CN110910421B - 基于分块表征和可变邻域聚类的弱小运动目标检测方法 - Google Patents
基于分块表征和可变邻域聚类的弱小运动目标检测方法 Download PDFInfo
- Publication number
- CN110910421B CN110910421B CN201911094502.4A CN201911094502A CN110910421B CN 110910421 B CN110910421 B CN 110910421B CN 201911094502 A CN201911094502 A CN 201911094502A CN 110910421 B CN110910421 B CN 110910421B
- Authority
- CN
- China
- Prior art keywords
- block
- image
- blocks
- clustering
- neighborhood
- 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
Links
Images
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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分块表征和可变邻域聚类的弱小运动目标检测方法,用于解决现有弱小运动目标检测方法检测精度低的技术问题。技术方案是在运用图像分块化处理的基础上,获得各分块的类Haar特征向量和前后帧各分块的移动方向,提取潜在运动分块。以潜在运动分块中心像素作为聚类中心,计算可变邻域内各像素与聚类中心的特征距离,结合RANSAC算法自适应确定距离阈值,将特征距离低于阈值的像素进行聚类,从而得到完整运动目标,最终实现序列图像中弱小运动目标的精确检测。本发明通过判断前后帧分块移动方向,对剩余分块运用可变邻域特征聚类,获得所属分块的完整目标形态表征,抑制背景噪声,提高了准确捕获弱小运动目标的检测精度。
Description
技术领域
本发明涉及一种弱小运动目标检测方法,特别涉及一种基于分块表征和可变邻域聚类的弱小运动目标检测方法。
背景技术
弱小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,其在军事和民用领域中的应用得到了研究人员的广泛关注,也是低空目标安全与防护任务的关键技术之一。运动目标检测多是基于底层视频信息的检测,是指从图像序列中将前景变化区域从背景图像中提取出来。伴随着小型无人机技术的快速发展,无人机在军用、民用方面都展现了巨大价值,随之而来的针对小型无人机的监控技术也具有十分重大的实际意义,因此如何实现弱小动目标检测成为研究热点之一。
文献“Liu Jing,et al.(《Small target detection combining regionalstability and saliency in a color image》,Multimedia Tools and Applications,2017,76(13):14781-14798.)”公开了一种基于显著性和稳定性的特征提取的算法。该算法首先提出将小目标检测作为一个稳定的区域提取问题,应用了几个稳定性准则来生成一个由顺序布尔图派生的局部稳定区域的稳定性图。其次,考虑小目标与其周围环境的局部对比度,通过将每个像素的颜色向量与其高斯模糊后的颜色向量进行比较,得到显著性图。最后,将稳定性和显著性映射以像素乘的方式集成,以消除虚警率。该方法虽然能消除大部分背景噪声的干扰,但是在存在两个及以上弱小运动目标的数据集中,仅能完成一个目标的较完整检测,漏检率极高。同时,在相机抖动及背景光线变化的图像序列中,该方法检测到背景噪声很大,误检率很高,检测小目标的精度较低。
发明内容
为了克服现有弱小运动目标检测方法检测精度低的不足,本发明提供一种基于分块表征和可变邻域聚类的弱小运动目标检测方法。该方法在运用图像分块化处理的基础上,获得各分块的类Haar特征向量和前后帧各分块的移动方向,提取潜在运动分块。以潜在运动分块中心像素作为聚类中心,计算可变邻域内各像素与聚类中心的特征距离,结合RANSAC算法自适应确定距离阈值,将特征距离低于阈值的像素进行聚类,从而得到完整运动目标,最终实现序列图像中弱小运动目标的精确检测。本发明通过对视频帧图像建立分块类Haar特征表示,判断前后帧分块移动方向,滤除背景移动方向。对剩余分块运用可变邻域特征聚类,获得所属分块的完整目标形态表征,最后运用前后帧颜色特征比较,抑制了背景噪声,准确捕获运动目标,目标轮廓清晰,提高了弱小运动目标检测精度。
本发明解决其技术问题所采用的技术方案:一种基于分块表征和可变邻域聚类的弱小运动目标检测方法,其特点是包括以下步骤:
步骤一、对图像序列进行分块化处理。设序列图像F,帧长度为n,其中第i帧以fi表示,其中i=1,2,…,n。设置分块块间步长为stepx和stepy,即x,y方向上各分块间隔的像素点。以图片左上角为原点,x方向为水平方向,y方向为竖直方向,第一个分块B1左上角坐标为(1,1),依步长将整幅图像第i帧fi划分为m个大小为W×H的图像块Bj,j=1,2,...,m。其中,分块大小W与H相等,分块步长stepx与stepy相等。
步骤二、对每个分块提取降维类Haar特征。对第i帧fi中每个分块提取降维类Haar特征。利用T维降维类Haar特征向量V描述图像块Bj,其中T取值为10。
在预先设定的常整数L与R之间取N个随机整数Pr,k=1,...,N,其中L、R取值范围为10以内的整数。特征向量V的第t维特征值vt由Pr个矩形块的灰度值加权总和计算得到。
在图像块Bj中,随机取个矩形块Rk(xk,yk,wk,hk,wek),k=1,2,...,Pr构成描述vt的特征模板,其中xk,yk分别表示Bj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位置服从分布不同分为两类:
Rk=[R'k,R″k]
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。对位于图像左边缘的图像块Bj,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;
由此以图像特征向量V的第t维特征v′t和v″t:
式中,Sk′和Sk″为矩形块Rk′和Rk″中各像素灰度值的总和。
步骤三、根据步骤一和步骤二得到的fi帧图像各分块类Haar特征表示,对比与当前帧fi间隔K帧的fi-K中相同位置各分块类Haar特征距离,判断当前各分块移动方向。对于间隔K帧的两幅图像fi-K和fi,提取两帧中相同位置的图像分块对(Ba_i-K,Ba_i),计算两个图像块类Haar特征向量(Va_i-K,Va_i)的特征距离,其中B的下标表示在两幅图像fi-K和fi中的第a个图像块,V下标表示在两幅图像fi-K和fi中的第a个图像块的特征向量:
如果dist(Va_i-K,Va_i)小于最小容错误差ε,则认为fi-K中Ba_i-K分块未发生移动,反之,则发生移动,需判断分块的移动方向。设置当前分块Ba_i-K的邻域为其中Bbj下标bj表示Ba_i-K邻域内的第j个分块。
步骤四、设置移动方向向量MDV,移动方向向量维度为m维,即总长度为分块数m,其中MDV第a个分量的值,即第a个分块的移动方向由下式判断,其中当邻域内搜索得到的特征距离均大于最大容错误差ε,则表示当前邻域中,已无法找到移动方向,故规定该分块未发生移动。
滤除多数分块的移动方向,标记剩余移动方向的分块,将其作为潜在目标区域。将m×1维MDV向量中的各方向进行次数统计,直接滤除出现次数最多的方向,认定该方向为背景移动方向,所对应的分块不参与之后的步骤。
步骤五、取各分块中心区域像素作为聚类中心,设定聚类中心的可变邻域。滤除背景运动分块后,假设存在Z个W×H分块Bz,z=1,2,...,Z,其方向与背景移动方向不同。分别取各分块中心的三通道颜色均值[Rmean,Gmean,Bmean]T由下式计算。搜索邻域可限制在3W×3H。
搜索邻域内某点(xi,yj)与分块中心的距离由颜色特征距离与欧式距离构成。其中系数的取值为:α=1/4,β=1/(25×W×H)。其中各距离由下式计算,其中的R,G,B为三个颜色通道,mean为均值,center为中心:
运用随机抽样一致算法,提取出邻域距离矩阵distmap的平面主成分,同时计算平面所在高度。其中distmap的主体为平面,与中心距离相近,且在颜色特征距离上与中心相近的像素点数值低于平面。将低于平面所在高度的像素点一并聚类至分块中心。设各分块中心所聚像素集合分别为Clusterz,z=1,2,...,Z。
步骤六、对该邻域内像素按颜色特征进行聚类,精确检测出运动目标。计算当前帧fi所得Clusterz区域与间隔K帧的fi-K相同区域进行颜色特征对比。将Clusterz所在的位置一对一投影至fi-K帧,令投影聚类区域为Clusterz projection。按上述步骤中颜色均值计算方法获得原聚类区域与投影聚类区域的三通道颜色均值,则两区域颜色差异为当该差异超过人为设置的颜色阈值ColThreshold,则确定当前帧fi中Clusterz为实际运动目标。
本发明的有益效果是:该方法在运用图像分块化处理的基础上,获得各分块的类Haar特征向量和前后帧各分块的移动方向,提取潜在运动分块。以潜在运动分块中心像素作为聚类中心,计算可变邻域内各像素与聚类中心的特征距离,结合RANSAC算法自适应确定距离阈值,将特征距离低于阈值的像素进行聚类,从而得到完整运动目标,最终实现序列图像中弱小运动目标的精确检测。本发明通过对视频帧图像建立分块类Haar特征表示,判断前后帧分块移动方向,滤除背景移动方向。对剩余分块运用可变邻域特征聚类,获得所属分块的完整目标形态表征,最后运用前后帧颜色特征比较,抑制了背景噪声,准确捕获运动目标,目标轮廓清晰,提高了弱小运动目标检测精度。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明基于分块表征和可变邻域聚类的弱小运动目标检测方法的流程图。
