图像序列中点目标实时检测算法
如何利用计算机视觉技术进行目标定位和追踪
如何利用计算机视觉技术进行目标定位和追踪计算机视觉技术是一种通过计算机程序和算法对图像或视频进行处理和分析的技术。
目标定位和追踪是计算机视觉技术中的一个重要应用领域，它可以在图像或视频中识别和跟踪特定的目标物体。
本文将介绍如何利用计算机视觉技术进行目标定位和追踪。
目标定位是指在给定的图像或视频中找到目标物体所在的位置。
首先，我们需要对图像进行预处理，以提高目标物体的辨识度。
这可以包括图像的去噪、增强对比度、调整亮度等操作。
接下来，我们可以使用特征提取算法来获取图像中目标物体的特征。
常用的特征提取算法包括传统的SIFT（尺度不变特征变换）和SURF （加速稳健特征）算法，以及基于深度学习的CNN（卷积神经网络）算法。
通过提取目标物体的特征，我们可以利用相似度度量方法，如余弦相似度或欧氏距离，来进行目标物体的定位。
目标追踪是指在视频序列中跟踪目标物体的运动轨迹。
与目标定位类似，目标追踪也可以通过特征提取和相似度匹配的方式来实现。
一种常用的目标追踪方法是基于模型的方法，即通过构建目标物体的模型来进行追踪。
在每一帧图像中，我们可以使用目标检测算法来识别目标物体的位置，并更新目标物体的模型。
常用的目标检测算法包括基于传统机器学习的HOG+SVM算法和基于深度学习的YOLO （You Only Look Once）和Faster R-CNN（Region-based Convolutional Neural Networks）算法。
通过不断更新目标物体的模型，我们可以实现对目标物体的准确追踪。
除了基于模型的方法外，还有一种常用的目标追踪方法是基于特征的方法，即通过提取目标物体在不同帧图像中的特征，并通过相似度匹配来进行追踪。
在每一帧图像中，我们可以使用特征点检测算法来提取目标物体的特征点，如SIFT、SURF或ORB（Oriented FAST and Rotated BRIEF）算法。
然后，我们可以使用特征描述算法，如SIFT特征描述算法或ORB特征描述算法，来对提取到的特征点进行描述。
图像处理中的目标跟踪算法设计与性能评估方法
图像处理中的目标跟踪算法设计与性能评估方法目标跟踪是计算机视觉领域中一项重要的任务，广泛应用于视频监控、智能交通、无人驾驶和增强现实等领域。
目标跟踪算法设计与性能评估是提高跟踪准确性和效率的关键。
本文将介绍图像处理中的目标跟踪算法设计以及常用的性能评估方法。
一、目标跟踪算法设计目标跟踪算法旨在从连续的图像序列中，准确地估计目标的位置和尺度。
以下是几种常见的目标跟踪算法设计方法：1. 基于模板的方法：该方法将目标的初始位置和尺度作为模板，在后续图像中寻找与模板最相似的区域作为目标的位置。
基于模板的方法包括均值漂移、相关滤波器和模板匹配等。
2. 基于特征的方法：该方法通过提取目标的特征信息进行跟踪，常用的特征包括颜色、纹理、形状和运动等。
基于特征的方法包括卡尔曼滤波器、粒子滤波器和深度学习等。
3. 基于超像素的方法：该方法将图像分割成若干个超像素，在跟踪过程中利用超像素的空间关系和相似性来估计目标的位置。
基于超像素的方法包括稀疏表示、分割与跟踪、跟踪与检测等。
二、性能评估方法评估目标跟踪算法的性能是十分重要的，以下是几种常用的性能评估方法：1. 准确性评估：准确性是评估目标跟踪算法的核心指标之一，通常使用重叠率（Overlap Rate）和中心误差（Center Error）来衡量。
重叠率是目标边界与跟踪结果的交集与并集之比，中心误差是目标中心与跟踪结果中心的欧氏距离。
高重叠率和低中心误差表示算法具有较好的准确性。
2. 鲁棒性评估：鲁棒性是评估目标跟踪算法抗干扰能力的指标，常见的鲁棒性评估方法包括光照变化、尺度变化、遮挡和快速运动等。
通过在各种干扰情况下测试算法的跟踪准确性，可以评估算法的鲁棒性。
3. 复杂度评估：复杂度评估是评估目标跟踪算法的计算复杂度和运行速度的指标，常用的复杂度评估方法包括处理帧率、平均处理时间和内存占用等。
较低的复杂度和较快的运行速度表示算法具有较好的效率。
