CN112330720A - 一种运动弱小目标的跟踪方法及装置 - Google Patents
一种运动弱小目标的跟踪方法及装置 Download PDFInfo
- Publication number
- CN112330720A CN112330720A CN202011264783.6A CN202011264783A CN112330720A CN 112330720 A CN112330720 A CN 112330720A CN 202011264783 A CN202011264783 A CN 202011264783A CN 112330720 A CN112330720 A CN 112330720A
- Authority
- CN
- China
- Prior art keywords
- target
- difference
- motion vector
- feature points
- tracking
- 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.)
- Pending
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
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Abstract
本发明涉及图像处理和光电跟踪技术领域,目的是为了解决现有光电跟踪系统难以稳定跟踪远距离低信噪比小目标的问题,提供了一种运动弱小目标的跟踪方法及装置。所述方法包括:对当前帧原始图像进行滤波处理,得到预处理差分图;计算前一帧到当前帧的目标运动向量;利用运动向量平移校正预处理差分图;将最近若干帧校正后的差分图取平均;对取平均后的差分图进行自适应分割,并寻找与上一帧目标信息最相似的点目标进行跟踪;更新当前目标信息。所述装置包括:预处理模块、运动向量计算模块、校正模块、平均差分图计算模块、跟踪模块和更新模块。
Description
技术领域
本发明涉及图像处理和光电跟踪技术领域,尤其涉及运动弱小目标的跟踪技术。
背景技术
对运动的弱小目标的跟踪一直是光电跟踪技术的一个重点与难点,在导航控制、军事防御、安防监控等领域具有极为重要的作用与价值。研究如何在受限于光电跟踪系统探测器面阵固定分辨率与灵敏度的条件下提高光电跟踪系统对运动弱小目标的极限跟踪距离,有着重大的意义。
探测器成像中,弱小目标通常与探测器实际相对距离较远,成像尺寸往往只有几个像素,目标成像几乎淹没在背景噪声与探测器热噪声中,信噪比低于3。采用传统的多帧能量累积的方法可以提高对静止弱小目标的检测跟踪能力,但实际中目标往往处于运动状态,传统多帧能量累积方法无法有效积累多帧的目标能量,导致现有光电跟踪系统难以稳定跟踪远距离的低信噪比小目标,跟踪丢失概率较高。
因此,针对以上不足,需要提供一种运动弱小目标的跟踪方法及装置。
发明内容
本发明要解决的技术问题在于现有光电跟踪系统难以稳定跟踪远距离的低信噪比小目标,跟踪丢失概率较高,针对现有技术中的缺陷,提供一种运动弱小目标的跟踪方法及装置。
为了解决上述技术问题,本发明提供了一种运动弱小目标的跟踪方法,包括:
对当前帧原始图像进行滤波处理,得到预处理差分图;
计算前一帧到当前帧的目标运动向量;
利用所述目标的运动向量平移校正所述预处理差分图,得到校正后的差分图;
按照下述公式将最近若干帧校正后的差分图取平均,得到平均差分图:
其中,F′0(x,y,tn)代表第tn帧校正后的差分图,n=1,2,……,N;
对所述平均差分图进行自适应分割,并从分割结果中寻找与上一帧目标信息最相似的点目标进行跟踪;
更新当前目标信息。
可选地,所述对当前帧原始图像进行滤波处理,得到预处理差分图包括:
所述8个方向的灰度差值表达式为:
其中,i、j表示像素的位置,δ为间隔步长;
可选地,m=5,δ取值范围为4~7。
可选地,所述邻域的大小为20像素×20像素。
可选地,所述计算前一帧到当前帧的目标运动向量包括:
在上一帧原始图像中以目标为中心的邻域内设置若干个点作为特征点{Xt-1};
利用光流算法正向追踪所述若干个特征点到当前帧原始图像,得到特征点{Xt};
利用光流算法从所述特征点{Xt}反向追踪回上一帧,得到特征点{X′t-1};
计算所述特征点{Xt-1}与所述特征点{X′t-1}之间的误差;
取误差较小的若干对特征点的中值所对应的一对特征点之间的运动向量作为目标从上一帧到当前帧的运动向量。
可选地,
所述邻域的大小为20像素×20像素;
设置的特征点的数量为100个;
取误差较小的50个特征点的中值作为目标从上一帧到当前帧的运动向量。
本发明还提供了一种运动弱小目标的跟踪装置,包括:
预处理模块,其配置成对当前帧原始图像进行滤波处理,得到预处理差分图;
运动向量计算模块,其配置成计算前一帧到当前帧的目标运动向量;
校正模块,其配置成利用所述目标的运动向量平移校正所述预处理差分图,得到校正后的差分图;
平均差分图计算模块,其配置成按照下述公式将最近若干帧校正后的差分图取平均,得到平均差分图:
其中,F′0(x,y,tn)代表第tn帧校正后的差分图,n=1,2,……,N;
跟踪模块,其配置成对所述平均差分图进行自适应分割,并从分割结果中寻找与上一帧目标信息最相似的点目标进行跟踪;和
更新模块,其配置成更新当前目标信息。
可选地,所述预处理模块包括:
所述8个方向的灰度差值表达式为:
其中,i、j表示像素的位置,δ为间隔步长;和
