CN109978851A - 一种红外视频空中弱小运动目标检测跟踪方法 - Google Patents
一种红外视频空中弱小运动目标检测跟踪方法 Download PDFInfo
- Publication number
- CN109978851A CN109978851A CN201910220147.4A CN201910220147A CN109978851A CN 109978851 A CN109978851 A CN 109978851A CN 201910220147 A CN201910220147 A CN 201910220147A CN 109978851 A CN109978851 A CN 109978851A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- frame
- present frame
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种红外视频空中弱小运动目标检测跟踪方法。该方法提出快速准确的天际线判定策略,感知得到天空场景区域,进而在天空场景区域感知结果指导下,通过目标与背景的显著性差异从空域检测得到空中潜在目标,保证真实目标不漏检;引入目标运动趋势、多目标相似度综合评判去除虚警干扰,结合背景运动补偿进一步确认运动目标,解决运动目标准确跟踪问题。实验结果表明,该方法鲁棒性好,在目标被遮挡、重叠、消失,以及背景变化和目标忽明忽暗等复杂情况下也能进行准确、稳健的跟踪。
Description
技术领域
本发明涉及一种针对红外视频空中弱小运动目标检测跟踪的方法,属于计算机视觉技术领域。
背景技术
随着精确制导武器的飞速发展,未来战争对武器***的整体性能,尤其是适应性提出了更高的要求。红外制导技术以其极强的抗干扰能力、高制导精度、良好的隐蔽性等优势,广泛应用于各类导弹、飞行器及地面***,成为可控武器***的第二代制导技术。在民用***中也逐步得到推广应用。一个红外制导***一般由目标检测、目标识别、目标跟踪和攻击点选择等功能模块组成。其中,目标检测与目标跟踪作为***最前端的处理环节,是精确制导的一个重要组成部分。针对利用红外制导***获取的红外视频,目标检测跟踪的基本原理是捕获和跟踪目标自身辐射的能量来实现寻的制导。然而,实际应用中,当拍摄距离较远时目标成像面积往往很小,甚至表现为点目标,无法获得结构、形状等信息,而且可检测信号相对较弱,特别是在非平稳起伏背景干扰下,目标极易被背景杂波淹没,使得红外视频弱小目标的准确检测跟踪非常困难。
目标与背景环境的多样性,以及弱小目标信息的缺失,使得基于红外辐射特性建模的目标检测方法难以实施。因此,现有红外视频运动目标检测跟踪通常直接利用传统的可见光视频运动目标检测跟踪的思路,分为先检测后跟踪和先跟踪后检测两种方法。
先检测后跟踪的方法通常先对输入图像序列进行背景抑制预处理,以提高单帧图像中检测到目标的可能性;然后,采用阈值分割法、纹理分析法、形态学法等,结合最佳Bayes判决、最小最大判决或Neynan-Pearson判决等准则,对图像中每个像素点进行判决,判定它是否为潜在目标点;再根据目标图像运动的帧间高相关性,利用多帧图像的时间积累对单帧检测结果进行多数表决,形成二次决策来剔除虚警点,保留最终确认的目标。然而,当目标信噪比(SIGNAL-NOISE RATIO,SNR)较低时,这种先检测后跟踪的方法可能因为弱小目标的漏检、虚警目标的误检而失效。
先跟踪后检测的方法依据多帧检测的思想,将空间和时间信息并入多帧处理过程中。首先对可能的目标轨迹进行跟踪,但并不对这些轨迹是否是真正目标作出判决,而是对每条跟踪的轨迹计算其后验概率函数,如果某条轨迹的后验概率函数值超过某一门限,就认为该条轨迹代表一个目标(参考《星空背景下红外弱小目标的快速检测》,刊于《激光与红外》,2017年4月)。常见的先跟踪后检测方法有Hough变换法、三维匹配滤波器方法(参考《基于噪声方差估计的红外弱小目标检测与跟踪方法》,刊于《光电子·激光》,2018年3月)、多级假设检验法、动态规划法等。先跟踪后检测的方法在复杂干扰下对弱小目标,尤其是缓慢运动目标的适应性不足,在平台运动、复杂背景以及存在其他相似物干扰、目标被遮挡、目标机动运动时,该类方法则难以进行连续、准确、稳健的长时间跟踪。
为此,本申请提出了一种红外视频空中弱小运动目标检测跟踪方法。提出快速准确的天际线判定策略,感知得到天空场景区域;进而在天空场景区域感知结果指导下,通过目标与背景的显著性差异从空域检测得到空中潜在目标,保证真实目标不漏检;引入目标运动趋势、多目标相似度综合评判去除虚警干扰,结合背景运动补偿进一步确认运动目标,解决运动目标准确跟踪问题。
发明内容
本发明的目的是提供一种基于红外视频的空中弱小运动目标检测跟踪方法。该方法不仅考虑传统方法中真实目标与背景的差异性进行检测、真实目标与候选目标的相似性进行跟踪,而且通过场景感知获取天空区域指导目标检测、引入多目标相似度综合评判指导跟踪,将先检测后跟踪、先跟踪后检测的思想融合在一起,实现了虚假目标的剔除以及真实目标的准确跟踪。
为实现上述目的,本发明采用的技术方案流程如下:
一种红外视频空中弱小运动目标检测跟踪方法,其特征在于包括如下步骤:
(1)空域目标检测:利用场景区域感知提取天际线,划分空中区域和非空中区域;进而在空中区域基于TopHat变换进行显著性检测,实现空中显著性弱小目标的像素点检测;进而对检测到的像素点利用目标聚类分割得到若干目标,并对这些目标进行信噪比确认,最终检测得到显著目标;在初始帧利用当前帧检测到的这些显著目标初始化目标跟踪链;
(2)目标跟踪:在当前帧利用上述得到的显著目标构建目标检测链,与目标跟踪链中的目标进行正向、反向比对,建立目标检测链中的目标和目标跟踪链中的目标的对应,从而定位目标在当前帧的位置;对于没有建立对应的目标跟踪链中的目标,利用运动趋势预测定位该目标在当前帧的位置;对于没有建立对应的目标检测链中的目标,作为新出现目标添加到目标跟踪链中;
(3)时域变化检测:利用当前帧和前第N帧图像进行时域变化检测,在两帧图像中分别提取SURF特征点后,基于特征点匹配计算仿射变换模型以估计背景运动,在补偿背景运动后得到补偿后图像帧,基于当前帧、补偿后图像帧,对前述得到的目标判断其是否运动,对判断为运动的目标形成目标轨迹,实现目标跟踪。
