基于无人机视频的运动目标快速跟踪

无人机视频序列影像是尢人机在高速运动的条件下获取地面目标的动态信息,相机的运动给目标检测、跟踪带来了一定的困难。针对无人机视频序列影像背景位移的特点,将运动目标检测与跟踪技术分为运动估计、目标检测、目标跟踪3个部分。由于无人机视频序列影像中目标较小、分辨率较低,因此采用基于区域的目标跟踪算法。该方法计算量小,计算速度快...     

基于SIFT匹配和RANSAC算法的超分辨率重建

图像超分辨率重建技术是根据序列图像间信息互补重建高分辨率图像的技术，其主要步骤在于精确运动估计算法和有效超分辨率重建算法。针对存在旋转、缩放变换的序列图像，本文提出一种基于SIFT匹配和随机采样一致性算法（RANSAC）的运动估计算法，该方法首先使用SIFT算法对图像序列的特征点进行提取并匹配，然后使用RANSAC算法消除误匹配点并获取投影变换矩阵，从而获得图像序列间的亚像素级的运动信息；采用一组低分辨率序列图像进行试验，基于上述运动估计算法，采用迭代反投影进行超分辨率重建。试验结果表明，运动估计精度较高，重建影像具有较好的视觉效果，尤其适用于影像序列间存在旋转缩放运动的图像序列的超分辨率重建。     

利用频谱解混叠方法实现超分辨率影像重建

基于信号处理的超分辨率影像重建技术，可以消除由影像系统引起的影像模糊和退化，同时恢复出光学权限外的频谱信息。首先简要介绍了超分辨率影像重建技术的意义和基本过程；并对影像配准与运动模型估计在超分辨率影像重建中的作用给予简要介绍；接着根据连续傅里叶变换(CFT)和离散傅里叶变换(DFT)的频谱混叠关系及CFT位移性质，推导出频谱解混叠的超分辨率影像重建模型；最后采用文献中的运动模型估计方法和本文的重建算法，对几组数据进行实验，获得了空间分辨率提高近1倍的影像。     

基于SIFT的宽基线立体影像最小二乘匹配方法

提出基于对极几何和单应映射双重约束的SIFT特征多尺度加权最小二乘匹配算法。算法首先基于特征点的空间分布和信息熵选取一定数量的最优SIFT特征点集,并采用基于奇异值分解(SVD)的SIFT特征匹配、基于SIFT特征尺度和方位信息的自适应归一化互相关(NCC)匹配获得精度较高的初始匹配点用于立体像对的基本矩阵和单应矩阵估计。然后在对极几何和单应映射的双重约束下,基于自适应NCC及距离加权的多尺度最小二乘匹配算法进行扩展匹配并同时保留匹配定位精度较高的原始SIFT特征点对。算法综合应用基于积分影像的NCC快速计算、金字塔影像匹配等方法和策略。最后选取实际的宽基线序列立体影像进行试验并同原始的SIFT特征匹配算法、基于SVD的SIFT算法进行了综合对比分析。结果表明当影像间无显著亮度变化时该方法的匹配性能明显优于现有的方法。     

自适应运动结构特征的车载全景序列影像匹配方法

以运动结构特征为约束条件的序列影像匹配,是基于多变量核密度函数,采用非参数均值漂移方法估计最优局部运动相似性结构特征的过程。核密度函数的带宽大小决定了匹配方法的收敛速度和精度。本文提出了一种可变带宽的自适应运动结构特征的车载全景序列影像匹配方法。首先以采样点在空间域和光流域的局部空间结构定义自适应的带宽矩阵。采用局部光流特征向量的距离加权法,描述光流域上运动相似性结构特征的松弛扩散过程。然后给出自适应多变量核密度函数的表达形式,并探讨了均值漂移向量的求解、终止条件以及种子点的选择方法。最后融合多尺度SIFT描述特征与运动结构特征,建立统一的全景影像匹配框架。试验选择车载移动测量系统获取的城市球全景序列影像,结果表明在内点率变化、物方尺度变化等情况下,本文方法可以实现自适应运动结构特征的相似性度量,提高匹配的正确点数和匹配率,算法表现出较强的稳键性。     

利用角点进行高分辨率遥感影像居民地检测方法

传统的城区检测方法大多是基于影像的全局特征,如纹理、光谱、形状等。当影像出现尺度、光照等条件变化时,将导致这些特征出现变化,造成算法的稳健性下降。而局部不变特征（例如,角点）却不易受到这些因素的影响。为此,本文提出一种无监督的基于角点特征的高分辨率遥感影像城区检测方法。该方法首先在传统的Harris算子的基础上,加入局部和全局约束准则检测影像中的角点,然后根据影像中角点的分布情况,自适应地构建似然函数来度量影像中每一个像素点属于城区的概率,最后采用二值分割的方法提取影像中的城市区域。实验结果表明：该方法可以快速、可靠地检测到影像中的城市区域,具有较高的实际应用价值。     