可选地,所述运动向量计算模块包括:
特征点设置子模块,其配置成在上一帧原始图像中以目标为中心的邻域内设置若干个点作为特征点{Xt-1};
正向追踪子模块,其配置成利用光流算法正向追踪所述若干个特征点到当前帧原始图像,得到特征点{Xt};
反向追踪子模块,其配置成利用光流算法从所述特征点{Xt}反向追踪回上一帧,得到特征点{X′t-1};
误差计算子模块,其配置成计算所述特征点{Xt-1}与所述特征点{X′t-1}之间的误差;和
运动向量计算子模块,其配置成取误差较小的若干个特征点的中值作为目标从上一帧到当前帧的运动向量。
实施本发明的,具有以下有益效果:结合目标运动信息优化多帧能量累积,分析目标运动速度与方向,从而有效累积目标多帧能量,提高了跟踪性能,解决了现有光电跟踪系统难以稳定跟踪远距离的低信噪比小目标、跟踪丢失概率较高的问题。
附图说明
图1是本发明实施例一的运动弱小目标的跟踪方法的示意性流程图;
图2是本发明实施例二的运动弱小目标的跟踪装置的结构示意图;
图3是本发明实施例二的预处理模块的结构示意图;
图4是本发明实施例二的运动向量计算模块的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1所示,本发明实施例提供的一种运动弱小目标的跟踪方法,一般性地可以包括如下步骤S1~步骤S6。
步骤S1、对当前帧原始图像进行滤波处理,得到预处理差分图。
低信噪比目标在图像中成像面积小,与背景灰度差也较小,在灰度与面积特征上与背景杂波很难区分。但背景杂波通常具有过渡的边缘,或呈现较平滑的连通域分布,而红外目标往往在图像中为孤立的点连通域,具有较为陡峭的边缘,与邻域像素并不关联。所以可以利用这种局部结构的差异区分背景杂波与目标。
首先对光电跟踪系统探测器采集的原始图像进行预处理操作,远距离弱小目标的干扰主要来源于背景杂波与热噪声的干扰,则需要对目标邻域图像进行背景建模的预处理,背景建模的目的是去除大部分背景噪声的干扰,保留并加强目标点。具体方法主要为利用背景预测算法对图像进行背景估计,再将原图像与估计出的背景图进行差分,以此获得仅有目标和少量噪声的差分图像。考虑到实时性与效果,采用改进的各向异性滤波方法进行图像预处理。
取以目标为中心的邻域像素,领域大小为20像素×20像素,利用扩散函数计算8个方向邻域像素与所述中心的灰度差值扩散函数为非负递减函数,对于差值较小像素,扩散函数值较大,则进行较多的平滑,反之进行较少的平滑,这样差分图可保留梯度变化大的区域。
8个方向的灰度差值表达式为:
其中,i、j表示像素的位置,δ为间隔步长,通常取4~7;
各向异性系数表达式为:
其中,k为常数,通常取30;
对于小目标来说,将8个方向的灰度差值全部作为向异性输入无法有效剔除背景杂波干扰,因此,本实施例对各向异性滤波处理方法进行了改进,仅取8个方向的灰度差值中较小的5个方向的灰度差值作为各向异性输入,计算各向异性系数剔除背景杂波干扰,增强目标点信号。利用逐像素进行各向异性滤波预处理,得到的预处理差分图为:
步骤S2、计算前一帧到当前帧的目标运动向量。
获取目标运动信息可以通过目标历史信息预测目标运动或图像信息分析目标运动状态。当目标运动变化难以预测时,只能通过图像自身信息去获取目标运动信息。本实施例采用基于光流的中值法获取目标运动信息。
在上一帧原始图像(即t-1时刻拍摄的图像)中以目标为中心的20像素×20像素的邻域内均匀设置100个点作为特征点{Xt-1};
利用成熟的Lucas-Kanada光流算法正向追踪100个特征点到当前帧原始图像(即t时刻拍摄的图像),得到特征点{Xt};
再次利用成熟的Lucas-Kanada光流算法从100个特征点{Xt}反向追踪回上一帧,得到特征点{X′t-1};
计算所述特征点{Xt-1}与所述特征点{X′t-1}之间的误差,所述误差可以由二者的欧氏距离来表示。例如{Xt-1}中的一个特征点经过光流算法正向追踪后得到特征点对特征点反向追踪后得到特征点那么特征点与特征点构成一对特征点,这对特征点之间存在一个由欧式距离表示的误差。
取误差较小的50对特征点,计算所述50对特征点中每一对特征点从上一帧到当前帧的运动向量,目标运动向量包含目标在两帧间的平移尺度与平移方向。将得到的50个运动向量按大小排序,然后取第25或第26个运动向量作为目标从上一帧到当前帧的运动向量。
步骤S3、利用所述目标的运动向量平移校正所述预处理差分图,得到校正后的差分图:
利用步骤S2获得的目标平移向量对步骤S1获得的预处理差分图进行平移,得到校正后的差分图。
步骤S4、按照下述公式将最近若干帧校正后的差分图取平均,得到平均差分图。
当目标处于运动状态时,传统的多帧能量累积方法不能有效累积目标能量。考虑目标在空间域的运动特性,获取目标在相邻帧内沿目标运动方向的能量累加值,即将当前帧的前四帧图像目标邻域沿目标运动向量整体平移后的校正图(即步骤S3得到的校正后的差分图)作为要与当前帧累加的图像。
其中,F′0(x,y,tn)代表第tn帧校正后的差分图,n=1,2,……,N。
融合了时空域运动特性的能量增强算法中,累积帧的总数、目标邻域半径和运动速度满足以下公式:
r>(N-1)×v
步骤S5、对所述平均差分图进行自适应分割,并从分割结果中寻找与上一帧目标信息最相似的点目标进行跟踪,所述目标信息包含位置、灰度、面积、长宽、以及形状特征等信息,寻找点目标时,要综合考虑这些信息来寻找目标;
