CN107507190A - 一种基于可见光序列图像的低空运动目标检测方法 - Google Patents
一种基于可见光序列图像的低空运动目标检测方法 Download PDFInfo
- Publication number
- CN107507190A CN107507190A CN201710563985.2A CN201710563985A CN107507190A CN 107507190 A CN107507190 A CN 107507190A CN 201710563985 A CN201710563985 A CN 201710563985A CN 107507190 A CN107507190 A CN 107507190A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- mtd
- image
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于可见光序列图像的低空运动目标检测方法，采用一种应用粒子滤波式采样策略优化的Haar特征，对图像局部特征进行降维，缩短了处理图像数据的时间，降低了目标特征的复杂度。在获取运动目标特征的特征向量的基础上，结合相邻帧差分划分搜索区域，图像分块化处理技术和无向图拓扑关联关系的搜索策略，实现序列图像中相邻帧间目标的位置差异检测目标运动状态，对目标可能出现的位置进行估计从而缩短搜索运动目标的时间，从而实现对序列图像中运动目标的准确、快速的检测。
Description
技术领域
本发明属于图像处理技术领域，涉及一种基于可见光序列图像的低空运动目标检测方法。
背景技术
运动目标检测是图像处理和机器视觉领域的重要研究课题，目前运动目标检测技术已被广泛应用于安防监控、遥感图像以及智能机器人领域，运动目标检测是对图像序列或视频中感兴趣且运动的目标从背景中区分并提取。近年，随着无人机的发展，对无人机进行安全监控的需求也逐渐增多，因此对低空空域的动目标检当前图像序列动目标检测的研究热点之一。
王小霞(《复杂场景中运动目标的检测》，计算机应用与软件，2015,32-2,203-206)中在背景减除法基础上，利用改进的背景掩膜法对背景更新，对前景区域进行连通域检测，并通过建立检测区域和非检测区域有效的去除相机抖动噪声，实现了对复杂背景下的运动目标检测，但该方法仍是基于背景减除法，对高帧率视频图像处理时，该算法计算效率较低，难以满足对速度较快的无人机目检测。同时，该方法对采集图像的质量要求较高，当被采集图像像素存在噪声时，该方法对动目标检测精度会下降。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于可见光序列图像的低空运动目标检测方法，针对目前已有可见光序列图像运动目标检测识别方法，对目标特征提取复杂度高，以及运动目标依赖度较高的问题。
技术方案
一种基于可见光序列图像的低空运动目标检测方法，其特征在于步骤如下：
步骤1、对长度为n的序列图像中的每帧图像的局部特征提取降维Haar特征：将每帧fi(i＝1,2,…,n)图像分解m个大小为W×H的图像块Bi(i＝1,2,…,m)，利用N维降维Haar特征向量V描述图像块Bi，其中N为通常为10；
提取每个图像块的降维Haar特征；
所述Haar特征降维的步骤是：
在图像块B中，取Pi个随机位置和尺寸的矩形块Rk(xk,yk,wk,hk,wek),(k＝1,2,…,Pi)构成描述vi的特征模板，其中xk，yk分别表示Rk左上角在B中的横纵坐标，wk为Rk的宽度，hk为Rk的高度；
xk,yk,wk,hk满足：
wek为Rk在Vi中所占权重，定义式为：
ck为集合{1，-1}中的随机值，根据Rk位置服从分布不同分为两类：
Rk＝[Rk′,Rk″]
上式中，R'k为非边缘图像分块，采用均匀分布对R'k的位置参数进行设定，增强R'k生成位置的随机性；
Rk″为图像中位置处于上、下、左、右四个边缘位置图像块对应的Haar特征矩形块，采用高斯分布对Rk″的位置参数进行设定，使Rk″生成位置集中在图像的边缘；
将图像边缘信息作为各图像块的主要特征，具体设定方法如下：
对位于图像左边缘的图像块Bi，其中Haar特征矩形块Rk左″，设定其位置参数中xk左″服从高斯分布N(0,1)，yk左″服从均匀分布，矩形块集中于图像块左侧边缘；
由此类推Rk上″的xk上″服从均匀分布，yk上″高斯分布N(0,1)；Rk下″的xk下″服从均匀分布，yk下″高斯分布N(H,1)；Rk右″的xk右″服从高斯分布N(W,1)，yk右″均匀分布；
图像特征向量的第i维特征vi'和vi”：
式中，Sk′和Sk″为矩形块Rk′和Rk″中各像素灰度值的总和；
步骤2、采用无向图搜索策略，对临近帧间图像特征进行对比，实现对序列图像的运动目标检测：
建立无向图G，G中第t个节点以(ixt,ixt)标记，对应fi中的一个图像块Bk(xk,yk)，对应关系为：
节点s和t的关联性φ(s,t)由一下关系式确定：
其中ε取值为7；
对于临近的两帧图像fi和fi+1，提取相同局域位置的图像块对(Ba_i,Ba_i+1)，计算两个图像块类Haar特征向量(Va_i,Va_i+1)的广义距离：
如果dist(va_i,va_i+1)大于最小容错误差∈，则认为该图像块对应区域存在运动目标；在图G中找出所有与Ba对应的节点相连的节点，对每一个节点所对应的图像块Bb，计算其类Haar特征值与Ba特征值的广义距离dist(va_i,va_i+1)，距离最小的图像块为Ba移动后的图像块位置，即动目标位置。
有益效果
