一种自适应分裂与合并的运动目标聚类分割算法

针对智能监控系统中多个运动目标进行图像分割这一问题,该文提出一种自适应分裂与合并的多运动目标聚类分割算法。该算法首先利用视频图像的时域信息,通过样本方差进行背景建模,分割出包含多个运动目标的前景图像。然后定义了像素点的空间连通率,并设计一种利用中垂线分割法,对初始聚类进行自适应分裂与合并。在无需事先设定聚类分割数目的条件下,自组织迭代聚类算法能完成多运动目标的分割。实验结果证明该算法对多运动目标分割效果好,分割结果与人眼视觉的判断一致。利用空间连通信息使得算法迭代收敛速度快,具有良好的实时性。     

基于可见光图像模板匹配的目标识别算法

结合相关匹配算法特点提出了一种改进的基于可见光图像制备的参考模板进行二值匹配的目标检测识别算法,算法包括实时图像分辨率、同质变换、OTSU聚类、结构匹配定位等一系列处理过程.所提出的算法结构简单、计算量小、易于并行实现,在基于TMS320C6713的多DSP系统上处理一帧实时图像仅耗时14ms,可以应用于工程实际之中.     

结合目标先验信息的检测图像网格聚类算法

合成孔径雷达(Synthetic Aperture Radar, SAR)图像自动目标识别的前提条件之一是能够准确地提取感兴趣区域(Region of interest, ROI),因此能够获取ROI中心的聚类算法是SAR图像处理的关键算法之一。为了尽可能降低检测图像中的虚警以及减少聚类及相应的鉴别算法的计算量,本文提出一种基于先验信息的网格聚类算法,该方法首先通过目标和杂波的形状统计信息估计网格聚类参数,然后利用其对检测图像进行网格划分,并引入目标的占空比特征去除杂波,最后通过粗提取和精提取两种方法计算得到聚类中心。仿真和实测数据处理结果表明,该算法能够对检测目标进行有效聚类并去除大部分杂波,同时极大地减少了鉴别的计算量,且简化了传统ROI中心提取流程。      

基于K-means聚类红外目标检测

目标检测是红外图像处理环节中的重要组成部分,检测结果直接影响后续处理。在分析红外图像特点的基础上,采用改进的Top-Hat算子对红外图像中的噪声点进行抑制,同时基于传统K-means聚类思想,提出基于二维梯度信息的K-means聚类目标检测算法。实验结果表明,该方法抑制噪声作用明显,能很好地检测出红外图像中的目标,为后续图像处理工作打下较好的基础。     

基于区域梯度信息的红外小目标检测

红外小目标检测一直是红外图像处理的难点之一,由于多种因素的影响,红外小目标容易被覆盖。分析红外图像特征,采用形态学对图像进行背景噪声抑制,在去除大部分噪声的情况下,首先利用灰度信息确定目标点的位置,然后利用区域梯度信息进而确定目标尺寸大小,对仿真图像进行处理并与K均值聚类法和形态学算法进行比较。实验结果表明:在低噪声情况下,三类算法均能有效地进行小目标检测,但在噪声复杂,信噪比较低的情况下,K均值聚类法未能检测出目标,形态学算法产生了多个虚警,而该算法依然能有效检测出小目标。     

一种基于多重模糊聚类的红外目标分割算法

提出了一种基于多重模糊聚类的红外目标分割算法。为了实现目标的准确分割,先将原始红外图像进行四划分得到四个子图像,在各个子图像上分别进行模糊C均值聚类,再对图像进行横纵二划分各得到两个子图像,并将四划分时得到的聚类结果约束在二划分的聚类过程中,最后将二划分得到的聚类结果约束到原始图像的聚类过程中,并在其中加入邻域空间约束。此方法可有效增强背景和目标区域像素点的各自凝聚性和抗干扰性,有效提高聚类分割结果的准确性。实验结果表明,多重模糊聚类目标分割算法能准确地实现红外图像目标区域和背景区域的分离,是一种可行的目标分割算法。     

基于偏微分算法的弱小目标检测

针对复杂背景中弱小目标检测难的问题,提出一种偏微分算法。该算法对红外图像进行理论分析、偏微分方程法背景抑制、图像分割进行分析,并在DSP硬件平台上,完成背景抑制、目标聚类等功能。     