4. 数据集评估：数据集评估是常用的目标跟踪算法性能评估方法之一，目标跟踪领域有许多公开的数据集，如OTB、VOT和LAR等。
视频图像序列中运动目标区域检测算法研究
结 果 表 明 所 提 出 的算 法 具 有 较 理 想 的 效 果 。 关键词 视频 图像 ；背 景 差分 ； 景 更 新 ；自适 应 阈值 背
ＴＰ ９ ３１ 中图 ｔｃｉｎ ｉ ｄ ｏＩ ｇ ｅ ｕ ｎ ｅ ｓａ ｃ ｆ Ｍｏ ｉｇ０ｂ ｔ ｅ ＡｒａＤｅｅ ｔ Ｖｉｅ ｍａ ｅＳ ｑ ｅ ｃ ｏ ｎ
总 第 ２ ４期 ７
２１ ０ ２年 第 ８期
计算机 与数字工程
Ｃ ｍｐ ｔｒ＆ Ｄｉｉ ｌＥ ｇｎ ｅｉｇ ｏ ｕｅ ｇｔ ｎ ｉｅｒｎ ａ
Ｖｏ． ０ Ｎｏ ８ １４ ．
１ ０７
视 频 图像 序 列 中运 动 目标 区域 检 测 算 法研 究
杜岳涛 张 学 智
西安 ７０３） １ ０ ２ （ 安 工 业 大 学 电 子 信 息 工程 学 院 西
１ 引言
视 觉 是 人类 从 大 自然 中获 取 信 息 的最 主 要 的手 段 。据
法， 它事先将 背景图像储存下来 ， 由于运动物体和 背景在灰 度或色彩上存在差别 ， 通过 将背景 图像 和 当前 图像做 差分 运 算 ， 减 的 结 果 中 每 一 像 素 的 值 和 一 个 预 先 设 定 的 阈 值 相
据库 的检索等相关领域 的研究 带来很 大 的推动作 用 ， 也会
在 方 法 论 的角 度 促 进 计 算 机 视 觉 、 式 识 别 等 计 算 机 科 学 模 分 支 甚 至 整 个 计 算 机 科 学 的发 展 。 传 统 目标 区 域 提 取 方 法 有 光 流 法 、 间 差 分 法 、 景 差 时 背 分 法 ［ 。光 流 方 法 时 间 开 销 比较 大 ， 其 抗 噪 性 能 比较 差 ， ３ ］ 且 复杂 背 景 下 也 不 太 适 用 ； 间 差 分 法 在 运 动 实 体 内部 容 易 时
图像处理中的目标检测与识别方法效果评估
图像处理中的目标检测与识别方法效果评估图像处理是计算机科学中的重要研究领域，其中目标检测与识别是图像处理中最为关键的任务之一。
目标检测与识别方法的效果评估是评价算法性能和指导算法改进的重要手段。
本文将介绍目标检测与识别方法的常用评估指标和评估方法，并讨论它们的优缺点。
目标检测与识别方法的效果评估可以分为定性评估和定量评估两种方式。
定性评估主要通过人工观察图像处理结果，进行主观判断。
这种方式的优点在于直观，可以全面评估算法的视觉效果。
但是，由于主观性的影响，定性评估容易受到个体差异和主观误判的干扰。
定量评估是目标检测与识别方法效果评估中更为常见和客观的方式。
常用的定量评估指标包括准确率、召回率、F1 值等。
准确率（Accuracy）是指在所有检测结果中正确的检测数量与总检测数量之比。
准确率高意味着算法在目标检测与识别任务上的性能良好。
然而，准确率并不能全面评估算法的效果，因为它无法区分出错误类型和错误程度。
召回率（Recall）是指正确检测出的目标数量与实际存在的目标数量之比。
召回率高意味着算法能够有效地找到目标，但难以评估误检率以及具体目标的误检和漏检情况。
F1 值是综合考虑准确率和召回率的指标，它是准确率和召回率的调和平均数。
F1 值适用于评估既追求准确率又追求召回率的算法。
当 F1 值达到最大时，表示算法在准确率和召回率上达到了一个最优的平衡。
除了准确率、召回率和 F1 值，常用的评估方法还包括精度-召回率曲线和均方根误差。
精度-召回率曲线（Precision-Recall Curve）是一种常见的评估目标检测与识别方法效果的方法。
该方法通过改变阈值来获取一系列的准确率和召回率值，从而得到一条曲线。
曲线下的面积（Area Under Curve，AUC）可以用来评估算法的整体性能。
AUC 值越接近于 1，表示算法的性能越好。
均方根误差（Root Mean Square Error，RMSE）是一种常用的评估图像处理方法效果的方法，特别适用于图像重建和图像对比方面。
图像匹配点对的检测方法
图像匹配点对的检测方法图像匹配在计算机视觉领域中起着重要的作用，它可以用于目标跟踪、图像识别、三维重建等各种应用。