如上所述的方法,其特征在于步骤(1)中场景感知的具体过程为:在当前帧,依次对每一列图像从下至上遍历其像素值,前一像素点的像素值为i1,后一像素点的像素值为i2,当i2-i1≥Th1且i1<Th2时,表明此时开始进入天空区域,其中Th1,Th2分别刻画区域类型的变化和像素值明暗程度,Th1称为质变阈值,Th2称为暗质阈值;将开始进入天空区域的当前像素点坐标记为(k,l),记录持续属于天空区域的像素点个数Count,即这些像素点i2与相邻像素点i1满足d=|i1-i2|<Th1且i2<Th2;当所述条件不满足时,即不满足d=|i1-i2|<Th1且i2<Th2时,记此时当前像素点坐标为(k+Count-1,l);从(k,l)到(k+Count-1,l)的这段垂直线,其像素点与相邻像素点满足d=|i1-i2|<Th1且i2<Th2,属于天空区域;对当前帧每一列进行上述天空区域的判断,得到若干段天空区域;从下至上遍历这些天空区域,将持续范围最大,即Count数最大的天空区域的垂直线下端作为该图像列的天际线位置;对当前帧的每一列按照上述方法检测天际线位置,然后将每一列的天际线位置连接即可得到整帧图像的天际线;天际线之上作为天空区域。
如上所述的方法,其特征在于步骤(1)中基于TopHat变换的显著目标像素点检测的具体过程为:在上述场景感知获取的天空区域内,将当前帧与形态学算子进行开运算,用当前帧减去开运算的结果,得到TopHat变换的结果,即Dst=TopHat(I,Element)=I-Open(I,Element);其中I代表当前帧,Element代表形态学算子。
如上所述的方法,其特征在于步骤(1)中目标聚类分割的具体过程为:将TopHat变换的结果进行二值化处理,设置二值化阈值Th3,TopHat变换的结果大于Th3则置为1,否则置为0;二值化处理后为1的像素点作为疑似目标点,进行邻域聚类,其处理过程为:随机选择一个疑似目标点作为初始聚类种子,对这个种子的4邻域或8邻域进行广度优先搜索,如果能够找到其他疑似目标点则说明这两个像素点距离近、属于同一目标,应该聚类为同一目标;所有二值化后的疑似目标点最终都聚类归属为某个目标。
如上所述的方法,其特征在于步骤(1)中目标信噪比确认的具体过程为:统计聚类目标的局部极大值点,设其灰度值为g0,以其为中心形成3×3邻域和9×9邻域;9×9邻域内去除3×3邻域范围内的9个像素点后,剩余的72个像素点组成目标周围的背景区域,灰度值记为gi,i=1,...72;按照信噪比SNR公式(1)-(3),得到当前目标的信噪比;当目标信噪比SNR小于信噪比阈值Th4,即SNR<Th4,则该目标被过滤;对当前帧中每一个聚类目标进行信噪比的计算,最终确认空域显著性检测到的真实目标。
如上所述的方法,其特征在于步骤(1)中场景感知所述的天空区域和非天空区域的过渡方法中,质变阈值Th1优选为25,暗质阈值Th2优选为50。
如上所述的方法,其特征在于步骤(1)基于TopHat变换的显著目标像素点检测方法中,形态学算子Element选取大小略大于检测目标即可,优选
如上所述的方法,其特征在于步骤(1)中目标聚类分割时对TopHat变换结果进行二值化处理,二值化阈值Th3优选为110。
如上所述的方法,其特征在于步骤(1)中目标信噪比阈值Th4优选为6,表明信噪比SNR大于6的目标被剔除。
如上所述的方法,其特征在于步骤(2)中目标检测链与目标跟踪链正向、反向比对的具体过程为:正向比对:取出目标检测链中的每一个检测目标DObj,在其M邻域内分别计算距离检测目标DObj最近的目标跟踪链中的目标TObj,将距离DObj最近的TObj视为同一目标;反向比对:取出目标跟踪链中的每一个跟踪目标TObj,在其M邻域范围内,计算目标检测链中与跟踪目标TObj最近的检测目标D’Obj;正反向结果比对:判断DObj与D’Obj是否是同一个目标,如果是同一个检测目标,则用该检测目标更新对应的目标跟踪链中的目标,形成当前帧该目标的跟踪轨迹;否则按照运动预测的结果形成对当前帧该目标的跟踪轨迹。
如上所述的方法,其特征在于步骤(2)中目标运动趋势预测的具体过程为:假设Δx,Δy分别表示目标从初始值帧到当前帧的前一帧在水平、垂直方向上的移动距离,Δt表示从初始帧到当前帧的前一帧的帧数,则目标运动速度可以采用vx=Δx/Δt,vy=Δy/Δt来表示;在跟踪时预测得到的目标在当前帧中的位置为x=x0+Δx,y=y0+Δy,其中x0,y0表示目标在当前帧的前一帧的位置;通过权力要求10.正反向比对之后,目标跟踪链中可能还存在跟踪目标未能与检测链中的检测目标相匹配,此时认为目标被遮挡或者消失,采取运动预测定位当前帧目标位置,每预测一次目标位置则对其预测总次数加1,当预测总次数超过预测次数阈值P之后即可认为目标已经消失,此时删除目标。
如上所述的方法,其特征在于步骤(2)中M邻域优选以选定目标为中心形成的10×10像素邻域,预测次数阈值P优选为10,表示10帧之后还未能定位该目标,则删除该目标,不再对其进行跟踪。
如上所述的方法,其特征在于步骤(3)时域变化检测的具体处理过程为:在当前帧、前第N帧图像中分别提取SURF特征点,基于特征点匹配、采用RANSAC计算仿射变换模型以估计背景运动;在补偿背景运动后得到补偿后图像帧,基于当前帧、补偿后图像帧,对前述得到的目标判断其是否运动,假设前第N帧目标坐标记为(x,y),估计得到的在当前帧中对应目标坐标为(x',y'),而实际当前帧目标坐标为(x”,y”),通过比较得到的欧式距离设置阈值距离阈值Th5,如果S<Th5,则认为该目标不存在主动运动,属于静止物体,不将其判定为运动目标;如果S≥Th5,则认为是运动目标,不进行剔除。
如上所述的方法,其特征在于步骤(3)时域变化检测时的基准帧选前第N=3帧,欧式距离阈值Th5优选为3。
与现有技术相比,本发明所提供的天空场景区域感知、结合空域显著性与时域变化特性的目标检测、运动趋势与多目标相似度综合评判去除虚假目标的方法,避免了传统方法由于弱小目标信息缺失、背景噪声淹没目标而导致的目标漏检的局限性,解决了无意义噪声、多目标相互干扰造成的目标误检、误跟踪的问题,提高了检测跟踪的实时性与准确性。实验结果显示,当目标相对场景的运动速度大于1像素/帧时,该方法能够检测并跟踪面积在1-30个像素、目标信噪比大于6的运动目标,具有准确性高、稳健性好、实用性强的特点。
附图说明
下面结合附图和具体实施方式对本发明作进一步的说明。
图1为本发明所述的红外视频空中弱小运动目标检测跟踪方法总体框架;
图2为场景感知中天际线的检测流程;
图3为本发明最终的效果图;
图4为目标信噪比计算方法示意图;
