中图网

>

航空、航天

飞行器红外图像目标检测与跟踪技术

作者：杨小冈[等]著

出版社：科学出版社出版时间：2022-01-01

开本： 24cm 页数： 326页

本类榜单：工业技术销量榜

中图价:¥129.6(7.2折) 定价 ~~¥180.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
湖南省志(1978-2002)?铁路志

湖南省志(1978-2002)?铁路志

¥70.6¥98
>
公路车宝典(ZINN的公路车维修与保养秘籍)

公路车宝典(ZINN的公路车维修与保养秘籍)

¥69.6¥120
>
晶体管电路设计(下)

晶体管电路设计(下)

¥28.6¥38
>
基于个性化设计策略的智能交通系统关键技术

基于个性化设计策略的智能交通系统关键技术

¥48.6¥68
>
德国克虏伯与晚清火:贸易与仿制模式下的技术转移

德国克虏伯与晚清火:贸易与仿制模式下的技术转移

¥21.8¥65
>
花样百出:贵州少数民族图案填色

花样百出:贵州少数民族图案填色

¥19.1¥45
>
识木:全球220种木材图鉴

识木:全球220种木材图鉴

¥159.6¥228

商品详情
商品评论(0条)

中图价:¥129.6 加入购物车

版权信息
内容简介
目录
节选

飞行器红外图像目标检测与跟踪技术版权信息

ISBN：9787030712455
条形码：9787030712455 ; 978-7-03-071245-5
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
工业技术
>
航空、航天

飞行器红外图像目标检测与跟踪技术内容简介

本书主要研究飞行器红外图像目标检测与跟踪技术, 包括红外弱小目标检测、红外显著目标的异源匹配检测、红外显著目标的深度学习检测、启发式红外显著目标跟踪、辨别式红外显著目标跟踪、惯导信息辅助图像目标跟踪优化等关键问题, 提出并构建飞行器红外图像目标检测与跟踪仿真系统, 为推动相关基础理论研究的深入开展, 以及研究成果的工程应用提供有效的技术支撑。