静止背景下运动目标的检测

针对运动目标识别与检测中的背景重建问题,研究采用一种基于Kalman滤波理论的时域递归低通滤波模型进行背景图像的重建和更新。为提高算法的自适应性,采用Ostu(最大类间差)方法进行阈值的选取,从而检测出视频中的运动车辆。试验结果表明,该方法应用于实时运动目标检测中具有很好的有效性。     

顾及运动估计误差的“凝视”卫星视频运动场景超分辨率重建

在含有运动地物的“凝视”卫星视频影像超分辨率重建问题中,针对由于运动估计不准确导致的重建后运动物体存在“格网”和“拖尾”等问题,提出了顾及运动估计误差的运动场景超分辨率重建方法。首先,在MAP模型框架下分析了基于L1范数和L2范数的保真项对于运动估计误差的稳健性,引入稳健的M-估计作为保真项,自适应的减少运动估计误差对重建结果的影响;然后,分析了稳健估计条件下Tikhonov、TV、BTV正则项的重建效果;最后,提出了基于稳健估计的双边滤波超分辨率重建方法,用SkyBox和吉林一号的卫星视频数据验证本文方法。试验证明,本文方法对含有运动目标的卫星视频影像具有较好的重建效果,重建后动态和静态地物细节都得到提升,归一化方差和梯度能量指标都优于其他方法。试验表明了本文方法的可行性。     

地表形变监测的改进相干目标法

如何从雷达干涉时间序列影像中获取更全面的相干目标集合,进行变形时间序列分析是当前研究的难点和热点。本文提出了改进的相干目标法,可获取更为全面且可信度高的相干目标集合,进而提高地表形变监测的时空分辨率和精度。根据雷达影像中同类型地物散射分布相近的特点,采用非参数同分布检验算法提取后向散射特性相近的同质点开展空间非局部滤波,提高干涉图的质量。与此同时,利用多尺度的极大似然条纹频率估计算法分离差分干涉图中的系统性相位,并基于同质点进行自适应相干性估计,获取相干性的平稳估计量,从而获取更多的相干点目标。利用20景TerraSAR-X条带模式时间序列影像,分别利用传统的及改进后的相干目标法对香港填海区域地表形变信息进行时序分析。对试验数据的分析结果表明,本文提出的改进方法在具有稀疏植被的填海区可有效增加相干目标点的提取,得到更为可信的沉降结果。     

一种基于阴影检测的建筑物变化检测方法

提出了一种基于背景模型的针对建筑物的阴影检测及变化检测方法。传统的基于背景模型的目标检测算法认为影像局部区域的自然背景符合高斯正态分布,而含有人工目标的区域则不符合这种分布,从而将目标区与自然地物区区分开来。然而,这种背景模型不适用于中等比例尺的航空影像。本文通过对背景模型的改进,把自然地物和人工地物都视为背景,而把阴影视为检测目标,可以很好地实现建筑物的阴影检测,然后采用阴影补偿法来检测建筑物的变化。试验表明了本方法的有效性。     

顾及行人的室内全景影像拼接方法

在室内场景的全景影像拼接过程中,易出现行人运动目标引起的“鬼影”现象。针对此问题,提出一种顾及行人的室内全景影像拼接方法,利用深度学习对整幅影像进行逐像素目标级分割,保持行人目标的完整性,并结合重匹配、显著度检测等对运动类型进行判定,生成带权的运动区域掩膜,结合灰度、梯度差及纹理复杂度等特征,融入基于图割算法的拼接线检测能量方程中,对行人区域进行补偿,最终生成背景干净、无“鬼影”的全景影像。     

基于均值反差滤波的红外小目标检测算法

在已有背景预测算法的基础上,提出了一种基于均值反差法作为不相似度量对图像进行滤波,在增强小目标的同时抑制了复杂背景,并通过自适应的背景预测算法,实现了对小目标的快速检测。实验结果表明,该算法对小目标适应性强,能大幅度地提高目标/背景的信噪比,从而快速而准确地检测出小目标的位置。     