基于自组织映射网络的图像分割算法

针对K—Means图像聚类分割算法需要预先知道图像分割数,且对初始聚类中心较为敏感等问题,提出了一种基于SOFM（自组织特征映射网络）的图像聚类分割算法。该算法结合SOFM聚类及合并聚类分析,能够自动确定分割块数并得到有效的K-Means初始聚类中心。实验结果表明该算法具有运行效率高、分割效果好等优点,在实际应用中是可行的。     

改进的基于灰度级的模糊C均值图像分割算法

基于灰度级的模糊C均值算法是一种快速的图像分割算法。因为无损检测图像灰度分布不均衡,该算法不能有效分割图像中的目标与背景,故提出一种改进的基于灰度级的模糊C均值算法(IFCMG)。首先,利用灰度级像素数和隶属度构造类的总隶属度表达式并将其融入目标函数中以均衡化目标像素和灰度像素对目标函数的贡献。接着,推导基于新目标函数的隶属度和聚类中心。然后,考虑到类的密度也会影响聚类结果,设计类的紧密度表征形式并将其融入聚类进程。最后,采用无损检测图像进行分割实验。对于每幅图像,本文算法具有较高的F_value指标值。利用综合评价公式对所有F_value值进行评价,本文算法综合评价值比对比算法分别高出26.13%,16.46%,13.75%,25.10%。本文算法能够有效分割具有灰度分布不均衡特征的无损检测图像,扩展了基于灰度级的模糊C均值聚类算法的应用范围。     

基于模糊局部信息C均值的太赫兹图像目标检测

为了克服返波管太赫兹连续波成像系统所获取图像存在的对比度低、干涉条纹强等缺陷,较好地区分出目标和背景,避开不规则干涉条纹的干扰,采用基于模糊局部信息C均值的聚类算法用于目标检测,并针对太赫兹图像性质,对其中的隶属度函数进行了改进。结果表明,新的聚类分割算法适用于具有不规则条纹干扰下的太赫兹连续波图像,能较好地提取出图像中的目标,较经典图像聚类算法具有更好的目标检测精度。     

基于机器视觉的车道线精确检测算法

车道线检测是车辆智能驾驶系统的重要组成部分.针对传统的车道线检测方法精度低、实时性能差的问题,提出一种基于机器视觉的车道线精确检测算法.该算法采用车道内侧边缘线代表车道线,具体包括预处理和车道线提取两个步骤:预处理部分包括灰度化、Sobel边缘检测、ROI设定、二值化,最终得到车道线部分的二值图像;车道线提取部分包括图像切片、改进的Hough直线检测、DBSCAN直线聚类以及直线拟合,最终得到精确的车道边缘线信息.最后将算法应用于各种场景下的路况测试,实验结果表明:该算法的平均准确率为94.9％,平均处理时长为25.6 ms/f,具有很好的实时性和鲁棒性.     

基于偏振图像的低照度场景多目标检测算法

偏振光反射信息可直接反演目标本征特性,且在传输过程中具备较强的抗干扰特性,因此偏振成像技术可适用于多种复杂环境中的智能监控、交通监察领域。近年来使用深度学习判读图像检测目标的方法迅速发展,已经广泛应用于图像处理的各个领域。本文提出了一种基于偏振图像与深度神经网络算法的行人、车辆多目标检测算法YOLOv5s-DOLP。首先,通过实时获取到偏振图像进行偏振信息解析,获取目标偏振度图像。其次,为增强偏振度图像中检测目标与背景存在高对比度的特性,在主干网络中引入通道注意力与空间注意力,提升网络特征进行自适应学习的能力。此外,使用K-means算法对目标位置信息进行聚类分析,加快网络在偏振度图像的学习速度,提升目标检测精度。实验结果显示,该算法结合了偏振成像和深度学习目标检测的优势,对于低照度复杂场景中的车辆、行人目标检测效果好、检测速度快,对于道路车辆的目标检测、识别与跟踪具有一定的应用价值。     

一种高效的分布式多传感器多目标跟踪算法

现有的多传感器多目标跟踪算法大都基于马尔科夫-贝叶斯模型,需要诸如目标运动、杂波、传感器检测概率等先验信息,但是在恶劣的环境中,这些先验信息不准确并导致目标跟踪精度下降.为了解决该情况下的多目标跟踪问题,我们提出了一个高效的分布式多目标跟踪算法,该算法通过泛洪(Flooding)共识算法在分布式网络的传感器之间迭代的传...     

