一种改进的HED网络及其在边缘检测中的应用

HED 网络(holistically nested edge detection network)被证明是目前用于边缘检测的一种性能较好的深度学习网络,但在实际应用中发现,将该网络用于前下视红外成像制导自动目标识别时,会出现检测出的边缘不完整、不光滑等问题.针对上述问题,对HED 网络进行了改进,在此基础上提出了一种基于改进HED 网络的边缘提取方法.首先,在原网络结构的基础上减少了两个池化层,提高了侧边输出层的输出精度,然后,将改进HED 网络输出的边缘概率图进行二值化,得到显著性边缘区域;最后,采用基于匹配滤波的边缘提取方法提取图像的边缘,并将其与改进HED 网络提取的显著目标边缘相融合,得到最终结果.实验结果表明,该方法能够大幅减少非目标区域的边缘,并且能够有效提取较为完整和准确的目标边缘,为后续红外图像中的目标检测、跟踪与识别奠定了良好的基础.     

基于引导滤波的多分支注意力残差红外图像去噪网络

目前红外图像广泛应用于各个领域,但受限于探测单元的非均匀性,使得红外图像具有低信噪比、视觉效果模糊的缺点,严重影响其在高端领域中的应用。常用的去噪算法无法兼顾降噪平滑和边缘细节的保持,针对这一问题,文中提出了一种基于引导滤波的多分支注意力残差去噪网络。根据引导滤波原理设计一种引导卷积模块,同时为了兼顾提取浅层和深层特征设计了多分支注意力残差模组。通过实验证明加入新模块后的网络不仅可以有效地实现红外图像降噪,而且能最大程度地保持图像中的边缘细节信息,提升视觉效果,同时在PSRN和SSIM指标上也有良好的表现。     

基于U-NET网络的消防红外图像的人体检测算法

针对消防红外图像分辨率差、对比度低、信噪比低、视觉效果模糊、人体姿态复杂,多障碍物遮蔽、人体姿态不完整等特点。本文提出了一种基于U-Net网络的消防红外图像的人体检测算法,通过该算法解决了消防场景中人体姿态复杂,多障碍物遮蔽,人体形态不完整的困难。同时对比于传统目标检测算法以及YOLO v3算法,本文提出的算法在消防红外图像的人体检测上无论是检测的精度还是运算的实时性上都有大幅的提升。     

基于图像等级多样性的海上红外舰船显著性检测

海天和海岛背景下的海面多舰船红外目标检测一直是图像处理方面的难题。多舰船目标监视采用较广的视场和较大的景深,囊括了更多的目标信息和海天背景成像像素,使多舰船目标显著性的提取难度增大。同时,景深的增大使舰船目标成像更多地表现为小目标,轮廓特征不再明显,这对舰船目标的显著性检测造成了极大的困难。将图像等级多样性和超级像素理论用于海面多舰船目标显著性检测,提出了海面多舰船目标显著性检测方法。     

局部和全局特征融合的红外图像显著性检测

为了更好地凸显复杂环境的红外目标特征,提出 一种融合局部和全局特征的红外图像 显著性检测方法。在获取图像超像素的基础上,提取每个区域空间距离加权的邻域对比度特 征,并考虑区域大小和位置的影响,构建局部显著图;然后提取每个区域空间距离加权的全 局灰度特征,构建全局显著图;最后融合局部和全局显著图,实现图像显著性检测。实验结 果 表明,本文方法的显著图结果目标区域一致高亮且边缘清晰,同时背景杂波抑制效果好。无 论 主观评价还是客观指标,本文方法都优于当前流行的图像显著性检测方法。     

基于热释电效应的红外人体检测

本文主要阐述和探讨了一种人体探测技术。某些电介质材料在感受到人体辐射后其温度会发生变化,其上会产生电荷,有电信号输出,利用这个特性就可以实现对人体的探测。     

红外图像中人体目标检测技术研究

针对红外序列图像中人体目标检测问题,采用了基于特征点的特征区域提取方法,先用FAST算法快速提取特征点,然后基于提取出的特征点,使用LBP算法提取特征区域,在得到感兴趣的特征区域（ROI区域）后,用对ROI区域进行基于离散小波变换的小波熵特征提取,并采用复合分类方法对ROI区域进行分类,利用此方法有效地将人体目标从红外序列图像中检测出来。     

红外视频图像中的人体目标检测方法

人体目标检测是很多机器视觉应用的难点,如智能视频监控和车辆辅助驾驶,基于可见光图像的方法很难解决复杂背景和目标区域的分离问题,因此,越来越多的研究转向利用红外图像进行检测。提出了一种红外视频图像中的人体目标检测方法,该方法首先利用红外图像中像素值近似呈现单模态分布的特点,对高亮像素进行检测,然后采用灰度直方图和投影直方图相结合的2D直方图特征对目标进行检测。实验结果表明:该方法具有较高的检测率,但误报率也较高,其原因在于负样本的数量和代表性不足,因此,改进空间很大。     

红外序列图像中基于形状的人体检测

对红外序列图像中的人体检测问题进行了研究,提出一种新的人体检测方法.首先采用自适应高斯混合模型对序列图像中背景进行建模,在准确分割出前景运动目标的基础上,提出了一种新的人体形状表达模型,充分考虑了多个人体发生粘连或互相遮挡的情况,并用亮度投影的方法对其进行分离;以人体表达模型作为输入向量,构建支持向量机(SVM,Support Vector Machine)对人体进行分类判别.不同红外视频序列的检测结果表明了所提出算法在单个人体和多人体情况下均具有较好的鲁棒性和可行性.     