图2是本发明方法检测结果对比图。
图3是本发明方法中分块各参数示意图。
图4是本发明方法中给定参数(其中,W、H均为4,stepx、stepy均为2)后的邻域示意图。
图5是本发明方法中可变邻域特征距离distmap示意图。
具体实施方式
参照图1-5。本发明基于分块表征和可变邻域聚类的弱小运动目标检测方法具体步骤如下:
步骤1:对每帧图像进行分块处理;步骤2:设计降维类Haar特征,运用类Haar特征构建每帧图像各分块的特征表征;步骤3:根据fi帧图像各分块类Haar特征表征,对比与当前帧fi间隔K帧的fi-K中相同位置各分块类Haar特征距离;步骤4:计算当前帧fi各分块移动方向,剔除多数移动方向,将剩余分块作为潜在目标区域;步骤5:取各分块中心区域像素作为聚类中心,设定聚类中心的可变邻域,对该邻域内像素按颜色特征计算各像素距离聚类中心的距离,运用RANSAC算法实现像素的聚类,提取出潜在目标区域;步骤6:将潜在目标区域进行前后帧相同位置颜色特征对比,确定弱小运动目标的完整形态,实现对可见光图像中弱小运动目标的精确检测。
步骤一、对每帧图像进行分块处理。
将序列图像F的各帧由fi(i=1,2,…,n)表示。以其中第i帧fi为例,以步长stepx、stepy(x,y方向上间隔的像素点)连续划分若干图像块,以图片左上角为原点,x方向为水平方向,y方向为竖直方向,第一个分块B1左上角坐标为(1,1),依步长将整幅图像fi划分为m个大小为W×H的图像块Bj(j=1,2,...,m)。为保证分块的一致性,分块大小W与H相等,分块步长stepx与stepy相等,从而方便后续步骤中各分块移动方向的运算。
步骤二、分块类Haar特征表示。
第i帧fi完成分块后,将每个分块由降维Haar特征向量表示。利用T维降维类Haar特征向量V描述图像块Bj,其中T值根据分块像素大小进行确定,本实施例设定为10。
在预先设定的常整数L与R之间取N个随机整数Pr(k=1,...,N),其中L、R取值范围为10以内的整数。特征向量V的第t维特征值vt可由Pr个矩形块的灰度值加权总和计算得到。
在图像块Bj中,随机取个矩形块Rk(xk,yk,wk,hk,wek),(k=1,2,...,Pr)构成描述vt的特征模板,其中xk,yk分别表示Bj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=[R'k,R″k]
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Bj,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V的第t维特征vt′和vt″:
式中,Sk′和Sk″为矩形块Rk′和Rk″中各像素灰度值的总和。
步骤三、分块运动方向确定。
根据步骤一和步骤二得到的fi帧图像各分块类Haar特征表示,对比与当前帧fi间隔K帧的fi-K中相同位置各分块类Haar特征距离,判断当前各分块移动方向。对于间隔K帧的两幅图像fi-K和fi,提取两帧中相同位置的图像分块对(Ba_i-K,Ba_i),计算两个图像块类Haar特征向量(Va_i-K,Va_i)的特征距离,其中B的下标表示在两幅图像fi-K和fi中的第a个图像块,V下标表示在两幅图像fi-K和fi中的第a个图像块的特征向量:
如果dist(Va_i-K,Va_i)小于最小容错误差ε,则认为fi-K中Ba_i-K分块未发生移动,反之,则发生移动,需判断分块的移动方向。设置当前分块Ba_i-K的邻域为其中Bbj下标bj表示Ba_i-K邻域内的第j个分块。
步骤四、背景分块剔除。
计算当前各分块移动方向,并将多数分块的相同移动方向滤除,只保留剩余移动方向的分块。设置移动方向向量Moving Direction Vector(MDV),其中MDV第a个分量的值,即第a个分块的移动方向,可由下式判断,其中当邻域内搜索得到的特征距离均大于最大容错误差ε,则表示当前邻域中,已无法找到移动方向,故规定该分块未发生移动。
在完成MDV向量各元素的填充后,需要对向量中出现的各方向进行次数统计,滤除最多出现次数的方向,认定该方向为背景移动方向。移动分块的方向与背景移动方向相同的分块不参与后续步骤。
步骤五、可变邻域特征聚类。
在完成背景移动分块的滤除后,需进行移动分块可变邻域特征聚类。假设存在Z个W×H分块Bz(z=1,2,...,Z),其方向与背景移动方向不同。分别取各分块中心的三通道颜色均值[Rmean,Gmean,Bmean]T由下式计算。如W、H均为4,则分块中心像素大小为2×2。搜索邻域可根据目标的大小进行限制,一般需保持邻域以分块为中心,搜索邻域可限制在3W×3H,即12×12像素范围内。