飞行器红外图像目标检测与跟踪技术目录

目录
前言
第1章绪论1
1.1图像目标检测与跟踪问题描述1
1.1.1图像目标检测问题1
1.1.2图像目标跟踪问题2
1.1.3图像检测与跟踪技术应用4
1.2图像目标检测技术研究进展6
1.2.1红外弱小目标检测技术6
1.2.2异源图像匹配检测技术12
1.2.3基于深度学习的目标检测技术15
1.3图像目标跟踪技术研究进展25
1.3.1传统图像目标跟踪技术25
1.3.2基于相关滤波的目标跟踪技术28
1.3.3基于深度学习的目标跟踪技术29
1.4本书主要内容29
第2章红外图像弱小移动目标检测31
2.1引言31
2.2经典红外图像弱小目标检测算法32
2.2.1单帧红外图像弱小目标检测算法32
2.2.2序列红外图像弱小目标检测算法39
2.3基于Contourlet变换和Facet模型的红外图像弱小目标检测方法45
2.3.1循环平移Contourlet去噪46
2.3.2基于Facet模型多向梯度特性的中值滤波器设计48
2.3.3基于二级Otsu的阈值分割50
2.3.4算法实验与性能分析51
2.4基于结构低秩编码的红外弱小目标检测算法54
2.4.1红外图像背景的低秩特性55
2.4.2红外图像结构低秩编码模型建立56
2.4.3检测算法与实验分析60
2.5基于直线匹配与背景抑制的红外弱小移动目标检测算法66
2.5.1基于多尺度DOG滤波器和几何特征的候选目标的检测67
2.5.2基于均值-标准差直线描述子的直线匹配70
2.5.3背景运动补偿72
2.5.4弱小运动目标检测74
2.5.5检测实验与性能分析76
2.6本章小结79
第3章红外图像显著目标的异源匹配检测80
3.1引言80
3.2基于边缘特征的异源特征匹配检测81
3.2.1常用的边缘提取算法81
3.2.2边缘提取实验及分析83
3.2.3基于边缘相似性距离度量的异源匹配算法84
3.3基于互信息度量的异源图像匹配检测86
3.3.1熵与互信息87
3.3.2基于灰度互信息的匹配检测算法88
3.3.3基于梯度互信息的匹配检测算法90
3.4基于梯度方向分布场的异源匹配检测算法93
3.4.1分布场原理分析94
3.4.2基于梯度方向分布场图的异源匹配97
3.4.3匹配检测实验与分析101
3.5基于椭圆对称方向距的异源匹配检测算法107
3.5.1同质区域特征提取108
3.5.2基于椭圆对称方向矩的异源特征匹配109
3.5.3检测算法实验与分析111
3.6本章小结116
第4章基于深度学习的红外图像显著目标检测117
4.1引言117
4.2基于深度学习的目标检测框架分析118
4.2.1典型深度学习结构118
4.2.2基于深度学习的目标检测流程126
4.2.3目标建议方法分析126
4.3基于目标建议的候选区域选取算法128
4.3.1目标建议方法设计129
4.3.2飞机目标候选区域提取方法132
4.3.3仿真实验与分析133
4.4基于级联神经网络的目标检测方法136
4.4.1基础卷积神经网络设计与训练137
4.4.2级联卷积神经网络构建142
4.4.3仿真实验分析144
4.5目标多视点图像仿真生成方法149
4.5.1机载摄像机探测成像模型建立与分析149
4.5.2机载成像探测问题分析151
4.5.3图像变换数学模型152
4.5.4多视点图像仿真实验155
4.6本章小结157
第5章启发式红外图像显著目标跟踪158
5.1引言158
5.2基于Kalman滤波和梯度-径向夹角的改进均值漂移跟踪算法159
5.2.1均值漂移算法原理159
5.2.2传统均值漂移算法存在的问题161
5.2.3基于Kalman滤波和梯度-径向夹角的改进均值漂移算法163
5.2.4算法跟踪实验与性能分析170
5.3基于贝叶斯互信息分布场的红外图像目标跟踪算法175
5.3.1基于分布场的目标描述176
5.3.2贝叶斯互信息原理177
5.3.3红外图像目标跟踪算法设计179
5.3.4跟踪算法仿真与性能分析187
5.4基于稀疏表示多子模板的红外图像目标跟踪算法192
5.4.1Fragment算法描述192
5.4.2Fragment算法缺陷分析193
5.4.3基于改进多子模板的目标跟踪算法194
5.4.4跟踪算法性能分析198
5.5基于局部特征索引结构的红外目标跟踪算法204
5.5.1视觉词袋模型的构建204
5.5.2基于局部特征索引结构的目标跟踪框架构建206
5.5.3算法跟踪实验与分析214
5.6本章小结216
第6章辨别式红外图像显著目标跟踪217
6.1引言217
6.2基于超像素图结构约束的红外目标跟踪算法217
6.2.1基于聚类算法的外部约束218
6.2.2基于图结构的内部约束219
6.2.3基于粒子滤波框架下的目标定位221
6.2.4遮挡处理及更新模型223
6.2.5跟踪算法性能分析223
6.3基于概率超图排序的红外目标跟踪算法228
6.3.1概率超图排序与构造228
6.3.2概率超图构造229
6.3.3自适应模板集约束模型232
6.3.4基于粒子滤波的目标定位233
6.3.5模板更新机制234
6.3.6跟踪实验与性能分析236
6.4基于多特征融合相关滤波的快速红外目标跟踪算法240
6.4.1相关滤波原理240
6.4.2基于多特征融合的相关滤波跟踪算法244
6.4.3跟踪算法实验与性能分析247
6.5深度学习在目标跟踪中的应用251
6.5.1基于卷积神经网络的深度目标跟踪251
6.5.2基于递归神经网络的深度目标跟踪252
6.5.3基于孪生网络的深度目标跟踪252
6.5.4基于生成对抗网络的深度目标跟踪253
6.5.5基于自编码器的深度目标跟踪254
6.6本章小结255
第7章惯导信息辅助图像目标跟踪优化257
7.1引言257
7.2惯导信息与图像的融合结构257
7.2.1惯导信息对图像进行校正258
7.2.2惯导信息对成像位置进行预测258
7.2.3惯导信息与图像信息的融合制导259
7.2.4惯导信息与图像信息融合的速度估计259
7.2.5惯导信息与图像信息融合的电子稳像技术259
7.3基于惯导信息的目标跟踪模板校正260
7.3.1坐标变换模型建立261
7.3.2模板校正仿真实验与分析262
7.4基于惯导导航信息的目标跟踪位置预测263
7.4.1位置预测问题描述263
7.4.2模型建立与方法设计264
7.4.3仿真实验与结果分析265
7.5基于惯导增量信息的目标跟踪位置预测266
7.5.1增量修正问题描述266
7.5.2模型建立与方法设计267
7.5.3仿真实验与结果分析269
7.6本章小结271
第8章红外图像目标检测与跟踪仿真实验系统272
8.1引言272
8.2系统结构与工作原理272
8.2.1系统结构组成273
8.2.2系统工作原理274
8.3系统的空间对准与时间对准277
8.3.1空间对准277
8.3.2时间对准279
8.4系统软件模块组成281
8.4.1文件管理模块282
8.4.2目标数据仿真生成模块282
8.4.3目标数据集制备模块286
8.4.4算法仿真与性能评估模块289
8.5红外图像目标检测与跟踪实验验证292
8.5.1红外弱小目标检测仿真实验验证292
8.5.2异源图像匹配检测仿真实验验证293
8.5.3智能目标检测仿真实验验证294
8.5.4智能目标跟踪仿真实验验证295
8.6本章小结298
参考文献299
附录相关专业术语314
彩图