图像显著性检测方法解析

图像显著性检测是一种通过对图像颜色、强度、方向等特征进行分析生成图像显著性图的技术。其生成的显著性图可以用于图像分割、图像压缩以及图像识别等图像处理领域,从而改善图像处理的性能。为了对图像显著性检测技术及其发展有一个全面深入的了解,使用文献研究法和比较研究法对其概念及方法进行了探究。针对几种具有代表性的图像显著性检测算法进行了简要的概述和分析,用流程图简明扼要地表示显著性检测算法的基本框架。研究结果显示,图像显著性检测技术的效率在不断提升,算法越来越多样化,在图像处理领域的应用越来越广泛,这些对于图像处理自动化具有重要意义。     

基于显著性检测与MDLatLRR分解的红外与可见光图像融合

针对红外与可见光图像融合过程中细节信息的缺失、融合结果对比度较低等问题,提出一种基于显著性检测与多层潜在低秩表示的红外与可见光图像融合方法。首先,使用基于显著性检测的方法对红外与可见光图像进行预融合;然后,使用多层潜在低秩表示方法依次将红外图像、可见光图像和预融合图像分解为低秩层和细节层;其中细节层采用结构相似性和L2范数相结合的方法进行融合,低秩层使用基于能量属性的方法进行融合;最后,将低秩层和细节层的融合结果重构便得到最终的融合图像。文中将该方法与11种具有代表性的图像融合方法进行了评估比较,通过对比多组融合图像的主客观评价,其结果表明,相较于对比方法,本方法能够保留红外与可见光图像融合过程中源图像的有效细节,且融合结果具有较高的对比度,更符合人们的视觉理解。     

结合NSST显著性检测及图割的泡沫红外图像分割

为精确提取浮选泡沫表面的崩塌、新合成气泡,减少噪声和光照影响,提出一种结合非下采样Shearlet变换(NSST)域显著性检测及图割的泡沫红外图像分割方法.对泡沫红外图像进行NSST多尺度分解,采用GBVS算法对低频子带图像进行显著性检测,通过马尔科夫链特征差异计算显著性值,对各个高频方向子带进行噪声系数去除和边缘、弱...     

基于深度卷积神经网络的红外图像行人检测

红外图像中的行人检测一直是计算机视觉领域的研究热点与难点。针对传统的红外行人检测方法需要人工设计目标表达特征的弊端,本文从深度学习的角度出发,提出一种可以自动构建目标表达特征的红外行人检测卷积神经网络。在对卷积神经网络的实现原理进行分析的基础上,设计了红外行人检测卷积神经网络的初始结构,然后通过实验对初始结构进行调整,得到最终的检测神经网络。对实拍红外人体数据库进行行人检测的实验结果表明,该方法在保持低虚警率的同时可以对红外图像中的行人进行稳健检测,优于传统方法。     

基于显著性检测的不同视角下红外与可见光图像融合

融合红外图像的热源目标和可见光图像的清晰背景可以实现低照度条件下与场景关联的异常行为识别.现有以特征匹配为主的融合方法,受监控场景下可见光与红外成像的尺度、视角、目标特性等差异影响,配准及融合效率及准确性受限.针对该问题,本文提出了基于显著性检测的不同视角下红外与可见光图像融合方法.通过预设热敏感目标,计算可见光与红外...     

基于结构-纹理分解和VGG深层网络的红外与可见光图像融合

针对当前红外与可见光图像融合方法中存在低频信息未充分利用,以及高频细节易混入噪声等问题,提出一种基于结构-纹理（ST）分解和VGG深层网络的红外与可见光图像融合方法。首先用均值滤波将输入图像分解为高-低频子带,并引入ST对低频子带二次分解,采用平均法则与邻域空间频率分别对结构和纹理进行预融合;同时,将输入图像送入VGG网络得到多层特征映射,并用Sigmiod函数实现高频子带的归一化预融合;最后利用预融合的高频、低频结构和低频纹理3个频带进行图像融合重建。实验结果表明,提出的方法能够融合图像的深层细节特征,有效保留纹理细节并抑制噪声,且在噪声评估、结构相似性、均方误差、峰值信噪比等客观指标方面具有明显优势。