基于卡尔曼滤波的时间序列影像背景估计

文章将卡尔曼滤波理论应用于时间序列影像的背景估计,引入衰减记忆因子解决滤波的发散问题,最终实现了对背景信号的估计。     

基于聚类分析的运动目标检测与分割算法及实现

提出了一种基于模式识别的时间序列影像运动目标检测与分割方法,利用聚类分析的思想改进了简单差分方法,引入模式特征空间及运动模式识别作为运动目标检测的判据,实现了运动目标的检测、识别与分割。     

特征法视觉SLAM逆深度滤波的三维重建

针对现有特征法视觉SLAM只能重建稀疏点云、非关键帧对地图点深度估计无贡献等问题，本文提出一种特征法视觉SLAM逆深度滤波的三维重建方法，可利用视频序列影像实时、增量式地构建相对稠密的场景结构。具体来说，设计了一种基于运动模型的关键帧追踪流程，能够提供精确的相对位姿关系；采用一种基于概率分布的逆深度滤波器，地图点通过多帧信息累积、更新得到，而不再由两帧三角化直接获取；提出一种基于特征法与直接法的后端混合优化框架，以及基于平差约束的地图点筛选策略，可以准确、高效解算相机位姿与场景结构。试验结果表明，与现有方法相比，本文方法具有更高的计算效率和位姿估计精度，而且能够重建出全局一致的较稠密点云地图。     

高噪声环境下基于参考影像的车载序列影像定位方法

本文提出一种Monte-Carlo匹配与定位算法,基于已知地理参考影像实现了地面车载全景影像序列的精确定位。首先,基于贝叶斯准则和马尔科夫随机链,推导了几何、辐射两种约束条件下运动影像序列全局定位的通用统计模型。然后,顾及阴影、遮挡、动态目标等困难条件下的多源影像匹配80%的误匹配率,基于粒子滤波原理提出Monte-Carlo匹配与定位一体化求解算法（MIML）,通过预测、更新的迭代策略,在剔除粗差的同时获得最佳定位结果。通过2000余张车载全景影像序列的定位实验,验证了本方法能够克服多源影像匹配中误匹配点太多导致的传统平差算法无法收敛的问题,实现了车载全景序列影像的精确定位。     

一种利用飞艇航拍视频的运动车辆检测方法

针对低空飞行器(飞艇)为平台获取的高清晰交通视频数据,通过对交通视频序列数据进行运动补偿与配准,提出了一个在复杂变化背景下基于帧差法的运动目标(车辆)快速检测与提取方法。实验结果验证了本方法的准确与可靠性。     

基于角点的高分辨率遥感影像建筑物提取

几何结构是高分辨率遥感影像中人工地物区别于其他地物目标的突出特征。针对高分辨率遥感影像中建筑物提取的问题,提出一种基于角点这一几何结构特征的建筑物自动提取方法。该方法无需事先标记训练数据,而是通过计算影像的建筑物指数来直接获取建筑物位置。首先利用基于模板的角点检测算子提取影像中的角点;其次综合角点的位置、角度和显著性等信息,利用空间投票的统计方法计算影像中每个像素属于建筑物的概率;最后经过阈值分割得到建筑物提取结果。实验采用了自主收集的影像分辨率为0.5 m的Spacenet65数据集进行测试。结果表明,提出的方法能够准确提取出高分辨率遥感影像中的不同类型的建筑物。     

顾及道路约束条件的动态目标检测与跟踪方法

智能交通是智慧城市的重要组成部分,面对复杂多变的道路背景,如何能够快速检测、跟踪道路监控影像中的动态目标,是智能交通建设的关键技术难点。本文根据道路监控视频特点,提出了采用道路约束条件与颜色特征集相结合的动态目标跟踪方法,以道路约束条件确定运动目标搜索区域,利用HSV颜色特征集进行特征匹配,然后基于ⅡR滤波背景法对背景影像进行更新及动态目标的检测,并根据道路约束条件与颜色特征相结合跟踪方法实现对动态目标的跟踪及动作预测。试验结果表明该方法可准确对运动目标进行检测与跟踪,且对慢速运动目标也具有较好的响应能力,实现了对道路动态目标的实时检测与跟踪。     

一种UWBSAR图像中的非均匀背景CFAR检测方法

针对UWBSAR图像中的非均匀背景目标检测问题,提出了一种CFAR检测方法.该方法运用变量索引和秩序统计量CFAR检测,可以在杂波背景的非均匀区域,自动根据检测单元的位置选择合适的估计杂波功率的样本,能使检测器在多目标环境和不规则非均匀背景交界处保持CFAR性能.试验结果表明,该方法在UWBSAR非均匀背景中的目标检测性能,优于传统的单元平均CFAR检测算法.