搜索邻域内某点(xi,yj)与分块中心的距离由颜色特征距离与欧式距离构成。其中颜色特征距离与欧式距离由下式计算,系数α取值由运动目标与背景的颜色差异程度决定,此处取α=1/4,系数β取值由目标大小决定,此处取β=1/(25×W×H),其中的R,G,B为三个颜色通道,mean为均值,center为中心:
完成可变邻域内各点与聚类中心的距离计算后,将邻域内各点距离由二维矩阵distmap进行展示,其中distmap的主体为平面,待聚类像素点数值低于平面。运用随机抽样一致算法(Random Sample Consensus,RANSAC),可以获得位于平面附近的像素,同时计算平面所在高度。其中distmap的主体为平面,与中心距离相近,且在颜色特征距离上与中心相近的像素点数值低于平面。将低于平面所在高度的像素点一并聚类至分块中心。设各分块中心所聚像素集合分别为Clusterz,(z=1,2,...,Z)。
步骤六、弱小运动目标确认。
各Clusterz,(z=1,2,...,Z)实质为潜在目标区域,为降低环境扰动的影响,需进行聚类区域前后帧对比。计算当前帧fi所得Clusteri,(i=1,2,...,k)与间隔K帧的fi-K帧相同区域进行颜色特征对比,计算当前帧fi所得Clusterz,(z=1,2,...,Z)区域与间隔K帧的fi-K相同区域进行颜色特征对比。将Clusterz,(z=1,2,...,Z)所在的位置一对一投影至fi-K帧,令投影聚类区域为Clusterz projection。按上述步骤中颜色均值计算方法获得原聚类区域与投影聚类区域的三通道颜色均值,则两区域颜色差异为当该差异超过人为设置的颜色阈值ColThreshold,则确定当前帧fi中Clusterz,(z=1,2,...,Z)为实际运动目标。最终实现了对弱小运动目标的高效检测,极大程度降低了漏检率,抑制了背景噪声。
从最终的算法检测结果图中看出,本发明提出的针对弱小运动目标检测的方法在含有两个目标的场景中,克服了目标所含像素小、背景噪声明显的问题,最终检测得到的目标完整性好,轮廓清晰,降低了漏检率,提高了检测精度,实现了对弱小运动目标的精确检测。
Claims (1)
1.一种基于分块表征和可变邻域聚类的弱小运动目标检测方法,其特征在于包括以下步骤:
步骤一、对图像序列进行分块化处理;设序列图像为F,帧长度为n,其中第i帧以fi表示,其中i=1,2,…,n;设置分块块间步长为stepx和stepy,即x,y方向上各分块间隔的像素点;以图片左上角为原点,x方向为水平方向,y方向为竖直方向,第一个分块B1左上角坐标为(1,1),依步长将整幅图像第i帧fi划分为m个大小为W×H的图像块Bj,j=1,2,...,m;其中,分块大小W与H相等,分块步长stepx与stepy相等;
步骤二、对每个分块提取降维类Haar特征;对第i帧fi中每个分块提取降维类Haar特征;利用T维降维类Haar特征向量V描述图像块Bj,其中T取值为10;
在预先设定的常整数L与R之间取N个随机整数Pr,r=1,...,N,其中L、R取值范围为10以内的整数;特征向量V的第t维特征值vt由Pr个矩形块的灰度值加权总和计算得到;
在图像块Bj中,随机取Pr个矩形块Rk(xk,yk,wk,hk,wek),k=1,2,...,Pr构成描述vt的特征模板,其中xk,yk分别表示Bj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vt中所占权重,定义式为:
ck取值为{1,-1}中的随机值;
根据Rk位置服从分布不同分为两类:
Rk=[R'k,R'k']
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运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;对位于图像左边缘的图像块Bj,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″服从高斯分布N(0,1);Rk下″的xk下″服从均匀分布,yk下″服从高斯分布N(H,1);Rk右″的xk右″服从高斯分布N(W,1),yk右″服从均匀分布;
由此可以得到:
式中,Sk′和Sk″为矩形块Rk′和Rk″中各像素灰度值的总和;
步骤三、根据步骤一和步骤二得到的fi帧图像各分块类Haar特征表示,对比与当前帧fi间隔K帧的fi-K中相同位置各分块类Haar特征距离,判断当前各分块移动方向;对于间隔K帧的两幅图像fi-K和fi,提取两帧中相同位置的图像分块对(Ba_i-K,Ba_i),计算两个图像块类Haar特征向量(Va_i-K,Va_i)的特征距离,其中B的下标表示在两幅图像fi-K和fi中的第a个图像块,V下标表示在两幅图像fi-K和fi中的第a个图像块的特征向量:
如果dist(Va_i-K,Va_i)小于最大容错误差ε,则认为fi-K中Ba_i-K分块未发生移动,反之,则发生移动,需判断分块的移动方向;设置当前分块Ba_i-K的邻域为其中Bbj下标bj表示Ba_i-K邻域内的第j个分块;
步骤四、设置移动方向向量MDV,移动方向向量维度为m维,即总长度为分块数m,其中MDV第a个分量的值,即第a个分块的移动方向由下式判断,其中当邻域内搜索得到的特征距离均大于最大容错误差ε,则表示当前邻域中,已无法找到移动方向,故规定该分块未发生移动;
滤除多数分块的移动方向,标记剩余移动方向的分块,将其作为潜在目标区域;将m×1维MDV向量中的各方向进行次数统计,直接滤除出现次数最多的方向,认定该方向为背景移动方向,所对应的分块不参与之后的步骤;
步骤五、取各分块中心区域像素作为聚类中心,设定聚类中心的可变邻域;滤除背景运动分块后,假设存在Z个W×H分块Bz,z=1,2,...,Z,其方向与背景移动方向不同;分别取各分块中心的三通道颜色均值[Rmean,Gmean,Bmean]T由下式计算;搜索邻域可限制在3W×3H;
搜索邻域内某像素点(xpi,ypj)与分块中心的距离由颜色特征距离与欧式距离构成,其中系数的取值为:α=1/4,β=1/(25×W×H),其中各距离由下式计算,其中的R,G,B为三个颜色通道,mean为均值,center为中心:
运用随机抽样一致算法,提取出邻域距离矩阵distmap的平面主成分,同时计算平面所在高度;其中distmap的主体为平面,与中心距离相近,且在颜色特征距离上与中心相近的像素点数值低于平面;将低于平面所在高度的像素点一并聚类至分块中心;设各分块中心所聚像素集合分别为Clusterz,z=1,2,...,Z;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094502.4A CN110910421B (zh) | 2019-11-11 | 2019-11-11 | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094502.4A CN110910421B (zh) | 2019-11-11 | 2019-11-11 | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910421A CN110910421A (zh) | 2020-03-24 |
CN110910421B true CN110910421B (zh) | 2022-11-11 |
Family
ID=69817196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911094502.4A Active CN110910421B (zh) | 2019-11-11 | 2019-11-11 | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910421B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783590A (zh) * | 2020-06-24 | 2020-10-16 | 西北工业大学 | 一种基于度量学习的多类别小目标检测方法 |
CN111654685B (zh) * | 2020-08-06 | 2020-12-01 | 成都极米科技股份有限公司 | 移动方向检测方法、装置、投影设备及可读存储介质 |
CN112702598B (zh) * | 2020-12-03 | 2024-06-04 | 浙江智慧视频安防创新中心有限公司 | 基于位移操作进行编解码的方法、装置、电子设备及介质 |
CN112987765B (zh) * | 2021-03-05 | 2022-03-15 | 北京航空航天大学 | 一种仿猛禽注意力分配的无人机/艇精准自主起降方法 |
CN113112527B (zh) * | 2021-03-26 | 2024-01-09 | 西北工业大学 | 一种基于h264视频码流的运动小目标检测方法 |
CN116309729B (zh) * | 2023-02-20 | 2024-08-20 | 珠海视熙科技有限公司 | 目标追踪方法、装置、终端、系统及可读存储介质 |
CN116523852A (zh) * | 2023-04-13 | 2023-08-01 | 成都飞机工业(集团)有限责任公司 | 一种基于特征匹配的碳纤维复合材料的异物检测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842036B (zh) * | 2011-11-30 | 2015-07-15 | 三峡大学 | 面向船闸视频监控的智能多目标检测方法 |
JP5911719B2 (ja) * | 2011-12-20 | 2016-04-27 | 株式会社東芝 | 目標検出装置、誘導装置、目標検出方法 |