本发明提出的一种基于可见光序列图像的低空运动目标检测方法，采用一种应用粒子滤波式采样策略优化的Haar特征，对图像局部特征进行降维，缩短了处理图像数据的时间，降低了目标特征的复杂度。在获取运动目标特征的特征向量的基础上，结合相邻帧差分划分搜索区域，图像分块化处理技术和无向图拓扑关联关系的搜索策略，实现序列图像中相邻帧间目标的位置差异检测目标运动状态，对目标可能出现的位置进行估计从而缩短搜索运动目标的时间，从而实现对序列图像中运动目标的准确、快速的检测。
本发明的方法有益效果：
(1)通过采用粒子滤波式采样策略对Haar特征数据作降维处理，减小所需处理的数据量，以提高计算速度，同时增强了对运动目标特征的表征能力。
(2)通过采用用无向图描述分块近邻关系，优化搜索策略，缩短了搜索时间，提高了对运动目标检测的效率。
附图说明
图1是算法流程图
图2是算法检测结果图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本发明是通过以下技术方案实现的，基于可见光序列图像的低空运动目标检测方法，其具体步骤如下：
(1)对长度为n的序列图像fi(i＝1,2,…,n)，相邻帧fi和fi+1进行逐像素点差分处理并对结果进行二值化，得到二值图Di。在Di中，值为1的点为fi+1相比fi不同的点，即为可能出现移动目标对应的像素点。对fi+1进行分块处理，将其分解m个大小为W×H的图像块Bi(i＝1,2,…,m)，设定二值图Di中含有标记为1的图像块对应位置为搜索区域。
(2)对序列图像中的每帧图像根据步骤(1)得到的搜索区域提取降维Haar特征。利用N维降维Haar特征向量V描述图像块Bi，其中N值根据图像像素大小进行确定，通常设定为10。
在预先设定的常整数L与R之间取N个随机整数Pi(i＝1,2,…,N)，其中L、R取值范围为10以内的整数。特征向量V的第i维特征值vi可由Pi个矩形块的灰度值加权总和计算得到。
在图像块Bi中，随机取Pi个矩形块Rk(xk,yk,wk,hk,wek),(k＝1,2,…,Pi)构成描述vi的特征模板，其中xk，yk分别表示Bi中Rk左上角的横纵坐标，wk为Rk的宽度，hk为Rk的高度。
xk,yk,wk,hk满足：
wek为Rk在Vi中所占权重，定义式为：
ck取值为{1，-1}中的随机值。
根据Rk位置服从分布不同可分为两类：
Rk＝[Rk′,Rk″]
上式中，R'k为非边缘图像分块，为保证图像全局特征的提取的敏感性，采用均匀分布对R'k的位置参数进行设定，增强R'k生成位置的随机性；
Rk″为图像中位置处于上、下、左、右四个边缘位置图像块对应的Haar特征矩形块，为保证对进入图像边缘动目标检测的灵敏性，采用高斯分布对Rk″的位置参数进行设定，使Rk″生成位置集中在图像的边缘，将图像边缘信息作为各图像块的主要特征。具体设定方法举例如下：
对位于图像左边缘的图像块Bi，其中Haar特征矩形块Rk左″，设定其位置参数中xk左″服从高斯分布N(0,1)，yk左″服从均匀分布，矩形块集中于图像块左侧边缘，由此提取出的降维Haar特征着重描述图像块左侧边缘的信息，对左侧边缘变化更敏感。
由此类推Rk上″的xk上″服从均匀分布，yk上″高斯分布N(0,1)；Rk下″的xk下″服从均匀分布，yk下″高斯分布N(H,1)；Rk右″的xk右″服从高斯分布N(W,1)，yk右″均匀分布；
由此可以图像特征向量的第i维特征v′i和v″i：
式中，Sk′和Sk″为矩形块Rk′和Rk″中各像素灰度值的总和。
(3)根据步骤(2)获取的图像局部特征，结合无向图搜索策略，对邻近帧间图像特征进行对比，实现对序列图像的运动目标检测。
建立无向图G，G中第t个节点以(ixt,ixt)标记，对应fi中的一个图像块Bk(xk,yk)，对应关系为：
节点s和t的关联性φ(s,t)由以下关系式确定：
其中ε为预先设定好的阈值。
对于邻近的两帧图像fi和fi+1，提取相同局域位置的图像块对(Ba_i,Ba_i+1)，计算两个图像块Haar特征向量(Va_i,Va_i+1)的广义距离：
如果dist(va_i,va_i+1)大于最小容错误差∈，则认为该图像块对应区域存在运动目标。在图G中找出所有与Ba对应的节点相连的节点，对每一个节点所对应的图像块Bb，计算其降维Haar特征值与Ba特征值的广义距离dist(va_i,va_i+1)，距离最小的图像块为Ba移动后的图像块位置，即动目标位置。
具体实施例：结合对可见光序列图像的低空运动目标检测实例说明本发明的具体实施方式：
包括以下步骤：步骤1：对目标帧图像进行分块处理并分别计算降维Haar特征向量；步骤2：对比目标帧与对比帧对应分块寻找移动目标；步骤3：对每个移动目标在目标帧中寻找目标移动后的位置。
步骤一、获取具有相同背景下长度为n的序列图像F，其中每帧图像表示为fi(1,2,…,n)，由于每帧图像采用相同的特征模板是固定的，因此首先生成每帧图像的特征模板。具体分为两个过程：
(1)根据图像像素大小和低空运动目标体积，将每帧图像分块处理为m个大小为fi的图像块，同时，确定降维Haar特征维数N以及每一维特征所需矩形块数量的上、下限L和R值。
(2)对于每一维降维Haar特征vi，随机生成一个范围介于L和R之间的整数Pi，在图像块大小范围内选取Pi个位置和大小服从对应概率分布的随机矩形块Rk(xk,yk,wk,hk,wek),(k＝1,2,…,Pi)，并对其权重wek赋值。
步骤二、对每帧图像进行分块化处理并提取降维Haar特征。本发明中对运动目标的检测是建立在对图像局部信息的描述基础上的，因此在检测前需要对每帧图像进行分块化处理，并提取其降维Haar特征描述其局部特征。具体分为三个过程：
(1)提取序列图像中相邻两帧图像fi和，差分并二值化获得二值图D，从每帧图像左上角开始，横向和纵向每隔固定的步长像素取W×H大小的图像块，对于包含像素在D中对应值为1的图像块，记录其位置