而图像匹配的关键在于确定图像中的对应点对，即找到两个图像中具有相似语义的特征点。
本文将介绍几种常用的图像匹配点对的检测方法。
一、SIFT算法SIFT（Scale Invariant Feature Transform）算法是一种图像特征提取算法，广泛应用于图像匹配之中。
该算法的主要思想是通过检测图像中的尺度不变特征点，并对这些特征点进行描述。
在对比两幅图像时，可以通过比较这些特征点的描述子来确定图像中的对应点对。
SIFT算法的具体过程如下：1. 尺度空间构建：通过高斯金字塔构建每组不同尺度的图像。
2. 尺度不变特征点检测：在每个尺度上，通过DoG（Difference of Gaussian）算法检测特征点。
3. 方向分配：为每个特征点分配主方向，使得特征点具有旋转不变性。
4. 特征描述：根据特征点的主方向，计算其周围像素的梯度直方图，生成特征描述子。
二、SURF算法SURF（Speeded-Up Robust Features）算法是对SIFT算法的改进和优化。
该算法通过使用积分图像来加速特征点检测和描述子计算的过程，提高了算法的实时性和稳定性。
SURF算法的具体过程如下：1. 尺度空间构建：通过使用高斯滤波器构建图像的尺度空间金字塔。
2. 特征点检测：在每个尺度上，通过Hessian矩阵的行列式来检测特征点。
3. 特征点定位：通过非极大值抑制和阈值判定，选取具有较大响应的特征点。
4. 主方向分配：为每个特征点分配主方向，使得特征点具有旋转不变性。
5. 特征描述：根据特征点的主方向，在其周围的区域计算特征描述子。
三、ORB算法ORB（Oriented FAST and Rotated BRIEF）算法是一种具备旋转不变性和计算效率的图像特征描述算法。
该算法结合了FAST角点检测算法和BRIEF描述算法，可以快速且准确地进行特征点检测和描述。
基于红外图像序列的运动目标检测算法研究
第36誊，增刊红外与激光工程2007年9月、b1．36S uppl印∽nt l n如r ed柚d Las er E ngi n∞ri ng Sep．2007基于红外图像序列的运动目标检测算法研究任章，李露，蒋宏(北京航空航天大学自动化科学与电气工程学院，北京100083)摘要：为解决红外图像序列中运动目标的快速检测问题，提出一种结合目标的不变矩与红外特征的新的特征量，利用图像序列中目标运动的连续性，在匹配的过程中采用K al m aIl预测滤波来估计目标下一帧的位置，从而形成完整的运动目标的检测算法。
该算法既能利用不变矩的仿射不变性，又能对红外目标的辐射特性进行全面的综合描述，准确地实现目标的相关匹配；此外，引入K a】m an 预测滤波不仅能够迅速准确地进行目标匹配，并且在目标出现遮挡、丢失的情况下可应用预测对目标的位置做出合理的估计，以维持对目标的正常的检测跟踪。
实验结果表明该算法能够达到目标检测的准确性和实时性要求。
关键词：目标检测；不变矩；特征提取；特征匹配；K al m aI l滤波中圈分类号：TP391文献标识码l A文章编号：1007—2276(2007)增(探测与制导)-0136_05M oV i ng t ar get det ec t i ng al gor i t hm f or I R i m ages se quenceR E N Zha Il g，L I Lu，J L A N G H o ng(School of A u锄na吐∞s ci锄∞柚d El cc伍cal Engi l溉勘g，B ei harI g uI l i v懿i吼B蜘i ng100083，C舳埔A bs t r act：hl or d er t o f as t det e ct t11e m oV i ng t a昭e t f硒m m e I R i m a ge a rr ays，a new f eat I l r e w l l i chcom bi nes tt l e t a唱et’s m om ent i nV ar i ant s and I R c har a ct e r i st i cs is pr o pos ed i n t hj s pa pe r．