对前景目标的模糊跟踪,而后对粗糙的运动区域图像进行阈值面积消去处理和数学形态学运算,最后实现目标定位跟踪。仿真结果表明,与传统的二阶帧差的方法相比,视频活动的目标检测算法具有高实效,高精度的特点。     

结构化预测的车辆联合检测与跟踪方法

为了对道路车辆进行流量的统计与监控跟踪,提出一种联合检测与跟踪思想的方法。该方法利用初始分割时产生的目标数量的冲突集描述分割阶段产生的错误以及遮挡问题,并通过建立车辆近邻关联事件和与之对应的关联标签变量,将汽车监控跟踪建模为一个结构化预测问题,利用相应的关联标签变量建立全局目标函数,从而将车辆跟踪问题转化为一个通过求解带约束的整数规划问题,最后求解得到车辆轨迹的全局最优解。     

基于高斯金字塔与差分法的多目标检测和跟踪算法

针对复杂背景下的多目标检测和跟踪问题,提出了将背景差分目标检测算法与高斯金字塔图像重采样相结合的运动目标检测算法．该算法采用高斯金字塔法对图像进行重采样,建立背景模型,使用背景差分法获得前景区域,并对前景区域进行阴影检测、去除,从而检测出完整目标．融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测．在目标阈值的确定过程中,采用动态阈值确定法,以提高目标检测的正确性．同时将目标的颜色特征和运动矢量引入到多目标跟踪算法中,提高目标跟踪的准确性．实验结果表明,该算法对于场景中存在目标频繁出现、消失、交叉运动和遮挡等情形均有较好的检测与跟踪效果．     

非合作区域星载遥感图像的车辆目标检测

针对非合作区域遥感图像中复杂背景下车辆目标检 测困难的问题, 提出一种改进形态学重建的车辆目标检测方法。首先,利用遥感图像的近红外和红色波段的 信息,获取场 景的归一化植被指数(NDVI),去除植被背景的干扰;其次,设计方向模板, 对全色图像进行滤波,使人 造物背景得以完整保留,并生成标记图像,利用标记图像重建得到人造物背景;最后,利用 原图和重建背 景之间的差异,进行车辆检测,有效消除了复杂背景的干扰。将本文提出的方法应用于实际 遥感图像的车 辆目标检测,结果表明,检测效果好,鲁棒性强,无需先验信息,可用于大幅面遥感 图像的车辆目标自动提取。     

一种道路标线检测新方法

道路标线为驾驶员提供车辆的位置信息。首先以麦克斯韦颜色三角为模型分割图像中的白色和黄色区域,采用双阈值分割增加后期处理精度,同时去除不属于标线的大面积区域和噪点,然后计算图像的位置与方向判定其是否为道路标线。实验表明该方法能有效检测道路标线,更好地处理图像边缘。     

高分辨率遥感图像的聚类

高分辨率遥感图像中的细小目标(如道路等)使图像的同类区域表现变得不一致,从而增加了高分辨率图像聚类的难度,本文提出了一种高分辨率遥感图像的聚类方法,其聚类过程包括如下三个步骤:第一步,在滑动窗口内使用消除次要成分法处理遥感图像,该处理过程使用一维形态学分水岭技术获得直方图中的左侧阈值和右侧阈值,再根据这两个阈值滤除图像中的次要成分;第二步,计算滑动窗口内的图像特征;第三步根据图像特征量利用BPC(Back Propagation and Competitive)网络进行图像聚类。三组试验(本文提出的聚类算法,最邻近距离聚类法,K均值聚类法)表明本文提出的图像聚类方法可以有效实现高分辨率遥感图像的聚类。     

基于V-视差法的道路区域检测算法研究

针对当前基于双目视觉的道路环境分析实时性差、检测不准确等问题,提出了一种改进V视差法的道路区域检测算法。该算法首先对原始图片进行车道线检测确定道路消失点,从而确定图像的感兴趣区域。然后,使用极大最小值约束获取V视差图中的斜线,从而提取道路区域。实验结果表明,由于该方法在确定感兴趣区域后计算原始视差图,因此,速度提高了29.71%,且相对于传统V视差法,算法更好地实现了路面分割;同时,障碍物检测的精确率和召回率两个指标分别提高了2.165%和4.837%。基于该算法具有良好的准确性和实时性,能有效识别道路中的障碍物,因此,可以为车辆提供可行驶区域以及为驾驶员提供辅助作用。     

一类新型的运动目标视频检测算法

本文提出了一类新型的嵌入式视频活动目标检测算法,该算法采用Surendra算法对背景进行更新以减低系统误报警的几率,对连续三帧图像分别采用差帧法,对2次帧差取交集实现对前景目标的模糊跟踪,而后对粗糙的运动区域图像进行阈值面积消去处理和数学形态学运算,最后实现目标定位跟踪。仿真结果表明,与传统的二阶帧差的方法相比,本文视频活动的目标检测算法具有高实效,高精度的特点。