(2)对每一个记录的图像块，参照步骤一已生成的Haar特征模板，根据图像块多处位置选取对应模板，分别求出模板中每个矩形块内像素灰度值之和，并根据每个矩形块的权重求和得到图像块的Haar特征向量。
(3)建立无向图G，其中包含与图像块相同数量的节点，节点用(ixt,ixt)标记，与图像块Bk(xk,yk)的对应关系为：
根据节点关联关系：
计算所有节点之间的关联关系。
步骤三、进行运动目标检测。本发明中搜索移动目标的策略采用遍历和无向图结合的方法，对于序列图像中相邻两帧图像，通过计算相同位置图像块的降维Haar特征向量的广义距离判断图像块是否存在运动目标。具体包含两个步骤：
(1)提取序列图像中相邻两帧图像fi和fi+1，对于fi+1中记录的像素块Ba_i+1，分别对fi中位于相同位置的图像块Ba_i，计算两个降维Haar特征向量(Va_i,Va_i+1)的广义距离：
记录广义距离大于阈值的图像块Ba(xa,ya)。
(2)对于每个Ba(xa,ya)利用下式进行计算：
得到Ba在图G中对应的节点，对每一个与该节点相连的节点，用同样的关系式得到节点对应的图像块，计算每个图像块与Ba特征向量的广义距离，其中距离最小的图像块就是移动目标所在的图像块，从而实现对运动目标的快速、高效检测。
Claims (1)
1.一种基于可见光序列图像的低空运动目标检测方法，其特征在于步骤如下：
步骤1、对长度为n的序列图像中的每帧图像的局部特征提取降维Haar特征：将每帧fi(i＝1,2,…,n)图像分解m个大小为W×H的图像块Bi(i＝1,2,…,m)，利用N维降维Haar特征向量V描述图像块Bi，其中N为通常为10；
提取每个图像块的降维Haar特征；
所述Haar特征降维的步骤是：
在图像块B中，取Pi个随机位置和尺寸的矩形块Rk(xk,yk,wk,hk,wek),(k＝1,2,…,Pi)构成描述vi的特征模板，其中xk，yk分别表示Rk左上角在B中的横纵坐标，wk为Rk的宽度，hk为Rk的高度；
xk,yk,wk,hk满足：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
<mo><</mo>
<mi>W</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>h</mi>
<mi>k</mi>
</msub>
<mo><</mo>
<mi>H</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
wek为Rk在Vi中所占权重，定义式为：
<mrow>
<msub>
<mi>we</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<msqrt>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</msqrt>
</mfrac>
</mrow>
ck为集合{1，-1}中的随机值，根据Rk位置服从分布不同分为两类：
Rk＝[Rk′,Rk″]
上式中，R'k为非边缘图像分块，采用均匀分布对R'k的位置参数进行设定，增强R'k生成位置的随机性；
Rk″为图像中位置处于上、下、左、右四个边缘位置图像块对应的Haar特征矩形块，采用高斯分布对Rk″的位置参数进行设定，使Rk″生成位置集中在图像的边缘；
将图像边缘信息作为各图像块的主要特征，具体设定方法如下：
对位于图像左边缘的图像块Bi，其中Haar特征矩形块Rk左″，设定其位置参数中xk左″服从高斯分布N(0,1)，yk左″服从均匀分布，矩形块集中于图像块左侧边缘；
由此类推Rk上″的xk上″服从均匀分布，yk上″高斯分布N(0,1)；Rk下″的xk下″服从均匀分布，yk下″高斯分布N(H,1)；Rk右″的xk右″服从高斯分布N(W,1)，yk右″均匀分布；
图像特征向量的第i维特征vi'和vi”：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</munderover>
<mrow>
<msup>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>&times;</mo>
<msup>
<msub>
<mi>we</mi>
<mi>k</mi>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</mstyle>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</munderover>
<mrow>
<msup>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>&times;</mo>
<msup>
<msub>
<mi>we</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
</mrow>
</mstyle>
</mtd>
</mtr>
</mtable>
</mfenced>
式中，Sk′和Sk″为矩形块Rk′和Rk″中各像素灰度值的总和；
步骤2、采用无向图搜索策略，对临近帧间图像特征进行对比，实现对序列图像的运动目标检测：
建立无向图G，G中第t个节点以(ixt,ixt)标记，对应fi中的一个图像块Bk(xk,yk)，对应关系为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>W</mi>
<mo>&times;</mo>
<mo>(</mo>
