低信噪比图像目标检测技术研究——I．数据流程与背景感知

提出了一种将背景区域感知与目标特征分析相结合的自动提取图像目标的层次化数据处理流程：探讨了线性预测估计和非线性均值滤波两种常用背号估计技术和自适应空间滤波的形态学背景感知方法。实验测评表明，形态滤波算法对背景的自适应感知能力强，能真实贴切地反映图像背景的起伏变化规律。     

红外目标与环境的视景重建技术研究

研究了图像环境生成过程中红外目标特征信息提取所面临的重要技术问题,提出了自适应背景感知与对消处理、抑制背景的自动门限选取和形状分析与目标特征识别的层次化数据处理流程.基于数学形态学理论实现了图像背景感知的应用研究算法.实验测评表明,该算法对复杂变化的图像环境具有良好的滤波性能和稳健的适应能力     

基于约束序贯M估计的时空域融合红外杂波抑制

针对红外弱小目标检测中的强背景杂波干扰抑制问题进行研究,提出了一种基于参数约束序贯M估计的时空域融合自适应杂波抑制算法.该算法首先在分析序列图像帧间失配的基础上建立了一种改进的时空域融合背景预测模型,结合二维离散傅里叶快速变换图像配准和双线性插值方法进行灰度值估计;然后,基于约束序贯M估计方法进行模型参数的自适应估计,...     

红外极小目标检测算法研究

低信噪比检测技术是实现红外自动目标识别的基本前提,其性能指标将直接决定系统探测距离的远近,是反映红外低可观测目标识别能力至关重要的一项核心技术。自适应背景估计方法是实现这一目标的有效途径。本文在重点论述几种背景估计常用技术的基础上,提出了红外极小目标的形态滤波优化改进算法,通过理论分析和实验检测表明：该算法简化了形态变...     

常增益变采样率自适应滤波

作者曾给出一种跟踪飞机机动的自适应滤波,采用直角坐标系中的9维状态量,利用最优检测统计量探测目标机动,并用估计到的机动加速度修正目标的预报值。 本文将在文献[1]的基础上,提出两种简化自适应滤波。其一,采用两套直角坐标系中的9维卡尔曼滤波,其中的一套滤波用于取代最优检测统计量,完成对目标机动的探测和估计的功能;其二,采用三通道解偶的常增益变采样率自适应滤波。     

一种基于背景自适应的运动目标检测与跟踪算法

背景图像差分法是运动目标实时检测中常用的方法,但缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了该方法的适应性。对此,文章首先提出了一种自适应背景更新方法;然后利用最大类间方差法实现运动目标的自适应阈值分割,并利用基于形态学方法的连通区检测算法检测运动目标;最后以Kalman滤波为运动模型实现对运动目标的连续跟踪。实验结果表明:所提方法可随着光照条件的变化,实时、准确地检测出运动目标并实现稳定跟踪。     

融合背景图像信息和多特征压缩的相关滤波跟踪算法

针对相关滤波类跟踪算法目标背景图像信息利用率较低、目标特征表达能力较弱的问题，提出了一种融合背景图像信息的多特征压缩跟踪算法。首先，在上下文感知滤波器的基础上，将背景图像信息加入位置滤波器。其次，提取颜色名(Color Name, CN)特征与梯度直方图(Histogram of Oriented Gradient, HOG)特征，使用最大响应因子及平均峰相关能量(Average Peak-to-Correlation Energy, APCE)评估跟踪结果的可信度，实现两种特征的自适应融合。最后，利用特征降维简化模型的复杂度，实现算法运行速度的提升。实验结果表明，改进后的算法在遮挡、形变、尺度变化等复杂环境下均具有较高的鲁棒性，其跟踪精度和成功率指标均优于DSST及其他主流的跟踪算法，并且仍保持了实时性。     

红外航空图像自动目标识别的形态滤波神经网络算法

 提出了一种有实用意义的形态滤波神经网络模型及其自适应 BP学习算法。形态滤波网络的优化设计过程实际上是网络参数 (结构元素 )不断调整、逐步适应图像环境的优化学习过程,从而将目标客体的特征规律反映到网络结构上来,以实现对复杂变化的图像具有良好的滤波性能和稳健的适应能力。为结合运动图像目标的检测需要,采用了渐进收缩误差、适时校正网络权值的动态跟踪学习算法。通过实验结果可以看出,该算法不仅能适应复杂多样的背景环境,而且对运动目标的连续检测能力具有位移不变、伸缩不变和旋转不变的特性。     

图象序列中机动目标的形心跟踪

从边检测边跟踪的角度探讨了图象序列中机动目标的形心跟踪问题,深入分析了强高斯噪声背景下目标形心估计的统计性质及用于形心估计的图象预处理方法。指出经典的图象二值化变换分割后作形心估计的方法面临着估计偏差和方差的矛盾,提出了用自适应交互三模型(ATIMM)跟踪图象序列中机动目标的方法,同时发现在了解目标形状的条件下,空间匹配滤波,二值变换点集聚类和 ATIMM三者的结合对图象序列中的机动目标具有最好的跟踪性能。     

基于变分贝叶斯的自适应鲁棒滤波算法

针对组合导航姿态估计中,观测同时受到野值与时变观测噪声影响的问题,构造一种基于变分贝叶斯的自适应鲁棒滤波算法。该算法可以有效地解决自适应与鲁棒滤波策略的矛盾,利用变分贝叶斯近似估计变换的观测噪声,在变分贝叶斯的滤波框架内,利用Huber滤波鲁棒化方法处理连续野值。在组合导航姿态估计试验中,验证了该算法具有良好的自适应与鲁棒性,并能够保持较高的估计精度。     