图5为目标检测链与目标跟踪链对应目标的空间位置关系图。
具体实施方式
前已述及,本发明提出一种红外视频空中弱小运动目标检测跟踪方法,下面结合附图说明本发明的具体实施方式。
(1)整体框架
图1描述了本发明的整体框架,将先检测后跟踪、先跟踪后检测的思路融合在一起,分为三个部分:(1)空域目标检测;(2)时域目标检测;(3)运动目标跟踪。
首先,在当前帧图像中进行空域检测:利用场景区域感知技术提取天际线,划分空中区域和非空中区域;进而在空中区域基于显著性检测得到凸显于背景的显著目标,实现空中显著性弱小目标的像素点检测,为弱小目标不漏检奠定基础。进而基于目标聚类分割、信噪比确认,检测得到显著目标。
同时,利用当前帧和前第N帧图像进行时域检测:在两帧图像中分别提取特征点后,基于特征点匹配计算仿射变换模型以估计背景运动,在补偿背景运动后得到补偿后图像帧,基于当前帧、补偿后图像帧,对前述得到的显著目标判断其是否运动。利用较长时间的目标运动变化为缓慢运动目标不漏检奠定基础。
运动目标跟踪:利用前述得到的当前帧显著目标构建目标检测链,与目标跟踪链中的目标进行比对,结合运动预测、多目标相似度综合评判、时域目标检测保证目标短暂消失或多目标轨迹交叉时不漏跟和误跟,准确检测跟踪运动目标。
(2)空域目标检测
空域目标检测的关键是感知场景区域类型,获知天空区域,进而在空中基于显著性检测得到凸显于背景的像素点,然后通过聚类等后处理得到目标。
(2.1)场景感知。针对空中目标的检测跟踪,如果能够将待检测跟踪区域限定在天空部分,将极大提升检测的准确性。本发明提出一种快速的红外图像场景感知方法,有效提取天际线,天际线之上的图像区域视为天空区域,天际线之下的图像区域视为非天空区域。
场景感知的具体过程为:对当前帧,依次对每一列图像从下至上遍历其像素值,假设前一像素点的像素值为i1,后一像素点的像素值为i2,则这两个相邻像素点的像素值变化如果小于阈值Th1,即d=|i1-i2|<Th1,则认为其属于同一区域,称为同质区域;否则d=|i1-i2|≥Th1,认为非同质区域。注意到天空和非天空区域在像素值上的明暗不同,天空区域相对较暗,当i1-i2≥Th1且i2<Th2时,表示发生了从非天空区域到天空区域的过渡,当i2-i1≥Th1且i1<Th2时,表示发生了从天空区域到非天空区域的过渡。Th1称为质变阈值,Th2称为暗质阈值。Th1优选为25,Th2优选为50。
由于天空区域往往位于图像的上半部分,因此我们关注i1-i2≥Th1且i2<Th2的情况,此时发生从非天空区域到天空区域的过渡,即表明此时可能开始进入天空区域。将当前像素点坐标记为(k,l),记录持续属于天空区域的像素点个数Count,即这些像素点i2与相邻像素点i1满足d=|i1-i2|<Th1且i2<Th2;当所述条件不满足时,即不满足d=|i1-i2|<Th1且i2<Th2时,记此时当前像素点坐标为(k+Count-1,l)。坐标从(k,l)到(k+Count-1,l)的这段垂直线,其像素点与相邻像素点满足d=|i1-i2|<Th1且i2<Th2,这段垂直线属于天空区域。图像左下角作为坐标原点。
对当前帧每一列进行上述天空区域的判断,得到若干段天空区域。从下至上遍历这些天空区域,将持续范围最大,即Count数最大的天空区域的垂直线下端作为该图像列的天际线位置。
对于每一帧的每一图像列按照上述方法检测天际线位置,然后将每一图像列的天际线位置连接即可得到整帧图像的天际线,即天空和地面的分界线,实现场景感知。
(2.2)基于TopHat变换检测弱小目标。本发明的目的是检测空中弱小目标,尤其是点目标。在上述获取的天空区域内,采用形态学TopHat变换检测弱小目标。TopHat变换的具体处理过程为:将当前帧与形态学算子进行开运算,用当前帧减去开运算的结果,得到TopHat变换的结果,即Dst=TopHat(I,Element)=I-Open(I,Element)。其中I代表当前帧,Element代表形态学算子,选取大小略大于检测目标即可。
优选
通过TopHat变换可以将整帧图像中的微小亮点检测出来,达到检测到凸显背景弱小目标的目的。
(2.3)邻域聚类。TopHat变换虽然突出了亮点,但是为了更好地凸显目标,将TopHat变换的结果进行二值化处理:设置二值化阈值Th3,TopHat变换的结果大于Th3则置为1,否则置为0。二值化处理后为1的像素点作为疑似目标点,进行邻域聚类。邻域聚类的目的是将欧氏距离非常近的疑似目标点聚集成为一个较大的目标,并生成目标最小外接矩形作为目标框。这样做的好处在于可以使之后的运算基于目标进行,而无需对上万个目标像素点进行筛选,提高算法的效率。邻域聚类的处理过程为:随机将疑似目标点作为一个初始聚类种子,对这个种子的4邻域或8邻域进行广度优先搜索,如果能够找到其他疑似目标点则说明这两个像素点距离近、属于同一目标,应该聚类为同一目标。所有二值化后得到的疑似目标点都应归属于某一聚类后的目标。
(2.4)目标信噪比确认,过滤噪点。邻域聚类得到的目标可能还存在误检,需要将其与真实目标进行区分,因此采用信噪比进行过滤。首先统计聚类目标的局部极大值点,以其为中心形成3×3邻域和9×9邻域。假设如附图4所示,其中黑色点代表聚类得到目标的局部极大值点,设其灰度值为g0。白色区域为局部极大值点周围3×3邻域,阴影区域为局部极大值点周围9×9像素邻域(去除白色区域),阴影区域的灰度值为gi,i=1,...72;。按照下述公式(1)-(3)计算目标与周围区域的信噪比,如果信噪比小于目标信噪比阈值Th4,则说明其相对背景的信号弱,以极大的概率认为是噪点,应该被过滤。优选目标信噪比阈值Th4=6,表明信噪比SNR大于6的目标被剔除。通过对图像帧中每一个聚类目标进行信噪比的计算,最终确认空域显著性检测到的真实目标。
(3)运动目标跟踪
(3.1)初始帧目标跟踪
在初始帧,把空域检测得到的目标初始化为目标跟踪链中的目标,并初始化目标位置、大小等信息。
(3.2)后续各帧目标跟踪
在当前帧,将空域检测得到的目标作为目标检测链中的目标。这样,在后续处理中按照多目标相似度综合评判进行正反向比对、目标运动趋势预测、新出现目标发现来维护目标检测链、目标跟踪链。
(3.2.1)基于多目标相似度综合评判的正反向比对