步骤S6、更新当前目标信息,待一下帧来临时重复以上各步骤,更新方法为,用上一步骤寻找到的点目标的特征更新当前目标的位置、灰度、尺寸等特征信息。
实施例二
如图2-4所示,本发明实施例提供了一种运动弱小目标的跟踪装置,一般性地可以包括:
预处理模块1,其配置成对当前帧原始图像进行滤波处理,得到预处理差分图;
运动向量计算模块2,其配置成计算前一帧到当前帧的目标运动向量;
校正模块3,其配置成利用所述目标的运动向量平移校正所述预处理差分图,得到校正后的差分图;
平均差分图计算模块4,其配置成按照下述公式将最近若干帧校正后的差分图取平均,得到平均差分图:
其中,F′0(x,y,tn)代表第tn帧校正后的差分图,n=1,2,……,N;
跟踪模块5,其配置成对所述平均差分图进行自适应分割,并从分割结果中寻找与上一帧目标信息最相似的点目标进行跟踪;和
更新模块6,其配置成更新当前目标信息。
所述预处理模块1包括:
所述8个方向的灰度差值表达式为:
其中,i、j表示像素的位置,δ为间隔步长;和
所述运动向量计算模块2包括:
特征点设置子模块21,其配置成在上一帧原始图像中以目标为中心的邻域内设置若干个点作为特征点{Xt-1};
正向追踪子模块22,其配置成利用光流算法正向追踪所述若干个特征点到当前帧原始图像,得到特征点{Xt};
反向追踪子模块23,其配置成利用光流算法从所述特征点{Xt}反向追踪回上一帧,得到特征点{X′t-1};
误差计算子模块24,其配置成计算所述特征点{Xt-1}与所述特征点{X′t-1}之间的误差;和
运动向量计算子模块25,其配置成取误差较小的若干个特征点的中值作为目标从上一帧到当前帧的运动向量。
实施例三
本发明实施例提供了一种计算设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如本发明实施例一所述的方法。
综上所述,本发明实施例的运动弱小目标的跟踪方法、装置及计算设备,采用改进的各向异性滤波进行图像预处理,利用光流计算目标运动信息,结合运动信息完成目标能量的多帧累积,从而增强目标信噪比,抑制背景噪声,降低虚警概率,提高稳定跟踪性能。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
3.根据权利要求2所述的方法,其特征在于,m=5,δ取值范围为4~7。
4.根据权利要求2所述的方法,其特征在于,所述邻域的大小为20像素×20像素。
5.根据权利要求1所述的方法,其特征在于,所述计算前一帧到当前帧的目标运动向量包括:
在上一帧原始图像中以目标为中心的邻域内设置若干个点作为特征点{Xt-1};
利用光流算法正向追踪所述若干个特征点到当前帧原始图像,得到特征点{Xt};
利用光流算法从所述特征点{Xt}反向追踪回上一帧,得到特征点{X′t-1};
计算所述特征点{Xt-1}与所述特征点{X′t-1}之间的误差;
取误差较小的若干对特征点的中值所对应的一对特征点之间的运动向量作为目标从上一帧到当前帧的运动向量。
6.根据权利要求5所述的方法,其特征在于,
所述邻域的大小为20像素×20像素;
设置的特征点的数量为100个;
取误差较小的50个特征点的中值作为目标从上一帧到当前帧的运动向量。
9.根据权利要求7所述的装置,其特征在于,所述运动向量计算模块包括:
特征点设置子模块,其配置成在上一帧原始图像中以目标为中心的邻域内设置若干个点作为特征点{Xt-1};
正向追踪子模块,其配置成利用光流算法正向追踪所述若干个特征点到当前帧原始图像,得到特征点{Xt};
反向追踪子模块,其配置成利用光流算法从所述特征点{Xt}反向追踪回上一帧,得到特征点{X′t-1};
误差计算子模块,其配置成计算所述特征点{Xt-1}与所述特征点{X′t-1}之间的误差;和
运动向量计算子模块,其配置成取误差较小的若干个特征点的中值作为目标从上一帧到当前帧的运动向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011264783.6A CN112330720A (zh) | 2020-11-12 | 2020-11-12 | 一种运动弱小目标的跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011264783.6A CN112330720A (zh) | 2020-11-12 | 2020-11-12 | 一种运动弱小目标的跟踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330720A true CN112330720A (zh) | 2021-02-05 |
Family
ID=74318483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011264783.6A Pending CN112330720A (zh) | 2020-11-12 | 2020-11-12 | 一种运动弱小目标的跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330720A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920027A (zh) * | 2021-10-15 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于双向投影的序列图像快速增强方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270348A (zh) * | 2011-08-23 | 2011-12-07 | 中国科学院自动化研究所 | 基于视频流的对变形手势进行跟踪的方法 |