T he t a略e t de t ect i Il g al gor i m m m al res us e of m e con血uousness of t a唱e t m oV i I培i n i m a ge a11ra ys．hl m at ch j ng proce ss，i t ado pt s K ahn an f i l t er t o es t i m at e t lle t a略e t pos i t i on i n next i m a ge．The pr op os ed al gori t l l m uti l i ze§t11e棚ne i nV ar i ant s of m om ent i nV撕ant s a11d t11e r adi aI l t s pec诚pr ope啊0f t11e mt aI苫et t o r e al i z e Ⅱl e a cc ur a t e c or re l a t i V e m a t cI l i ng．W hat’s m or e，by us i ng K=l锄an f i l t er i ng，i t not onl y can i f I l pr o V e tI l e m at chi ng pre c i s i on and r educe t he com pu诅t i on t i m e，but al s o can r eas o nabl y est i m at e t he t a玛e t pos i t i on i nc ufr e nt i m a ge eV en w h e n m e t a略e t i s s he l t e r ed o r l ost．T he ex肼时I m nt re sul t s i ndi ca t em at锄s I I l e吐l od c觚ef f色ct i Vel y re al i z e t ll e re al一t i m e and preci se t a瞎e t det ect i ng．K|ey w ords：T魂et de t ect i ng；M om ent i nv ar i ant s；Fean鹏ex仃act i on；Featl鹏删ncIl i ng；K a】m a Il f il te血gO引+言利用红外成像技术实现目标的检测、识别与跟踪是红外成像制导的主要组成部分。
目标跟踪原理
目标跟踪原理目标跟踪是一项重要的计算机视觉任务，它旨在通过分析视频或图像序列中的目标，实时地跟踪并定位目标的位置。
目标跟踪在许多实际应用中发挥着重要作用，比如视频监控、自动驾驶、虚拟现实等领域。
目标跟踪原理主要包括目标检测、特征提取、相似度度量和目标定位等关键步骤。
目标检测是目标跟踪的第一步，它用于在图像或视频帧中定位目标的位置。
目标检测可以使用传统的机器学习方法，如支持向量机（SVM）和随机森林（Random Forests），也可以使用深度学习方法，如卷积神经网络（CNN）。
目标检测的目标是将目标从背景中分割出来，并生成目标的边界框。
接下来，特征提取是目标跟踪的关键步骤之一。
特征提取的目标是从目标的边界框中提取有区分度的特征，以便将目标与其他物体进行区分。
常用的特征包括颜色直方图、方向梯度直方图（HOG）和尺度不变特征变换（SIFT）等。
这些特征能够描述目标的外观和形状信息，并且对目标的光照变化和姿态变化具有一定的鲁棒性。
然后，相似度度量是目标跟踪的核心步骤之一。
相似度度量的目标是计算目标与候选目标之间的相似度，以确定最佳匹配的目标。
常用的相似度度量方法包括欧氏距离、余弦相似度和相关系数等。
这些方法能够衡量目标与候选目标之间的相似性，并选择最相似的目标作为跟踪结果。
目标定位是目标跟踪的最终步骤。
目标定位的目标是根据相似度度量的结果，精确定位目标的位置。
目标定位可以使用最大响应信号（Maximum Response）或加权平均位置（Weighted Average Position）等方法来估计目标的位置。