当前帧中,对目标检测链和目标跟踪链中的目标,首先进行正向比对:取出目标检测链中的每一个检测目标DObj,在其M邻域内分别计算距离检测目标DObj最近的目标跟踪链中的目标TObj,由于弱小目标信号弱,因此位置临近在目标跟踪中占决定性因素,原则上将距离DObj最近的TObj视为同一目标。然而,上述正向比对是由目标检测链出发得到的与检测目标最近的跟踪目标,而实际情况中可能会存在与跟踪目标TObj最近的检测目标并非是DObj,其空间位置关系如附图5所示。受目标检测链中目标遍历顺序的影响,在正向比对时目标检测链中的1号目标会与目标跟踪链中2号目标最近,从而建立“检测1-跟踪2”的错误匹配,而“跟踪2”目标被占用后,后续的目标检测链接中的2号目标只能建立“检测2-跟踪1”的错误匹配。而从目标跟踪链中的1号目标出发会发现是目标检测链中的1号目标与其最匹配。因此在正向比对成功之后需要进行反向比对:反向比对从目标跟踪链出发,取出目标跟踪链中的每一个跟踪目标TObj,在其M邻域范围内,计算目标检测链中与跟踪目标TObj最近的检测目标D’Obj。判断DObj与D’Obj是否是同一个目标,如果是同一个检测目标,则用该检测目标更新对应的目标跟踪链中的目标,形成当前帧该目标的跟踪轨迹;否则按照下述运动预测的结果形成对当前帧该目标的跟踪轨迹。
M邻域优选以选定目标为中心形成的10×10像素邻域。
(3.2.2)目标运动趋势预测
根据目标之前的运动规律,可以对目标的运动趋势进行预测。假设Δx,Δy分别表示目标从初始值帧到当前帧的前一帧在水平、垂直方向上的移动距离,Δt表示从初始帧到当前帧的前一帧的帧数,则目标运动速度可以简单采用vx=Δx/Δt,vy=Δy/Δt来表示,vx,vy的单位是pixel/frame,即平均每一帧目标移动的距离。在跟踪时预测得到的目标在当前帧中的位置为x=x0+Δx,y=y0+Δy,其中x0,y0表示目标在当前帧的前一帧的位置。
在通过(3.2.1)正反向比对之后,目标跟踪链中有可能还有跟踪目标未能与检测链中的检测目标相匹配,此时认为目标被遮挡或者消失,采取运动预测定位当前帧目标位置。每预测一次目标位置则对其预测总次数加1,当预测总次数超过阈值P之后即可认为目标已经消失,此时删除目标。P称为预测次数阈值,优选为10,表示10帧之后还未能定位该目标,则删除该目标,不再对其进行跟踪。
(3.2.3)新出现目标发现
在通过(3.2.1)正反向比对之后,除了上述提到的目标跟踪链中有跟踪目标未能与检测链中的检测目标相匹配,此时对应目标被遮挡或者消失外,还有另外一种情况,即目标检测链中存在与目标跟踪链未配对的目标,此时认为这些检测目标是新出现目标,作为新的目标***到目标跟踪链队尾。
完成上述(3.2.1)、(3.2.2)、(3.2.3)后,根据当前帧每个目标的位置及属性信息更新目标跟踪链。
(4)时域变化检测
运动目标的检测,目标的运动特性是关键因素之一,本发明采用变化检测判断目标是否运动,对上述得到的目标进行时域变化检测。
以前第N帧作为基准帧,对基准帧和当前帧分别提取SURF特征点,并基于RANSAC计算两帧图像的仿射变换模型,得到变换参数矩阵Matrix=假设前第N帧图像中某个像素点坐标为(x,y),则在当前帧中该像素点的坐标记为(x',y'),有变换参数矩阵描述了从前第N帧到当前帧的背景运动。
因此,假设前述空域目标检测和目标跟踪得到的前第N帧目标坐标为(x,y),在背景运动的作用下,当前帧与之对应的目标坐标记为(x',y'),有其中,目标的坐标采用目标矩形框的中心点坐标。
上述操作只针对两帧中相对应目标都存在的情况。在当前帧时,对前第N帧的目标坐标通过变换参数矩阵得到其在当前帧坐标的估计,然后和实际当前帧中对应目标的坐标进行欧氏距离的计算,以判断目标是否存在主动运动。假设前第N帧目标坐标记为(x,y),估计得到的在当前帧中对应目标坐标为(x',y'),而实际当前帧目标坐标为(x”,y”)。通过比较得到的欧式距离设置距离阈值Th5,如果S<Th5,则认为该目标不存在主动运动,属于静止物体,不将其判定为运动目标;否则如果S≥Th5,则认为是运动目标,不进行剔除。
Th5优选为3。考虑到检测的时间延迟,以及缓慢运动目标的速度,N优选为3。
以上公开的仅为本发明的具体实例,根据本发明提供的思想,本领域的技术人员能思及的变化,都应落入本发明的保护范围内。
Claims (14)
1.一种红外视频空中弱小运动目标检测跟踪方法,其特征在于包括如下步骤:
(1)空域目标检测:利用场景区域感知提取天际线,划分空中区域和非空中区域;进而在空中区域基于TopHat变换进行显著性检测,实现空中显著性弱小目标的像素点检测;进而对检测到的像素点利用目标聚类分割得到若干目标,并对这些目标进行信噪比确认,最终检测得到显著目标;在初始帧利用当前帧检测到的这些显著目标初始化目标跟踪链;
(2)目标跟踪:在当前帧利用上述得到的显著目标构建目标检测链,与目标跟踪链中的目标进行正向、反向比对,建立目标检测链中的目标和目标跟踪链中的目标的对应,从而定位目标在当前帧的位置;对于没有建立对应的目标跟踪链中的目标,利用运动趋势预测定位该目标在当前帧的位置;对于没有建立对应的目标检测链中的目标,作为新出现目标添加到目标跟踪链中;
(3)时域变化检测:利用当前帧和前第N帧图像进行时域变化检测,在两帧图像中分别提取SURF特征点后,基于特征点匹配计算仿射变换模型以估计背景运动,在补偿背景运动后得到补偿后图像帧,基于当前帧、补偿后图像帧,对前述得到的目标判断其是否运动,对判断为运动的目标形成目标轨迹,实现目标跟踪。
2.如权利要求1所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于步骤(1)中场景感知的具体过程为:
(2.1)在当前帧,依次对每一列图像从下至上遍历其像素值,前一像素点的像素值为i1,后一像素点的像素值为i2,当i1-i2≥Th1且i2<Th2时,表明此时开始进入天空区域,其中Th1,Th2分别刻画区域类型的变化和像素值明暗程度,Th1称为质变阈值,Th2称为暗质阈值;
(2.2)将开始进入天空区域的当前像素点坐标记为(k,l),记录持续属于天空区域的像素点个数Count,即这些像素点i2与相邻像素点i1满足d=|i1-i2|<Th1且i2<Th2;当所述条件不满足时,即不满足d=|i1-i2|<Th1且i2<Th2时,记此时当前像素点坐标为(k+Count-1,l);从(k,l)到(k+Count-1,l)的这段垂直线,其像素点与相邻像素点满足d=|i1-i2|<Th1且i2<Th2,属于天空区域;
(2.3)对当前帧每一列进行上述天空区域的判断,得到若干段天空区域;从下至上遍历这些天空区域,将持续范围最大,即Count数最大的天空区域的垂直线下端作为该图像列的天际线位置;