基于单目的轻量化目标识别系统设计

为了满足微型无人飞行器实时控制的要求,文章对Yolo-V4单阶段图像检测算法进行了轻量化设计,并基于单目摄像头设计了实时目标识别系统.该轻量化算法首先通过优化输入网络的分辨率和卷积层参数等方法,将主干网络由73层压缩到16层;然后通过简化残差结构和跨级结构,解决深层网络梯度消失问题,减少梯度信息重复;最后自下而上将网络浅层和深层特征进行了精简融合.采用K均值聚类算法训练轻量化模型以优化预选框参数,提高算法对特定目标的检测精度.测试表明,改进后的轻量化算法对特定目标的预测精度为98％,召回率为92％,均值平均精度达90.70％,单张图片检测时间为7.8 ms,对视频的处理速度可达125.6 f/s,满足微型无人飞行器的实时应用要求.     

一种红外序列图像目标边缘检测方法

红外序列图像边缘检测是图像处理中的重点和难点之一.提出了一种基于柔性形态学的红外序列图像边缘检测算法,首先对目标红外图像进行柔性边缘提取,然后在此基础之上采用模糊c均值聚类方法将图像转化为二值图像,从而得到比较精确的目标边缘检测图像.计算机仿真实验表明,该方法的性能优于传统的检测算子,并且具有抑制噪声的功能.     

基于路面约束的行人检测感兴趣区域提取

针对行人检测存在识别精度不高,实时性较差等问题进行相关研究.分析了基于多尺度滑动窗口法提取行人检测窗口的缺点,为解决行人检测中检测窗口数量过多的问题,提出在图像分割和路面提取的基础上实现对行人检测窗口的提取.先利用FCM聚类算法训练得到分割阈值,其次提取路面区域,根据路面区域筛选可能存在的行人位置,进而提取感兴趣区域,并对相应的感兴趣区域提取HOG特征进行进一步精确分类.实验结果表明,采用基于路面约束的图像分割方法来提取感兴趣区域,有效减少了遍历窗口的数量,从而提高了行人检测速度和检测精度.     

基于雷达序列轮廓像的目标识别研究

针对常见对海侦察雷达目标成像特点及功能的欠缺,提出了一种基于雷达回波序列轮廓像的目标识别方法。对回波序列轮廓像的分离、特征的提取、目标距离及姿态对轮廓像特征的影响等问题展开了具体的讨论,并最终以实验的方式对该方法的可行性和有效性进行了检验。测试结果表明,文中所提出的高阈值目标检测方法可以实现对目标的低错误率检测和准确定位,低闽值检测方法可以实现对目标的准确提取,且两者均具有较强的多目标处理能力和运算实时性。     

多源多目标跟踪聚类算法

本文提出了一种改进的多源约束聚类算法,以解决多传感器多目标跟踪（Multi-Object Tracking/Estimation, MOTD）问题。MOTD问题对应于在缺乏噪声和目标运动模型等先验信息的情况下,对多个传感器的量测数据进行聚类。针对现有算法对选定传感器量测敏感的问题,本文提出的算法首先根据选定传感器量测数据点的局部密度,对该传感器量测数据进行筛选排序;其次,对排序后的每一个量测数据点,计算和其他传感器量测的高斯核距离,每个传感器返回距离最小的数据点;最后计算在截断距离内的数据点的数量,当大于给定阈值时判定这些数据点为目标产生的量测,簇的中心（个数）即为目标的位置（个数）。实验结果表明,对比现有多源聚类算法,本文提出的算法在传感器目标检测概率较高的场景中聚类精度和聚类速度均有所改善。      

一种基于聚类分析的红外图像配准算法

为了提高红外图像匹配的精度和效率,提出了一种将Harris-Laplace关键点提取和旋转不变LBP特征描述算子相结合的局部特征检测新算法,该算法不仅在图像的尺度、光照和角度发生变化时,仍然能够得到很好的检测效果,而且能很好地描述图像的局部纹理特征.特征向量描述完成后,为了进一步提高红外图像特征点匹配的正确率,提出了一种基于K-means聚类分析的图像匹配策略.先利用Cosine余弦相关匹配策略实现特征点的初步粗匹配,接着采用K-means 聚类分析匹配策略剔除图像中大部分的错误匹配.实验表明:提出的算法表现出良好的鲁棒性,关键点提取的重复率(Repeatability)提高了9.2％.与传统的匹配算法相比,采用基于K-means聚类分析的匹配策略匹配精度可以提高5.05％,匹配时间可以缩短0.068 s.该特征描述算法和基于K-means聚类分析的匹配算法满足了红外图像配准的高精度性和高实时性的要求.     

基于PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。