CN102663348B (zh) * | 2012-03-21 | 2013-10-16 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
KR101414045B1 (ko) * | 2013-06-24 | 2014-07-02 | 인하대학교 산학협력단 | 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법 |
CN107507190B (zh) * | 2017-07-12 | 2020-02-14 | 西北工业大学 | 一种基于可见光序列图像的低空运动目标检测方法 |
CN108009272B (zh) * | 2017-12-19 | 2021-06-11 | 西北工业大学 | 一种基于有向带权图的低空运动目标搜索方法 |
CN107992875B (zh) * | 2017-12-25 | 2018-10-26 | 北京航空航天大学 | 一种基于图像带通滤波的显著目标检测方法 |
CN109102520A (zh) * | 2018-05-31 | 2018-12-28 | 湖北工业大学 | 基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法 |
CN109389593A (zh) * | 2018-09-30 | 2019-02-26 | 内蒙古科技大学 | 一种红外图像小目标的检测方法、装置、介质及设备 |
CN110415208B (zh) * | 2019-06-10 | 2023-10-17 | 西安电子科技大学 | 一种自适应目标检测方法及其装置、设备、存储介质 |
-
2019
- 2019-11-11 CN CN201911094502.4A patent/CN110910421B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110910421A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910421B (zh) | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
CN101470809B (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
CN106780560B (zh) | 一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法 | |
CN105809716B (zh) | 融合超像素与三维自组织背景减除法的前景提取方法 | |
CN110930411B (zh) | 一种基于深度相机的人体分割方法及系统 | |
CN107341815B (zh) | 基于多目立体视觉场景流的剧烈运动检测方法 | |
CN112364865B (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN110276785A (zh) | 一种抗遮挡红外目标跟踪方法 | |
CN107578424B (zh) | 一种基于时空分类的动态背景差分检测方法、系统及装置 | |
CN112669280B (zh) | 一种基于lsd算法的无人机倾斜航拍直角像控点目标检测方法 | |
CN111046843A (zh) | 一种智能驾驶环境下的单目测距方法 | |
CN112613565B (zh) | 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法 | |
CN105740751A (zh) | 一种目标检测与识别的方法和系统 | |
CN110827262A (zh) | 一种基于连续有限帧红外图像的弱小目标检测方法 | |
CN107507190B (zh) | 一种基于可见光序列图像的低空运动目标检测方法 | |
CN106952301B (zh) | 一种rgb-d图像显著性计算方法 | |
CN107564029B (zh) | 基于高斯极值滤波和群稀疏rpca的运动目标检测方法 | |
CN113284232B (zh) | 一种基于四叉树的光流跟踪方法 | |
CN110322474B (zh) | 一种基于无人机平台的图像动目标实时检测方法 | |
CN113658223A (zh) | 一种基于深度学习的多行人检测与跟踪方法及系统 | |
CN113850835A (zh) | 一种野外大视场下近实时运动目标检测方法和系统 | |
CN104680551B (zh) | 一种基于肤色检测的跟踪方法及装置 |
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 |