(2.4)对当前帧的每一列按照上述方法检测天际线位置,然后将每一列的天际线位置连接即可得到整帧图像的天际线;天际线之上作为天空区域。
3.如权利要求1所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于步骤(1)中基于TopHat变换的显著目标像素点检测的具体过程为:在上述场景感知获取的天空区域内,将当前帧与形态学算子进行开运算,用当前帧减去开运算的结果,得到TopHat变换的结果,即Dst=TopHat(I,Element)=I-Open(I,Element);其中I代表当前帧,Element代表形态学算子。
4.如权利要求1所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于步骤(1)中目标聚类分割的具体过程为:
(4.1)将TopHat变换的结果进行二值化处理,设置二值化阈值Th3,TopHat变换的结果大于Th3则置为1,否则置为0;
(4.2)二值化处理后为1的像素点作为疑似目标点,进行邻域聚类,其处理过程为:随机选择一个疑似目标点作为初始聚类种子,对这个种子的4邻域或8邻域进行广度优先搜索,如果能够找到其他疑似目标点则说明这两个像素点距离近、属于同一目标,应该聚类为同一目标;所有二值化后的疑似目标点最终都聚类归属为某个目标。
5.如权利要求1所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于步骤(1)中目标信噪比确认的具体过程为:
(5.1)统计聚类目标的局部极大值点,设其灰度值为g0,以其为中心形成3×3邻域和9×9邻域;
(5.2)9×9邻域内去除3×3邻域范围内的9个像素点后,剩余的72个像素点组成目标周围的背景区域,灰度值记为gi,i=1,...72;
(5.3)按照信噪比SNR公式,得到当前目标的信噪比;
(5.4)当目标信噪比SNR小于信噪比阈值Th4,即SNR<Th4,则该目标被过滤;对当前帧中每一个聚类目标进行信噪比的计算,最终确认空域显著性检测到的真实目标。
6.如权利要求2所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于:所述天空区域和非天空区域的过渡中,质变阈值Th1优选为25,暗质阈值Th2优选为50。
7.如权力要求3所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于:所述形态学算子Element选取大小略大于检测目标即可,优选
8.如权利要求4所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于:所述对TopHat变换结果进行二值化处理时,二值化阈值Th3优选为110。
9.如权利要求5所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于:所述目标信噪比阈值Th4优选为6,表明信噪比SNR大于6的目标被剔除。
10.如权利要求1所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于步骤(2)中目标检测链与目标跟踪链正向、反向比对的具体过程为:
(10.1)正向比对:取出目标检测链中的每一个检测目标DObj,在其M邻域内分别计算距离检测目标DObj最近的目标跟踪链中的目标TObj,将距离DObj最近的TObj视为同一目标;
(10.2)反向比对:取出目标跟踪链中的每一个跟踪目标TObj,在其M邻域范围内,计算目标检测链中与跟踪目标TObj最近的检测目标D’Obj;
(10.3)正反向结果比对:判断DObj与D’Obj是否是同一个目标,如果是同一个检测目标,则用该检测目标更新对应的目标跟踪链中的目标,形成当前帧该目标的跟踪轨迹;否则按照运动预测的结果形成对当前帧该目标的跟踪轨迹。
11.如权利要求1所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于步骤(2)中目标运动趋势预测的具体过程为:Δx,Δy分别表示目标从初始值帧到当前帧的前一帧在水平、垂直方向上的移动距离,Δt表示从初始帧到当前帧的前一帧的帧数,则目标运动速度可以采用vx=Δx/Δt,vy=Δy/Δt来表示;在跟踪时预测得到的目标在当前帧中的位置为x=x0+Δx,y=y0+Δy,其中x0,y0表示目标在当前帧的前一帧的位置;通过权力要求10.正反向比对之后,目标跟踪链中可能还存在跟踪目标未能与检测链中的检测目标相匹配,此时认为目标被遮挡或者消失,采取运动预测定位当前帧目标位置,每预测一次目标位置则对其预测总次数加1,当预测总次数超过预测次数阈值P之后即可认为目标已经消失,此时删除目标。
12.如权利要求1所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于步骤(2)中M邻域优选以选定目标为中心形成的10×10像素邻域,预测次数阈值P优选为10,表示10帧之后还未能定位该目标,则删除该目标,不再对其进行跟踪。
13.如权利要求1所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于步骤(3)中时域变化检测的具体过程为:
(13.1)在当前帧、前第N帧图像中分别提取SURF特征点,基于特征点匹配、采用RANSAC计算仿射变换模型以估计背景运动;
(13.2)在补偿背景运动后得到补偿后图像帧,基于当前帧、补偿后图像帧,对前述得到的目标判断其是否运动,具体过程为:假设前第N帧目标坐标记为(x,y),估计得到的在当前帧中对应目标坐标为(x',y'),而实际当前帧目标坐标为(x”,y”),通过比较得到的欧式距离设置距离阈值Th5,如果S<Th5,则认为该目标不存在主动运动,属于静止物体,不将其判定为运动目标;如果S≥Th5,则认为是运动目标,不进行剔除。
14.如权利要求1所述的一种红外视频空中弱小运动目标检测跟踪方法,其特征在于步骤(3)中用于比较的基准帧前第N帧,N优选为3,时域变化检测的欧式距离阈值Th5优选为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220147.4A CN109978851B (zh) | 2019-03-22 | 2019-03-22 | 一种红外视频空中弱小运动目标检测跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220147.4A CN109978851B (zh) | 2019-03-22 | 2019-03-22 | 一种红外视频空中弱小运动目标检测跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978851A true CN109978851A (zh) | 2019-07-05 |