这些方法能够根据目标的相似度和运动模型来预测目标的位置，并实现目标的跟踪。
目标跟踪原理包括目标检测、特征提取、相似度度量和目标定位等关键步骤。
通过这些步骤，可以实现对目标的实时跟踪和定位。
目标跟踪在计算机视觉领域具有广泛的应用前景，将为各个领域的发展带来新的机遇和挑战。
8种目标检测算法
8种目标检测算法目标检测是计算机视觉领域中一个重要的任务，其目标是在图像或视频中准确地定位和识别出感兴趣的物体。
在过去的几十年中，研究者们提出了许多不同的目标检测算法，旨在提高检测的准确性和效率。
本文将介绍8种经典的目标检测算法，并对它们进行详细比较和分析。
1. R-CNN (Region-based Convolutional Neural Network)R-CNN是一种经典的目标检测算法，它通过两个步骤来进行目标检测：候选区域生成和分类。
首先，R-CNN使用选择性搜索（Selective Search）等方法生成一系列候选区域。
然后，每个候选区域被送入卷积神经网络（CNN）进行特征提取，并使用支持向量机（SVM）进行分类。
虽然R-CNN在准确性上表现良好，但其速度较慢。
2. Fast R-CNNFast R-CNN是对R-CNN的改进，主要通过引入全连接层来解决R-CNN中多次计算相同特征的问题。
Fast R-CNN首先将整个图像输入到CNN中获取特征图，然后根据候选区域的位置从特征图中提取相应的区域特征。
这些区域特征被送入全连接层进行分类和边界框回归。
相比于R-CNN，Fast R-CNN具有更快的速度和更好的检测性能。
3. Faster R-CNNFaster R-CNN是在Fast R-CNN的基础上进一步改进的算法。
它引入了一个称为“区域提议网络”（Region Proposal Network，RPN）的组件，用于生成候选区域。
RPN通过滑动窗口在特征图上移动，并预测每个位置是否包含目标以及对应的边界框。
生成的候选区域被送入Fast R-CNN进行分类和回归。
Faster R-CNN将目标检测任务拆分为两个子任务，从而实现了端到端的训练和推断。
4. YOLO (You Only Look Once)YOLO是一种非常高效的目标检测算法，它采用了完全不同于传统方法的思路。
YOLO将目标检测问题转化为一个回归问题：给定图像，直接在图像上划分网格，并预测每个网格中是否包含目标以及对应的边界框和类别概率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图 1 液体杂质检测图像处理系统结构示意图 Fig. 1 Schematic of impurity detection system of liquid
1.2 液体杂质检测算法 液体杂质检测算法可以分成 4 个阶段, 如图 2 所示。图像预处理是运动目标区域只占图像的一小 部分时所必须的, 这样能够大大减小图像处理的运 算量, 因此区别图像的有效区域是该算法的第一步, 这样可以大大降低目标群和虚警率; 接下来是进行 背景抑制, 消除图像中临时静态的像素, 这样可以有 效提高图像的信噪比; 采用多阈值自动分隔算法来
i = 1 , 2, · · · , q − 1
t1 ti+1 N −1 (3)
wk (j, i)f (x − j, y − i)
(1) 出于自适应的目的, 采用根据图像统计特性来 确定各分割阈值的方法, 即 ti = m + ki σ k1 < k2 < · · · < kq i = 1, 2, · · · , q (4)
0 引言
随着工业化进程的快速发展, 在工业检测与测 量中越来越多地采用了智能化方法。利用机器视觉 来进行工业检测与测量, 是智能检测中常用的一种 方式, 尤其是依赖序列图像进行信号测量与检测, 在 很多领域中得到了应用。在药液杂质检测中, 当杂 质比较小时, 用肉眼进行杂质检测的可靠性和准确 性都不尽如人意, 因此, 进行点目标检测是液体杂质 检测系统的关键。通常解决这类问题有两种思路: 一是在图像序列的点目标检测中, 先进行跟踪再进 行检测 (TBD); 二是先检测再跟踪 (DBT)。TBD 法 根据多帧检测的思想 [1-3] , 将空间和时间信息整合 到多帧处理过程中, 对原始序列图像中的多个可能 轨迹进行跟踪, 再进行门限判决, 最终达到目标检测 的目的; DBT 算法则采用 “单帧检测和多帧确认” 的 策略, 先进行背景抑制, 然后对图像进行分割, 获取 疑似目标点, 再根据目标运动信息的帧间高相关性, 进行多帧图像的能量累积, 对单帧检测的结果迸行 跟踪判决。这样极大地减小了跟踪判决的难度, 因