<mi>i</mi>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>+</mo>
<mn>1</mn>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>H</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>iy</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
<mo>=</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
节点s和t的关联性φ(s,t)由一下关系式确定：
<mrow>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>ix</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>ix</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>iy</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>iy</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo><</mo>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中ε取值为7；
对于临近的两帧图像fi和fi+1，提取相同局域位置的图像块对(Ba_i,Ba_i+1)，计算两个图像块类Haar特征向量(Va_i,Va_i+1)的广义距离：
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>a</mi>
<mo>_</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>a</mi>
<mo>_</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>v</mi>
<mrow>
<mi>a</mi>
<mo>_</mo>
<mi>i</mi>
</mrow>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>v</mi>
<mrow>
<mi>a</mi>
<mo>_</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>a</mi>
<mo>_</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>a</mi>
<mo>_</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
如果dist(va_i,va_i+1)大于最小容错误差∈，则认为该图像块对应区域存在运动目标；在图G中找出所有与Ba对应的节点相连的节点，对每一个节点所对应的图像块Bb，计算其类Haar特征值与Ba特征值的广义距离dist(va_i,va_i+1)，距离最小的图像块为Ba移动后的图像块位置，即动目标位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710563985.2A CN107507190B (zh) | 2017-07-12 | 2017-07-12 | 一种基于可见光序列图像的低空运动目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710563985.2A CN107507190B (zh) | 2017-07-12 | 2017-07-12 | 一种基于可见光序列图像的低空运动目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107507190A true CN107507190A (zh) | 2017-12-22 |
| CN107507190B CN107507190B (zh) | 2020-02-14 |
Family
ID=60679693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710563985.2A Active CN107507190B (zh) | 2017-07-12 | 2017-07-12 | 一种基于可见光序列图像的低空运动目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107507190B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108140245A (zh) * | 2017-12-25 | 2018-06-08 | 深圳市道通智能航空技术有限公司 | 测距方法、装置以及无人机 |
| CN110910421A (zh) * | 2019-11-11 | 2020-03-24 | 西北工业大学 | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 |
| CN112101071A (zh) * | 2019-06-18 | 2020-12-18 | 富士通株式会社 | 停车检测方法、停车检测装置和电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520892A (zh) * | 2009-03-17 | 2009-09-02 | 西北工业大学 | 可见光图像中弱小目标的检测方法 |