CN109978851B CN109978851B (zh) | 2021-01-15 |
Family
ID=67079999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910220147.4A Active CN109978851B (zh) | 2019-03-22 | 2019-03-22 | 一种红外视频空中弱小运动目标检测跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978851B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399823A (zh) * | 2019-07-18 | 2019-11-01 | Oppo广东移动通信有限公司 | 主体跟踪方法和装置、电子设备、计算机可读存储介质 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN110490903A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种双目视觉测量中多目标快速捕获与跟踪方法 |
CN110599516A (zh) * | 2019-08-22 | 2019-12-20 | 普联技术有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN110991313A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种基于背景分类的运动小目标检测方法和*** |
CN111353991A (zh) * | 2020-03-10 | 2020-06-30 | 北京市商汤科技开发有限公司 | 一种目标检测方法、装置、电子设备及存储介质 |
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 |
CN111899512A (zh) * | 2020-08-05 | 2020-11-06 | 深圳大学 | 结合天际线观测的车辆轨迹提取方法、***及存储介质 |
CN112381076A (zh) * | 2021-01-18 | 2021-02-19 | 西南石油大学 | 一种视频显著性检测任务中图片预处理的方法 |
CN112686895A (zh) * | 2021-03-11 | 2021-04-20 | 成都点泽智能科技有限公司 | 红外弱小目标的检测方法、装置及服务器 |
CN113344963A (zh) * | 2021-05-27 | 2021-09-03 | 绍兴市北大信息技术科创中心 | 一种基于图像分割的种子点自适应目标跟踪*** |
CN113822279A (zh) * | 2021-11-22 | 2021-12-21 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于多特征融合的红外目标检测方法、装置、设备及介质 |
TWI767596B (zh) * | 2020-04-28 | 2022-06-11 | 大陸商深圳市商湯科技有限公司 | 場景深度和相機運動預測方法、電子設備和電腦可讀儲存介質 |
CN115205327A (zh) * | 2022-05-18 | 2022-10-18 | 哈尔滨工业大学 | 一种融合历史库信息的红外小目标跟踪方法 |
CN115222775A (zh) * | 2022-09-15 | 2022-10-21 | 中国科学院长春光学精密机械与物理研究所 | 弱小目标检测跟踪装置及其检测跟踪方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570957A (zh) * | 2004-05-13 | 2005-01-26 | 上海交通大学 | 对空成像起伏背景条件下红外弱小目标的检测方法 |
CN1606033A (zh) * | 2004-11-18 | 2005-04-13 | 上海交通大学 | 红外图像序列中弱小目标的检测和跟踪方法 |
CN101567087A (zh) * | 2009-05-25 | 2009-10-28 | 北京航空航天大学 | 复杂天空背景下红外序列图像弱小目标检测与跟踪方法 |
CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
CN102103748A (zh) * | 2010-12-14 | 2011-06-22 | 西北工业大学 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
CN104268852A (zh) * | 2014-09-05 | 2015-01-07 | 西安电子科技大学 | 红外序列图像中弱小目标的检测方法及其检测装置 |
CN104299229A (zh) * | 2014-09-23 | 2015-01-21 | 西安电子科技大学 | 一种基于时空域背景抑制的红外弱小目标检测方法 |
KR20150109083A (ko) * | 2014-03-19 | 2015-10-01 | 국방과학연구소 | 거리 적응적 탐지 문턱값 적용에 의한 적외선 해상 표적 탐지장치 구현 방법 |
CN107705319A (zh) * | 2017-10-16 | 2018-02-16 | 中国电子科技集团公司第二十八研究所 | 一种基于空天背景小目标实时检测跟踪方法 |
CN109003277A (zh) * | 2017-06-07 | 2018-12-14 | 中国航空工业集团公司洛阳电光设备研究所 | 一种复杂背景下红外弱小目标检测方法及装置 |
CN109446553A (zh) * | 2018-09-14 | 2019-03-08 | 清华大学 | 一种基于Unity3D的空中动态红外场景仿真*** |