JP2012073971A (ja) * | 2010-09-30 | 2012-04-12 | Fujifilm Corp | 動画オブジェクト検出装置、方法、及びプログラム |
CN103136762A (zh) * | 2011-11-29 | 2013-06-05 | 南京理工大学常熟研究院有限公司 | 一种动态图像目标跟踪方法 |
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
CN103871079A (zh) * | 2014-03-18 | 2014-06-18 | 南京金智视讯技术有限公司 | 基于机器学习和光流的车辆跟踪方法 |
CN106204646A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于bp神经网络的多运动目标跟踪方法 |
CN106331625A (zh) * | 2016-08-30 | 2017-01-11 | 天津天地伟业数码科技有限公司 | 一种室内单个人体目标ptz跟踪方法 |
CN106485245A (zh) * | 2015-08-24 | 2017-03-08 | 南京理工大学 | 一种基于可见光和红外图像的全天候目标实时跟踪方法 |
CN106780545A (zh) * | 2016-11-25 | 2017-05-31 | 中国科学院云南天文台 | 一种结合时空域的弱小目标能量累积增强方法 |
CN109785661A (zh) * | 2019-02-01 | 2019-05-21 | 广东工业大学 | 一种基于机器学习的停车引导方法 |
CN110728700A (zh) * | 2019-09-25 | 2020-01-24 | 北京佳讯飞鸿电气股份有限公司 | 一种运动目标追踪方法、装置、计算机设备及存储介质 |
CN111652151A (zh) * | 2020-06-04 | 2020-09-11 | 北京环境特性研究所 | 一种红外弱小目标跟踪方法 |
-
2020
- 2020-11-12 CN CN202011264783.6A patent/CN112330720A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012073971A (ja) * | 2010-09-30 | 2012-04-12 | Fujifilm Corp | 動画オブジェクト検出装置、方法、及びプログラム |
CN102270348A (zh) * | 2011-08-23 | 2011-12-07 | 中国科学院自动化研究所 | 基于视频流的对变形手势进行跟踪的方法 |
CN103136762A (zh) * | 2011-11-29 | 2013-06-05 | 南京理工大学常熟研究院有限公司 | 一种动态图像目标跟踪方法 |
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
CN103871079A (zh) * | 2014-03-18 | 2014-06-18 | 南京金智视讯技术有限公司 | 基于机器学习和光流的车辆跟踪方法 |
CN106485245A (zh) * | 2015-08-24 | 2017-03-08 | 南京理工大学 | 一种基于可见光和红外图像的全天候目标实时跟踪方法 |
CN106204646A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于bp神经网络的多运动目标跟踪方法 |
CN106331625A (zh) * | 2016-08-30 | 2017-01-11 | 天津天地伟业数码科技有限公司 | 一种室内单个人体目标ptz跟踪方法 |
CN106780545A (zh) * | 2016-11-25 | 2017-05-31 | 中国科学院云南天文台 | 一种结合时空域的弱小目标能量累积增强方法 |
CN109785661A (zh) * | 2019-02-01 | 2019-05-21 | 广东工业大学 | 一种基于机器学习的停车引导方法 |
CN110728700A (zh) * | 2019-09-25 | 2020-01-24 | 北京佳讯飞鸿电气股份有限公司 | 一种运动目标追踪方法、装置、计算机设备及存储介质 |
CN111652151A (zh) * | 2020-06-04 | 2020-09-11 | 北京环境特性研究所 | 一种红外弱小目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
JEONGHO SHIN等: "Optical flow-based real-time object tracking using non-prior training active feature model", 《REAL-TIME IMAGING》 * |