第1期
宋绍京: 图像序列中点目标实时检测算法
51
能满足实时性要求, 因此采用协处理器的方式来加 快图像处理的速度, 满足系统的实时性要求, 系统结 构示意图如图 1 所示。系统由摄像头采集安瓿瓶液 体图像序列, 摄像头和工控机采用千兆网口来进行 连接, 工控机的主板上通过 PCIe 接口连接一块用现 场可编程逻辑门阵列 (FPGA) 开发的图像并行处理 协处理器, 以满足图像处理的实时性要求。
第1期
宋绍京: 图像序列中点目标实时检测算法
53
(2) 基于移动目标中心及半径 r(r > Dmax ) 使 用前向 L 帧图像构造时空管道, 如图 4 所示。首 先设置当前帧图像区域中的 Sk 为时间管道的起 点, 以疑似目标的中心为中心, 以 r 为半径, 延伸至 (k + 1) 帧。如果疑似目标 fik+1 (x, y ) 出现在 k + 1 帧中, fik+1 (x, y ) 与 fik (x, y ) 的距离小于 r, 就把时间 管道的中心设为 fik+1 (x, y ); 如果疑似目标没有出现 在 (k + 1) 帧中, 时间管道就直接延伸至 (k + 2) 帧 寻找疑似目标。依照这样的模式, 时间管道可以延 伸至 (k + l) 帧。
式中: x = 0, 1, · · · , m − 1; y = 0, 1, · · · , n − 1; f 为 输入图像 (m × n); g 为预测图像; Wk = [wk (j, i)] 为 预测模型的权重矩阵; Sk 为当前背景的范围。 输入图像和预测图像的差值图像 e(x, y ) = f (x, y ) − g (x, y ) (2)
䁑䍳⟝㕈凵 㭞⭥䔏⫔䐖 㧈⺜㑞ⴆ䐖 㼁㑻, 䁂䋒㡅䄜 ⿳Ⱙェ㰄 䁑䍳㈷⤠ 䔏⫔䐖 㸿㾈㤙 䈓䐤㒄 䍳⨗䔏 ⭮䐖
㧈⺜㑞ⴆ䐖䐏 ヅ⭥䐖⤜㘘㻵, 䁂䋒㡅䄜ⴆ䐖
䄧⨞㾂⭥ⴆ䐖
图 3 峰值搜索算法示意图 Fig. 3 Peak searching algorithm
1.2.2 背景抑制 在液体图像序列中, 因为小目标在图像中呈点 状, 信噪比非常低, 想直接进行目标识别是有难度 的, 所以在目标检测之前, 为提高信噪比, 非常有必 要进行背景抑制。当前图像背景抑制可以分成两类:
时域处理和空域处理。时域处理使用连续帧进行背 景抑制, 具体的方法是使用图像相减和累加平均。 空域处理利用了目标和背景之间的不相关性, 典型 的算法是使用中值滤波、高通滤波器或者使用基于 已知模型的背景抑制。基于模型的背景抑制对于背
52
上海第二工业大学学报
2014 年 第 31 卷
景的变化具有很好的适应性, 该方法描述如下: 如 果一个像素是背景, 它的灰度值可以通过周围的像 素进行预测; 如果一个像素是目标, 那么它和背景具 有比较差的相关性。如果使用周围的像素值来预测 当前像素的灰度值, 总的来说预测值和实际值还是 不一样的, 因此使用这个特征可以对背景进行抑制。 背景的抑制模型可以描述为 g (x, y ) =
宋绍京
(上海第二工业大学电子与电气工程学院, 上海 201209)
摘 要: 点目标检测在液体杂质检测中非常关键, 在分析现有图像点状目标检测算法的基础上, 研究了一种适用于
图像序列的运动点目标多阈值检测算法, 在背景抑制的基础上, 首先采用自适应多阈值分类的方法提取多类疑似目 标, 强化了各点状目标疑似的检测能力。在当前帧疑似目标的真伪无法判定时, 根据目标在相邻帧间的位置变化信 息构造相应的时空管道, 沿时空管道正向寻找可能出现的各类疑似目标, 并将其能量与当前帧疑似目标点的能量进 行加权求和后再进行门限判决。使用硬件并行预处理图像, 较好地解决了实时性问题, 满足系统实时性要求。对安 瓿瓶液体图像序列进行测试的结果表明, 该算法的效果令人满意。 关键词: 杂质检测; 液体图像序列; 点目标; 多阈值分类; 后向验证 中图分类号: TN911.7 文献标志码: A
此, 在算法复杂度和实现难易度两方面占有优势。 许多学者对红外弱小目标检测进行了研究 [4-8] , 但这些算法仅仅局限于红外图像, 因为红外图像具 有大面积、低频率和运动簇明显等特征。当将上述 算法用于对由明显目标组成的大量杂乱目标群进行 检测时, 其性能则不能令人满意, 尤其是当目标处在 具有低信噪比的图像中, 或者处在边缘具有弱对比 度的情况下, 而这些正是液体杂质检测中的典型特 征。单阈值分割对阈值是敏感的, 如果选择阈值过 小, 会导致虚警率过高; 如果选择阈值过大, 就会丢 失弱小目标。因此, 单阈值选择并不能给人以满意 的效果。为解决这个问题, 本文给出了一种新型的 多阈值分割并行处理算法, 经过安瓿瓶液体图像序 列测试, 证明该算法可以获得令人满意的效果。
第 31 卷 第 1 期 2014 年 3 月
上海第二工业大学学报 JOURNAL OF SHANGHAI SECOND POLYTECHNIC UNIVERSITY
Vol. 31 No. 1 Mar. 2014
文章编号: 1001-4543(2014)01-0050-05
图像序列中点目标实时检测算法
式中: m 为当前帧图像的均值; σ 为标准差; ki 为加 g (x, y ) 可以看成是当前背景像素的灰度值, 如果 像 素 (x, y ) 和 Sk 中 的 像 素 属 于 同 一 背 景, 那 么 e(x, y ) ≈ 0, 这样背景就得到抑制。 1.2.3 目标提取 经过背景抑制后, 大部分像素集中在低灰度值 区域, 仅有目标和小部分噪声分布在高灰度值区域。 为了能把目标从图像中提取出来, 最常使用的方法 是根据图像的信噪比, 使用阈值对图像进行二值化 处理, 高于阈值的像素被认为是潜在疑似目标。阈 值的选择对于处理的速度和目标的判别具有很强的 影响力, 如果阈值选择比较低, 过多的疑似目标就会 影响图像中目标提取的速度, 虚警率就会急剧增加; 如果阈值选择比较高, 检测性能就会降低, 甚至是丢 失真实目标。因此, 为了改善在图像中提取目标的 性能, 设计了一种新型的多阈值自适应分类器。 图像像素的灰度值的范围假设为 G = {0, 1, · · · , N − 1}, 分 割 阈 值 为 {t1 , t2 , · · · , tq ; (0 < t1 < t2 < · · · < tq < Q − 1)}。因 此 图 像 被 分 割 成 (Q + 1) 个 部 分, B = {b0 , b1 , · · · , bq ; (b0 < b1 < b2 < · · · < bq )} 代表了对应于阈值 q 的 权系数。 经 过 上 述 分 割 后, 图 像 中 的 像 素 点 被 分 为 (n + 1) 个类, f0 (x, y ) = b0 的这一类像素点将被认 为是单纯的噪声点从图像中滤除, 此时 {f1 (x, y ) = b1 , · · · , fi (x, y ) = bi , · · · , fq (x, y ) = bq } 的像素点构 成 n 类疑似目标集 (其中 f 和 b 对应该疑似目标点 所属的类), 疑似目标 fi (x, y ) 的下标越大表明该像 素点隶属目标点的程度越大, 因此所赋予的能量权 值 bi 也就越高。 1.3 时间管道和前向验证 基于上述多阈值分类方法, 前向验证将充分利 用图像序列中小目标的灰度值和位置的相关性。当 疑似目标在当前帧图像中不能完全确定时, 以当前 目标为基础, 在接下来的图像帧中以位置为基础对 所有的疑似目标在时间管道中一帧一帧地继续寻找 确认, 所有疑似目标的能量通过当前帧的加权求和, 然后再根据给定阈值来判定疑似目标是否是真实目 标。 假设当前帧疑似目标 fik (x, y ) 是待确认目标, 目 标检测可以通过下述步骤来完成。 (1) 根据目标属性、 移动速度、 平台抖动和帧频 来估算最大可能位移量 Dmax 。