| CN106920255A (zh) * | 2015-12-24 | 2017-07-04 | 航天信息股份有限公司 | 一种针对图像序列的运动目标提取方法及装置 |
-
2017
- 2017-07-12 CN CN201710563985.2A patent/CN107507190B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520892A (zh) * | 2009-03-17 | 2009-09-02 | 西北工业大学 | 可见光图像中弱小目标的检测方法 |
| CN106920255A (zh) * | 2015-12-24 | 2017-07-04 | 航天信息股份有限公司 | 一种针对图像序列的运动目标提取方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108140245A (zh) * | 2017-12-25 | 2018-06-08 | 深圳市道通智能航空技术有限公司 | 测距方法、装置以及无人机 |
| CN112101071A (zh) * | 2019-06-18 | 2020-12-18 | 富士通株式会社 | 停车检测方法、停车检测装置和电子设备 |
| CN110910421A (zh) * | 2019-11-11 | 2020-03-24 | 西北工业大学 | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107507190B (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Asha et al. | Vehicle counting for traffic management system using YOLO and correlation filter | |
| CN108446617B (zh) | 抗侧脸干扰的人脸快速检测方法 | |
| Basalamah et al. | Scale driven convolutional neural network model for people counting and localization in crowd scenes | |
| El Amin et al. | Zoom out CNNs features for optical remote sensing change detection | |
| CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
| CN109635694B (zh) | 一种行人检测方法、装置、设备及计算机可读存储介质 | |
| CN109816695A (zh) | 一种复杂背景下的红外小型无人机目标检测与跟踪方法 | |
| CN107145889A (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
| CN105005760B (zh) | 一种基于有限混合模型的行人再识别方法 | |
| CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
| CN110991444A (zh) | 面向复杂场景的车牌识别方法及装置 | |
| CN107369158A (zh) | 基于rgb‑d图像的室内场景布局估计及目标区域提取方法 | |
| CN116052026B (zh) | 一种无人机航拍图像目标检测方法、系统及存储介质 | |
| CN104766065A (zh) | 基于多视角学习的鲁棒性前景检测方法 | |
| CN107507190A (zh) | 一种基于可见光序列图像的低空运动目标检测方法 | |
| CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
| CN111553227A (zh) | 基于任务指导的轻量级人脸检测方法 | |
| Joseph et al. | Systematic advancement of YOLO object detector for real-time detection of objects | |
| Qiao et al. | Vision-based vehicle detection and distance estimation | |
| CN102156879B (zh) | 基于加权陆地运动距离的人体目标匹配方法 | |
| CN116935296A (zh) | 基于多任务深度学习的果园环境场景检测方法及终端 | |
| CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
| Liang et al. | Automatic Pavement Crack Detection in Multisource Fusion Images Using Similarity and Difference Features | |
| Li et al. | CDMY: A lightweight object detection model based on coordinate attention | |
| CN108009272A (zh) | 一种基于有向带权图的低空运动目标搜索方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |