CN108154520B - 一种基于光流与帧间匹配的运动目标检测方法 - Google Patents

一种基于光流与帧间匹配的运动目标检测方法 Download PDF

Info

Publication number
CN108154520B
CN108154520B CN201711441821.9A CN201711441821A CN108154520B CN 108154520 B CN108154520 B CN 108154520B CN 201711441821 A CN201711441821 A CN 201711441821A CN 108154520 B CN108154520 B CN 108154520B
Authority
CN
China
Prior art keywords
field pictures
moving
areas
matching
optical flow
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.)
Active
Application number
CN201711441821.9A
Other languages
English (en)
Other versions
CN108154520A (zh
Inventor
张弘
李今
杨帆
杨一帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201711441821.9A priority Critical patent/CN108154520B/zh
Publication of CN108154520A publication Critical patent/CN108154520A/zh
Application granted granted Critical
Publication of CN108154520B publication Critical patent/CN108154520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-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
    • G06T7/11—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]

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光流与帧间匹配的运动目标检测方法，预处理两帧图像，粗校准两帧图像，计算得到整体环境偏移分量；计算两帧图像的光流场；减去整体环境偏移分量，得到光流场运动幅度；将光流场运动幅度阈值化，得到去除整体环境偏移分量的运动目标区域和非运动区域；精配准两帧图像，并计算前一帧图像到后一帧图像的透视变换矩阵；利用透视变换矩阵将前一帧图像变换到后一帧图像的坐标系下；对得到的两帧图像进行差分，对差分得到的结果进行阈值分割，并使用形态学运算滤除噪声，得到多个连续运动目标区域；对多个连续运动目标区域聚类，得到区域的中心坐标；将中心坐标之间距离小于设定阈值的连续运动目标区域合并输出，得到检测到的运动目标。

Description

一种基于光流与帧间匹配的运动目标检测方法
技术领域
本发明涉及一种基于光流与帧间匹配的运动目标检测方法，适用于高清图像复杂场景下运动目标检测领域。
背景技术
目标检测技术是数字图像处理与人工智能领域一项重要技术，其致力于从复杂的背景中分割出候选目标，以便进行进一步的跟踪、识别等处理。目标检测就是要在背景中定位出感兴趣目标的位置及尺寸。针对目标运动情况，可分为静目标检测与动目标检测两大类。
动目标检测的常用方法有：帧间差分、背景差分及运动分割等。帧间差分利用帧间的变化实现检测，常用方法有两帧或三帧差分方法。背景差分法使用背景图或通过模型重构背景，与当前帧差分得到运动目标区域，常用方法为混合高斯模型背景建模方法。运动分割方法主要使用光流提取运动矢量，并进行分割。面向动态背景的方法主要是先匹配后差分的方法。通过匹配得到背景间的运动关系，通常使用相位相关方法或特征匹配的算法来实现。
但上述已有方法存在的缺点主要体现在：
(1)对于帧间差分方法，在运动目标位移较小时，帧间差分无法分割出目标。帧间差分方法无法应对背景同时运动的问题，无法将背景与目标隔离。
(2)背景差分方法都无法应对背景运动问题，在背景持续运动时，背景差分方法无法成功构建背景模型，使得差分无法进行。预先存储背景的方法在动态背景下也无法使用。
(3)运动分割方法的缺陷在于：光流的计算中会包含较多的噪声，在进行光流的分割时难以将噪声与目标准确地区分开来，导致算法的误警率较高。
(4)先匹配后差分的方法缺陷在于：相位相关方法考虑全局的整体偏移，但精度较低，也无法应对旋转、缩放等变化，特征点匹配法不对背景前景进行区分，如果前景的特征点比例较大，则其匹配得到的不再是背景的变换模型，影响最终的结果。
发明内容
本发明解决的技术问题是：针对复杂场景中运动目标的检测，提供一种基于光流与帧间匹配的方法，结合运动分割方法与先匹配后差分的方法，提升目标检测的精度与准确度。
本发明的技术解决方案为：一种基于光流与帧间匹配的运动目标检测方法，其特点在于步骤如下：
(1)预处理输入的两帧图像；
(2)粗校准两帧图像，计算得到整体环境偏移分量；
(3)计算所述两帧图像的光流场；
(4)利用光流场减去整体环境偏移分量，得到光流场运动幅度；
(5)利用设定阈值将光流场运动幅度阈值化，得到去除整体环境偏移分量的运动目标区域和非运动区域；
(6)精配准两帧图像，并计算前一帧图像到后一帧图像的透视变换矩阵；
(7)利用透视变换矩阵将前一帧图像变换到后一帧图像的坐标系下；
(8)对步骤(7)处理得到的两帧图像进行差分，对差分得到的结果进行阈值分割，并使用形态学运算滤除噪声，得到多个连续运动目标区域；
(9)对多个连续运动目标区域聚类，得到区域的中心坐标；
(10)将中心坐标之间距离小于设定阈值的连续运动目标区域合并输出，得到检测到的运动目标。
在步骤(1)中所述两帧图像若为彩色图像，进行灰度化处理。
在步骤(2)中使用相位相关法粗校准所述两帧图像，得到整体的环境偏移分量，包括以下步骤：
(1)对两幅图像进行傅里叶变换；
(2)计算两幅图像傅里叶变换的互功率谱；
(3)对互功率谱计算傅里叶反变换；
(4)找到傅里叶反变换尖峰，得到两幅图像间粗匹配的结果，作为整体的环境偏移分量。
在步骤(3)中使用Farneback稠密光流算法计算所述两帧图像的光流场，或光流算法根据任务需要进行更换。
在步骤(5)中，得到所述运动目标区域和非运动区域的实现为：将运动幅度大于设定阈值的点作为运动目标区域，小于设定阈值的作为非运动区域。
在步骤(6)中精配准两帧图像，并计算前一帧图像到后一帧图像的透视变换矩阵的实现，包括以下过程：
(1)对所述两帧图像进行改良自FAST算法的ORB特征点的提取，各个计算特征点的特征值，利用所述运动目标区域与非运动区域，滤除所述图像运动目标区域的特征点，保留所述图像非运动区域的特征点，对特征点的特征值使用欧氏距离进行特征匹配，选取欧式距离最小的点作为匹配点对，进而实现精匹配，ORB特征可根据需要更换为其他特征点检测算法；
(2)使用RANSAC算法筛匹配点对，进而得到前一帧到后一帧背景部分的透视变换矩阵。
在步骤(9)中利用广度优先区域生长算法对多个连续运动目标区域聚类。
本发明与现有技术相比的优点在于：
(1)本发明使用了基于光流与帧间匹配的方法，有效结合了运动分割及先匹配后差分的方法，结合高精度的特征点匹配方法，解决了传统帧间差分方法无法应对动态背景的问题。同时与运动分割方法相比，其不直接利用光流进行处理，不受到其背景噪声的影响。与先匹配后差分的方法相比，其匹配精度高，且在处理点时排除了前景上的特征点，使得计算得到的变换模型是真实可靠的背景变换模型。
(2)本方法可以适用于多种不同的特征点检测及特征值计算方法，也可适用多种不同的光流方法。可根据实际任务不同的需要选择各种不同的算法具体实现，灵活性强
附图说明
图1为本发明一种基于图像带通滤波的显著目标检测方法的流程框图；
图2为输入的原始图像；
图3为原始图像配准后的结果；
图4为匹配后差分的结果；
图5为差分结果二值化的结果；
图6为最终输出的检测结果。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
本发明方法步骤为：(1)输入两帧图像，对两帧图像进行预处理。如果原始图像为彩色图像，进行灰度化，得到灰度图像；(2)对两幅图像进行第一次粗配准。使用相位相关法进行第一次粗配准，对全局运动状况进行估计，得到整体的环境偏移分量；(3)对两幅图像进行光流计算，得到图像的光流场；(4)使用光流场减去粗配准计算得到的环境偏移分量；(5)对光流场运动幅度使用一个阈值进行阈值化，得到去除环境偏移的运动目标区域和非运动区域；(6)进行精配准，对两幅图像进行特征点提取，计算特征点的特征值，并滤除运动目标区域的特征点，仅保留背景区域的特征点，对特征点进行特征匹配，并计算前一帧到后一帧透视变换矩阵；(7)使用得到的透视变换矩阵将前一帧变换到后一帧的坐标系下；(8)将配准后的两帧图像进行差分，对差分结果进行阈值分割，并使用形态学开运算滤除噪声，得到检测到的运动区域；(9)对每个连续的运动区域进行聚类，得到各个连续区域的中心坐标；(10)将中心距离小于一定值的运动区域合并并输出最终的结果。
以一套动目标检测软件为例详细说明，其输入图像分辨率为1280x720，RGB彩色图像。
如图1所示，本发明具体实现如下：
(1)输入两帧图像，两帧图像间隔2帧，对两帧图像进行预处理。对图像进行灰度化，得到灰度图像，记为fn与fn+2。其中一帧图像如图2所示。
(2)对两幅图像进行第一次粗配准。使用相位相关法进行第一次粗配准，对全局运动状况进行估计，得到整体的偏移分量。
假设fn+2是fn平移(x0,y0)得到的，即fn+2(x,y)＝fn(x+x0,y+y0)，根据傅里叶变换的平移特性，fn与fn+2的傅里叶变换结果可表示为：
Fn+2(u,v)＝exp(-2jπ(u×x0+v×y0))Fn(u,v)
式中Fn(u,v)为fn的傅里叶变换结果，Fn+2(u,v)为fn+2的傅里叶变换结果，j为虚数单位，(u,v)是傅里叶变换后坐标系中的坐标。
其中exp(-2jπ(u×x0+v×y0))可表示为两幅图像的互功率谱：
式中Fn+2 *(u,v)是Fn+2(u,v)的共轭。
因此对互功率谱进行傅里叶反变换即可在(x0,y0)点得到一个尖峰。只需找到这个尖峰，即可得到两幅图像间粗匹配的结果。将此作为图像整体的偏移分量。整个过程步骤如下：
1)对两幅图像进行傅里叶变换；
2)计算两幅图像傅里叶变换的互功率谱；
3)对互功率谱计算傅里叶反变换；
4)找到傅里叶反变换的尖峰位置，得到两幅图像间粗匹配的结果，作为整体的环境偏移分量。
(3)对两幅图像进行Farneback稠密光流计算，得到图像的光流场d(x)。
对于图像在某个邻域内可以进行多项式展开：
式中x′是相对该邻域原点的坐标，A1,A2,b1,b2,c1,c2为多项式展开得到的常数,d为该点的光流矢量。
可以得到：
A1＝A2
b2＝b1-2A1d
c2＝c1
由此可解得：
可进行以下简化：
A，Δb为计算中间变量，可得到方程：
Ad＝Δb
结合光流在邻域内应稳定的先验知识，得到以下结果：
ω为邻域内的权重因子，x为相对图像原点的坐标，d(x)为图像x位置的光流矢量。
(4)使用光流场减去粗配准计算得到的偏移分量。
d′(x)＝(vx(x),vy(x))＝d(x)-(x0,y0)
d′(x)为在x位置减去全局运动向量后的光流,vx(x)为x位置水平位移，vy(x)为x位置垂直位移。
(5)对光流场运动幅度使用一个阈值进行阈值化，得到去除环境偏移的运动目标区域和非运动区域。
每点的运动幅度v(x)定义如下：
将运动幅度大于5像素的点作为前景，小于5像素的作为背景。
(6)进行精配准，对两幅图像进行ORB特征点的提取，各个计算特征点的特征值。ORB特征改良自FAST算法，引入了特征点的方向，是一种极为高效的特征点及特征值提取算法。
在该步骤中，利用步骤(5)得到的运动区域与非运动区域，滤除运动目标区域的特征点，仅保留背景区域的特征点，对特征点的特征值使用欧氏距离进行特征匹配，选取欧式距离最小的点作为匹配点对。
在完成匹配后，使用RANSAC算法对匹配点对进行筛选，在RANSAC算法过程中得到前一帧到后一帧背景部分的透视变换矩阵。
(7)使用得到的透视变换矩阵将前一帧变换到后一帧的坐标系下：
u＝x×w
v＝y×w
式中[x,y]为旧坐标系下的坐标，w为固定值1，[x′,y′]为新坐标系下的坐标。[u,v,w],[u′,v′,w′]为中间参量，表示齐次坐标系下的点坐标。矩阵为透视变换矩阵，过程中使用双线性插值法进行插值。匹配结果如图3所示。
(8)将配准后的两帧图像进行差分。差分效果如图4所示。对差分结果进行阈值分割，并使用形态学开运算滤除噪声，得到检测到的二值运动区域。检测到的二值运动区域如图5所示。
(9)将二值运动区域结果进行聚类，使用广度优先区域生长算法进行聚类。逐行扫描图像，将未被分类的且分割结果为1的点作为种子点，使用4邻域区域生长法进行广度优先搜索聚类，将聚类点标记为已分类点，并继续扫描。同时计算每个连续区域的中心位置。
(10)将中心距离小于60的运动区域合并，并输出最终的结果。最终输出结果叠加检测框后如图6所示。
图3所示的差分结果表示，经过粗配准、光流法筛选背景区域，在背景区域采集特征点进行匹配的方法，能够准确地估计图像间的变换关系，变换后结果差分后，背景区域仅包含非常弱的灰度变化，说明对背景的匹配非常成功。图6最终的检测结果显示，通过形态学滤波与区域合并，能够准确地用检测框将各个物体框出，且几乎没有误检区域。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (5)

1.一种基于光流与帧间匹配的运动目标检测方法，其特征在于包括以下步骤：
(1)预处理输入的两帧图像；
(2)粗校准两帧图像，计算得到整体环境偏移分量；
(3)计算所述两帧图像的光流场；
(4)利用光流场减去整体环境偏移分量，得到光流场运动幅度；
(5)利用设定阈值将光流场运动幅度阈值化，得到去除整体环境偏移分量的运动目标区域和非运动区域；
(6)利用在两帧图像非运动区域提取的特征点对，精配准两帧图像，并计算前一帧图像到后一帧图像的透视变换矩阵；
(7)利用透视变换矩阵将前一帧图像变换到后一帧图像的坐标系下；
(8)对步骤(7)处理得到的两帧图像进行差分，对差分得到的结果进行阈值分割，并使用形态学运算滤除噪声，得到多个连续运动目标区域；
(9)对多个连续运动目标区域聚类，得到多个连续运动目标区域的中心坐标；
(10)将中心坐标之间距离小于设定阈值的连续运动目标区域合并输出，得到检测到的运动目标；
所述在步骤(5)中，得到所述运动目标区域和非运动区域的实现为：将运动幅度大于设定阈值的点作为运动目标区域，小于设定阈值的作为非运动区域；
在步骤(6)中精配准两帧图像，并计算前一帧图像到后一帧图像的透视变换矩阵的实现，包括以下过程：
(a)对所述两帧图像进行改良自FAST算法的ORB特征点的提取，各个计算特征点的特征值，利用所述运动目标区域与非运动区域，滤除所述图像运动目标区域的特征点，保留所述图像非运动区域的特征点，对非运动区域特征点的特征值使用欧氏距离进行特征匹配，选取欧式距离最小的点作为匹配点对，进而实现精匹配；
(b)使用RANSAC算法筛选匹配点对，进而得到前一帧到后一帧背景部分的透视变换矩阵。
2.根据权利要求1所述的基于光流与帧间匹配的运动目标检测方法，其特征在于：在步骤(1)中所述两帧图像若为彩色图像，进行灰度化处理。
3.根据权利要求1所述的基于光流与帧间匹配的运动目标检测方法，其特征在于：在步骤(2)中使用相位相关法粗校准所述两帧图像，得到整体的环境偏移分量，包括以下步骤：
(a)对两帧图像进行傅里叶变换；
(b)计算两帧图像傅里叶变换的互功率谱；
(c)对互功率谱计算傅里叶反变换；
(d)找到傅里叶反变换尖峰，得到两帧图像间粗匹配的结果，作为整体的环境偏移分量。
4.根据权利要求1所述的基于光流与帧间匹配的运动目标检测方法，其特征在于：在步骤(3)中使用Farneback稠密光流算法计算所述两帧图像的光流场。
5.根据权利要求1所述的基于光流与帧间匹配的运动目标检测方法，其特征在于：在步骤(9)中利用广度优先区域生长算法对多个连续运动目标区域聚类。
CN201711441821.9A 2017-12-25 2017-12-25 一种基于光流与帧间匹配的运动目标检测方法 Active CN108154520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711441821.9A CN108154520B (zh) 2017-12-25 2017-12-25 一种基于光流与帧间匹配的运动目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711441821.9A CN108154520B (zh) 2017-12-25 2017-12-25 一种基于光流与帧间匹配的运动目标检测方法

Publications (2)

Publication Number Publication Date
CN108154520A CN108154520A (zh) 2018-06-12
CN108154520B true CN108154520B (zh) 2019-01-08

Family

ID=62463084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711441821.9A Active CN108154520B (zh) 2017-12-25 2017-12-25 一种基于光流与帧间匹配的运动目标检测方法

Country Status (1)

Country Link
CN (1) CN108154520B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166106B (zh) * 2018-08-02 2021-07-30 山东大学 一种基于滑动窗口的目标检测位置矫正方法和装置
CN109284707B (zh) * 2018-09-12 2021-07-20 首都师范大学 动目标检测方法及装置
CN111383256B (zh) * 2018-12-29 2024-05-17 北京市商汤科技开发有限公司 图像处理方法、电子设备及计算机可读存储介质
JP7110397B2 (ja) * 2019-01-09 2022-08-01 オリンパス株式会社 画像処理装置、画像処理方法および画像処理プログラム
CN110555868A (zh) * 2019-05-31 2019-12-10 南京航空航天大学 一种复杂地面背景下运动小目标检测方法
CN110428452B (zh) * 2019-07-11 2022-03-25 北京达佳互联信息技术有限公司 非静态场景点的检测方法、装置、电子设备及存储介质
CN110991245A (zh) * 2019-11-01 2020-04-10 武汉纺织大学 一种基于深度学习与光流法的实时烟雾检测方法
CN112995529B (zh) * 2019-12-17 2022-07-26 华为技术有限公司 一种基于光流预测的成像方法和装置
CN111127515B (zh) * 2019-12-17 2024-03-22 中国科学院西北生态环境资源研究院 沙尘移动路径的预测方法、系统及电子设备
CN111179315A (zh) * 2019-12-31 2020-05-19 湖南快乐阳光互动娱乐传媒有限公司 一种视频目标区域跟踪方法和视频平面广告植入方法
CN111639658B (zh) * 2020-06-03 2023-07-21 北京维盛泰科科技有限公司 图像匹配中动态特征点检测与剔除的方法和装置
CN111899285B (zh) * 2020-07-08 2023-03-14 浙江大华技术股份有限公司 目标对象的跟踪轨迹的确定方法和装置、存储介质
CN111738211B (zh) * 2020-07-17 2023-12-19 浙江大学 基于动态背景补偿与深度学习的ptz摄像机运动目标检测与识别方法
CN114298968B (zh) * 2021-11-15 2024-03-22 河南中烟工业有限责任公司 批量运动烟支计数方法
CN116030367B (zh) * 2023-03-27 2023-06-20 山东智航智能装备有限公司 一种无人机视角动目标检测方法及装置
CN117152199B (zh) * 2023-08-30 2024-05-31 成都信息工程大学 一种动态目标运动矢量估计方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120070075A1 (en) * 2010-09-17 2012-03-22 Honeywell International Inc. Image processing based on visual attention and reduced search based generated regions of interest
CN103325112A (zh) * 2013-06-07 2013-09-25 中国民航大学 动态场景中运动目标快速检测方法
CN104156933A (zh) * 2013-05-13 2014-11-19 哈尔滨点石仿真科技有限公司 一种基于光流场的图像配准方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120070075A1 (en) * 2010-09-17 2012-03-22 Honeywell International Inc. Image processing based on visual attention and reduced search based generated regions of interest
CN104156933A (zh) * 2013-05-13 2014-11-19 哈尔滨点石仿真科技有限公司 一种基于光流场的图像配准方法
CN103325112A (zh) * 2013-06-07 2013-09-25 中国民航大学 动态场景中运动目标快速检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于背景配准的光流场算法;卢宇等;《半导体光电》;20080215;第29卷(第1期);第126-130页
动态场景下运动目标检测与跟踪算法研究;谢文辉;《中国优秀硕士论文全文数据库》;20120615;摘要，正文第23-36页

Also Published As

Publication number Publication date
CN108154520A (zh) 2018-06-12

Similar Documents

Publication Publication Date Title
CN108154520B (zh) 一种基于光流与帧间匹配的运动目标检测方法
Xuan et al. An improved canny edge detection algorithm
Kueng et al. Low-latency visual odometry using event-based feature tracks
CN109816673B (zh) 一种非极大值抑制、动态阈值计算及图像边缘检测方法
CN108022249B (zh) 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法
CN109345472A (zh) 一种复杂场景的红外运动小目标检测方法
CA2780595A1 (en) Method and multi-scale attention system for spatiotemporal change determination and object detection
CN108805904A (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN110728668B (zh) 一种小目标形态保持的空域高通滤波器
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN111738211B (zh) 基于动态背景补偿与深度学习的ptz摄像机运动目标检测与识别方法
CN108335268B (zh) 一种基于盲解卷积的彩色图像去模糊的方法
CN114757913A (zh) 一种显示屏缺陷检测方法
Zhang et al. An optical flow based moving objects detection algorithm for the UAV
CN103514587B (zh) 基于海天分界线检测的舰载稳像方法
CN109063602A (zh) 基于路径连贯性函数的星空背景下的目标跟踪方法和装置
CN111462099A (zh) 一种基于快速积分图监测的图像细胞区域定位方法
CN111161308A (zh) 一种基于关键点匹配的双波段融合目标提取方法
CN111028263A (zh) 一种基于光流颜色聚类的运动物体分割方法及其系统
CN113205494A (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统
CN115830064B (zh) 一种基于红外脉冲信号的弱小目标跟踪方法及装置
CN112613456A (zh) 一种基于多帧差分图像累积的小目标检测方法
Van Eekeren et al. Super-resolution on moving objects and background
Rout et al. A novel five-frame difference scheme for local change detection in underwater video
Zhang et al. An IR and visible image sequence automatic registration method based on optical flow

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