-
2019
- 2019-03-22 CN CN201910220147.4A patent/CN109978851B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570957A (zh) * | 2004-05-13 | 2005-01-26 | 上海交通大学 | 对空成像起伏背景条件下红外弱小目标的检测方法 |
CN1606033A (zh) * | 2004-11-18 | 2005-04-13 | 上海交通大学 | 红外图像序列中弱小目标的检测和跟踪方法 |
CN101567087A (zh) * | 2009-05-25 | 2009-10-28 | 北京航空航天大学 | 复杂天空背景下红外序列图像弱小目标检测与跟踪方法 |
CN102103748A (zh) * | 2010-12-14 | 2011-06-22 | 西北工业大学 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
KR20150109083A (ko) * | 2014-03-19 | 2015-10-01 | 국방과학연구소 | 거리 적응적 탐지 문턱값 적용에 의한 적외선 해상 표적 탐지장치 구현 방법 |
CN104268852A (zh) * | 2014-09-05 | 2015-01-07 | 西安电子科技大学 | 红外序列图像中弱小目标的检测方法及其检测装置 |
CN104299229A (zh) * | 2014-09-23 | 2015-01-21 | 西安电子科技大学 | 一种基于时空域背景抑制的红外弱小目标检测方法 |
CN109003277A (zh) * | 2017-06-07 | 2018-12-14 | 中国航空工业集团公司洛阳电光设备研究所 | 一种复杂背景下红外弱小目标检测方法及装置 |
CN107705319A (zh) * | 2017-10-16 | 2018-02-16 | 中国电子科技集团公司第二十八研究所 | 一种基于空天背景小目标实时检测跟踪方法 |
CN109446553A (zh) * | 2018-09-14 | 2019-03-08 | 清华大学 | 一种基于Unity3D的空中动态红外场景仿真*** |
Non-Patent Citations (4)
Title |
---|
LIJUN XIE ET AL.: "An Effective TBD Algorithm for the Detection of Infrared Dim-Small Moving Target in the Sky Scene", 《COMMUNICATIONS IN COMPUTER AND INFORMATION SCIENCE》 * |
XIANGZHI BAI ET AL.: "Enhancement of dim small top-hat transformation under the condition of heavy clutter", 《SIGNAL PROCESSING》 * |
XIAOLIANG SUN ET AL.: "Real-time visual enhancement for infrared small dim targets in video", 《INFRARED PHYSICS & TECHNOLOGY》 * |
郑锦 等: "基于三阶中心矩区域分类的视频运动目标检测", 《计算机辅助设计与图形学学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399823B (zh) * | 2019-07-18 | 2021-07-09 | Oppo广东移动通信有限公司 | 主体跟踪方法和装置、电子设备、计算机可读存储介质 |
CN110399823A (zh) * | 2019-07-18 | 2019-11-01 | Oppo广东移动通信有限公司 | 主体跟踪方法和装置、电子设备、计算机可读存储介质 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN110490903A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种双目视觉测量中多目标快速捕获与跟踪方法 |
CN110490904B (zh) * | 2019-08-12 | 2022-11-11 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN110490903B (zh) * | 2019-08-12 | 2022-11-11 | 中国科学院光电技术研究所 | 一种双目视觉测量中多目标快速捕获与跟踪方法 |
CN110599516A (zh) * | 2019-08-22 | 2019-12-20 | 普联技术有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN110991313A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种基于背景分类的运动小目标检测方法和*** |
CN110991313B (zh) * | 2019-11-28 | 2022-02-15 | 华中科技大学 | 一种基于背景分类的运动小目标检测方法和*** |
CN111353991A (zh) * | 2020-03-10 | 2020-06-30 | 北京市商汤科技开发有限公司 | 一种目标检测方法、装置、电子设备及存储介质 |
TWI767596B (zh) * | 2020-04-28 | 2022-06-11 | 大陸商深圳市商湯科技有限公司 | 場景深度和相機運動預測方法、電子設備和電腦可讀儲存介質 |
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 |
CN111652151B (zh) * | 2020-06-04 | 2023-12-19 | 北京环境特性研究所 | 一种红外弱小目标跟踪方法 |
CN111899512A (zh) * | 2020-08-05 | 2020-11-06 | 深圳大学 | 结合天际线观测的车辆轨迹提取方法、***及存储介质 |