自适应强杂波抑制与点状动目标检测

研究了基于自适应图像杂波抑制的微弱点状动目标检测技术。首先利用四叉树算法,将原始的非平稳图像分割成多个准平稳的图像子块,然后对各子块进行LS自适应背景杂波估计与抑制,从而获得准高斯白噪声背景;再利用目标运动连续性假设,将目标在相邻多帧上的位置状态模型化为高阶马尔可夫数据链,建立轨迹状态空间;根据该模型采用多帧沿轨迹非线性集成算法进行检测。既克服了传统的三维匹配算法造成搜索次数巨大的弱点,同时也避免了二维投影检测带来的信噪比下降。理论分析和大量仿真实验证明了其有效性。     

一个用于目标跟踪的改进粒子滤波算法

简化UT（unscented transformation）转化参数，修改UKF（unscented Kalmanfilter）提议分布，提出了改进的粒子滤波算法。调节因子的增加使得能在线自适应估计，滤波性能提高，并形成一个自适应的算法。仅有角测量的目标跟踪仿真试验证实了改进的粒子滤波算法要优于其它滤波方式。     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

基于Canny的改进图像边缘检测算法

边缘检测是图像处理领域中最重要的关键技术之一。针对经典边缘检测算法抗椒盐噪声性能较差及阈值选取适应性不强等问题，提出了一种基于Canny的算法架构，结合自适应中值滤波(Adaptive Median Filtering，AMF）、大津法(Otsu）以及最大熵法(Maximum Entropy Method，MEM）的改进图像边缘检测算法。该算法首先结合改进自适应中值滤波对图像降噪，从而在保留图像细节的同时较好地滤除了椒盐噪声干扰。而后利用基于Otsu和MEM提出的改进双阈值选取方法，获取自适应的高低阈值对图像边缘进行检测，边缘检测准确度可以达到96%以上。实验结果表明，本文算法在椒盐噪声干扰下针对背景复杂的图像有更好的边缘检测效果。     

序贯结构的Sage-Husa自适应滤波及其应用

在分析已有的Sage-Husa自适应滤波算法的基础上,本文首先推导了两种量测噪声自适应估计方法的等价性。为充分利用组合系统中已知的部分量测噪声参数,提高滤波稳定性和精度,研究了基于序贯结构的Sage-Husa自适应滤波算法;当组合系统测量噪声参数均为已知时,为降低算法复杂度,提高Sage-Husa自适应滤波的鲁棒性,加入协方差匹配的方法对序贯结构的Sage-Husa自适应滤波算法进行改进;通过在序贯结构下采用相应的信息融合策略,充分利用组合系统的输出信息。将两种算法分别应用于MIMU/GPS/磁强计组合系统中,基于跑车实验的离线数据分析表明,第一种滤波算法的滤波稳定性较标准自适应算法在滤波稳定性上有明显提高;第二种改进的滤波算法既降低了算法复杂度,又提高了抗野值效果,有效保持了组合系统在干扰状态下的导航精度。     

GPS多径信号的自适应滤波估计方法

 研究全球定位系统(GPS)多径信号估计的问题。通过分析自适应滤波器的原理,建立了数字中频信号处理的数学模型,提出一种用自适应滤波实现GPS多径幅度、码相位和载波相位估计的方法。该方法采用不同延迟的伪随机序列对信号进行解扩、解调和累加,得到了作为期望信号的系列自适应滤波相关值。对该方法与其他3种方法进行了理论上的分析比较,得出本方法具有信噪比高、自适应滤波性能好、带有码相位信息和不存在载波模糊度问题等优点。根据各种滤波器算法的特点和本应用的需求,给出了选用递归最小二乘算法实现的方法。通过计算机仿真,验证了提出的方法能够在14 dB的信噪比下,以1个采样间隔的时间延迟分辨率和0.005周的载波相位估计精度估计出GPS L1的多径信号。     

地基观测红外目标二维经验模式分解检测方法及应用

针对复杂条件下的地基观测红外图像目标检测问题,引入二维经验模式分解(BEMD)方法对复杂条件下的目标红外实测图像进行了处理分析:首先对目标观测原始红外图像进行中值滤波,对原始红外图像进行噪声抑制预处理;然后利用BEMD算法对预处理后红外图像进行自适应分解,获得按频段分布的二维基本模式分量与残余图像,并对分解后的红外图像进行有效重构,获取处理后的红外目标图像;最后利用点锐度方法定量评估目标红外图像处理效果,并与原始红外图像进行比对分析。基于实测红外图像处理结果表明,BEMD方法有效抑制了云层背景杂波噪声,且有效检测出清晰的红外目标,处理后的红外图像清晰度较原始红外图像显著提高。     

交互作用的双自适应模型估计器

 通过对目标的不确定机动分析和对不确定机动的模式分类(非机动、临界机动、弱机动、强机动),建立了一种新的目标状态自适应估计器——交互作用的双自适应模型估计器。它通过具有机动识别特性的二阶自适应模型和具有机动水平特性的三阶自适应模型,以及它们之间交互作用自适应组合方式的结合,达到了跟踪估计目标各种运动的“全面”自适应能力。应用新估计器对目标的5种基本运动进行了Monto-carlo仿真。仿真表明,它具有所期望的良好性能。