XIANGSUO FAN等: "Dim small targets detection based on self-adaptive caliber temporal-spatial filtering", 《INFRARED PHYSICS & TECHNOLOGY》 * |
张腾: "红外小型运动目标检测与跟踪及DSP实时实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
樊香所: "序列图像弱小目标检测与跟踪算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920027A (zh) * | 2021-10-15 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于双向投影的序列图像快速增强方法 |
CN113920027B (zh) * | 2021-10-15 | 2023-06-13 | 中国科学院光电技术研究所 | 一种基于双向投影的序列图像快速增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1995691B1 (en) | Method and apparatus for segmenting a motion area | |
CN109816641B (zh) | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 | |
Kokaram et al. | Detection of missing data in image sequences | |
Amiaz et al. | Coarse to over-fine optical flow estimation | |
JP5890547B2 (ja) | 画像処理装置 | |
CN109584282B (zh) | 一种基于sift特征与光流模型的非刚性图像配准方法 | |
GB2242299A (en) | Knowledge and model based adaptive signal processor | |
US7756295B2 (en) | Change region detection device and change region detecting method | |
JP5107409B2 (ja) | 動き領域の非線形スムージングを用いた動き検出方法およびフィルタリング方法 | |
CN108830808B (zh) | 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 | |
CN110400294B (zh) | 一种红外目标探测系统及探测方法 | |
CN108270945B (zh) | 一种运动补偿去噪方法及装置 | |
Yang et al. | Variance WIE based infrared images processing | |
CN112330720A (zh) | 一种运动弱小目标的跟踪方法及装置 | |
US20090167958A1 (en) | System and method of motion vector estimation using content associativity | |
Zhao et al. | Complex background suppression based on fusion of morphological open filter and nucleus similar pixels bilateral filter | |
US20200265557A1 (en) | Motion detection method and image processing device for motion detection | |
Liu et al. | Motion vehicle tracking based on multi-resolution optical flow and multi-scale Harris corner detection | |
CN111127506A (zh) | 一种基于序列图像的海上运动目标综合检测方法 | |
Licsár et al. | Trainable blotch detection on high resolution archive films minimizing the human interaction | |
CN113538290A (zh) | 基于人工智能的农业航拍图像处理方法及系统 | |
Liu et al. | Multi-resolution optical flow tracking algorithm based on multi-scale Harris corner points feature | |
CN113411500B (zh) | 一种全局运动向量估计方法及电子防抖方法 | |
Wei et al. | Research on hs optical flow algorithm based on motion estimation optimization | |
Hayden et al. | A temporal edge-based image segmentor |
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 |