CN112381076A (zh) * | 2021-01-18 | 2021-02-19 | 西南石油大学 | 一种视频显著性检测任务中图片预处理的方法 |
CN112686895B (zh) * | 2021-03-11 | 2021-05-18 | 成都点泽智能科技有限公司 | 红外弱小目标的检测方法、装置及服务器 |
CN112686895A (zh) * | 2021-03-11 | 2021-04-20 | 成都点泽智能科技有限公司 | 红外弱小目标的检测方法、装置及服务器 |
CN113344963A (zh) * | 2021-05-27 | 2021-09-03 | 绍兴市北大信息技术科创中心 | 一种基于图像分割的种子点自适应目标跟踪*** |
CN113822279A (zh) * | 2021-11-22 | 2021-12-21 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于多特征融合的红外目标检测方法、装置、设备及介质 |
CN113822279B (zh) * | 2021-11-22 | 2022-02-11 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于多特征融合的红外目标检测方法、装置、设备及介质 |
CN115205327A (zh) * | 2022-05-18 | 2022-10-18 | 哈尔滨工业大学 | 一种融合历史库信息的红外小目标跟踪方法 |
CN115222775A (zh) * | 2022-09-15 | 2022-10-21 | 中国科学院长春光学精密机械与物理研究所 | 弱小目标检测跟踪装置及其检测跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109978851B (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978851A (zh) | 一种红外视频空中弱小运动目标检测跟踪方法 | |
CN107993245B (zh) | 一种空天背景多目标检测和跟踪方法 | |
Javed et al. | Tracking and object classification for automated surveillance | |
CN104217428B (zh) | 一种融合特征匹配和数据关联的视频监控多目标跟踪方法 | |
CN108038415B (zh) | 一种基于机器视觉的无人机自动检测与跟踪方法 | |
US6298143B1 (en) | Moving target detecting system and moving target detecting method | |
CN108537829B (zh) | 一种监控视频人员状态识别方法 | |
CN103077539A (zh) | 一种复杂背景及遮挡条件下的运动目标跟踪方法 | |
CN110400294B (zh) | 一种红外目标探测***及探测方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN104766079B (zh) | 一种远距离红外弱小目标检测方法 | |
CN110070560B (zh) | 基于目标检测的物体运动方向识别方法 | |
Jiang et al. | Multiple pedestrian tracking using colour and motion models | |
Dehghani et al. | Small target detection and tracking based on the background elimination and Kalman filter | |
Liu et al. | Space target extraction and detection for wide-field surveillance | |
Jiang et al. | An infrared small target detection algorithm based on peak aggregation and Gaussian discrimination | |
Najafzadeh et al. | Object tracking using Kalman filter with adaptive sampled histogram | |
Kim et al. | Three plot correlation-based small infrared target detection in dense sun-glint environment for infrared search and track | |
Zhang et al. | Study on moving-objects detection technique in video surveillance system | |
Li et al. | Sort with depth image based pedestrian tracking robots | |
Chen et al. | Summary about detection and tracking of infrared small targets | |
Liu et al. | Shadow Elimination in Traffic Video Segmentation. | |
Wu et al. | Robust object tracking with bidirectional corner matching and trajectory smoothness algorithm | |
Faramarzi et al. | Infrared dim and small targets detection based on multi-scale local contrast measure utilizing efficient spatial filters | |
Micheloni et al. | Fast good features selection for wide area monitoring |
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 |