展开全部

飞行器红外图像目标检测与跟踪技术节选

第1章绪论异源景像匹配技术可为各类飞行器的自主导航提供重要技术途径，是自主巡视飞行器领域研究的关键、热点问题 [1]。具备自主精确导航能力的飞行器可以为空基影像测量、区域监测、资源勘探、情报保障、任务规划等新兴技术的发展提供基础平台支撑，广泛应用于城市规划、移动安防、智慧厂区、智能装备等高新科技领域。在自主导航基础上，具备环境智能感知能力是飞行器智能化发展的一个重要特征。本书结合智能飞行器发展需求，针对典型应用场合的目标检测与跟踪问题展开研究，特别是以红外成像模式为背景，体现环境感知的全天时特性，包括弱小目标与区域目标、固定目标与时敏目标等多种常见目标类型，以期为特定应用场合的空地智能感知提供理论与技术参考。本章系统论述图像目标检测与跟踪的基本问题，从图像目标检测技术、图像目标跟踪技术，以及相关技术应用现状等方面分析国内外相关领域的研究进展与趋势。 1.1图像目标检测与跟踪问题描述目标检测与跟踪是计算机视觉领域的核心技术，为后续的目标识别、行为识别、场景理解、态势感知等提供重要的信息来源和技术基础 [2]。目标检测与跟踪直接作用于输入图像，给出目标的位置信息、形状信息、属性信息和连续信息，将这些信息传递给视觉分析和理解系统，从而完成对图像的高级处理过程。 1.1.1图像目标检测问题目标检测的范畴主要包括行人检测、车辆检测、区域运动检测、时敏目标检测、异常变化检测、威胁检测，以及生物体检测等，目标检测通常是目标识别和跟踪系统的前期处理环节，检测性能的优劣直接影响后续跟踪的精度 [3]。目标检测技术可以是依据单帧图像的检测，也可以是利用视频序列的检测，处理的图像模式既可以是可见光图像，也可以是红外图像、夜视图像、合成孔径雷达 (synthetic aperture radar，SAR)图像等。本书重点考虑红外图像的目标检测问题。目标检测的主要任务是从图像或者视频序列中将敏感，或者感兴趣的目标提取来，并给出其精确定位的过程。一般来说，它是利用目标的特征信息或者目标与背景的差异信息，将目标从背景中分离并定位 [4]。但是，在真实的场景中，图像背景复杂多变、目标和背景相互耦合、目标的运动状态未知、场景中的干扰较大。这些都给目标检测带来较大的挑战。按照算法处理对象的不同，目标检测系统的框架结构可分为基于背景建模的目标检测系统和基于前景建模的目标检测框架。基于背景建模的方法通常通过连续帧图像对背景进行建模和估计，并通过差分图像来有效分离出前景区域，昀后通过阈值的分割提取目标。基于背景模型的算法结构如图 1.1所示。图 1.1基于背景模型的算法结构基于前景目标检测方法直接利用目标的特征信息，如颜色、形状、纹理、轮廓或者高层特性等，建立目标具有辨别性的描述模型，并通过设计有效的分类器对目标进行分类和定位，从而完成对目标的检测。基于前景模型的算法结构如图 1.2所示。图 1.2基于前景模型的算法结构 1.1.2图像目标跟踪问题目标跟踪问题可以描述为在场景中估计目标轨迹的过程，一个典型的目标跟踪系统包含四个模块 [5]。跟踪系统的各部分组成如图 1.3所示。对于一个输入图像序列，手动或者自动检测到目标，将目标的状态作为跟踪的初始状态，同时对目标建模，获取相关特征构造目标的描述类型，然后在后续的图像中利用目标模型，采用统计滤波或者密度估计的方式估计目标当前的状态，同时利用当前定位结果更新目标模型 [6]。图 1.3跟踪系统的各部分组成 (1)目标初始定位在目标的初始化阶段，初始定位一般分为手动标记定位和自动标记定位。对于手动标记定位，例如在传统的电视制导武器，以及在察打一体无人机的机载成像武器中，通过作战人员标定要打击的目标，确定打击的对象。对于自动标记定位，例如在智能监控中通过与固定背景比较自动获取运动目标，人脸识别中自动对人脸的识别定位，以及在昀新的具备发射后不管 (fire and forget，FAF)的制导武器中利用异源景像匹配技术，都具备对目标的自动捕获能力。 (2)外观模型在获得目标初始状态的基础上，下一步就是提取目标的特征，即构造目标描述模型。一般来说，目标描述模型有全局特征和局部特征两种。全局特征包括区域像素特征、光流特征、直方图特征和主动轮廓特征等。局部特征包括模板子块特征、分割特征、点特征和显著性特征等。外观统计模型根据目标的描述特征，利用统计学的方法通过构造有效的数学模型区分目标。外观统计模型一般分为启发式模型和辨别式模型。启发式模型首先搜索候选区域，然后通过比较与参考目标模型的相似度来定位昀可能目标区域。辨别式模型把目标跟踪问题看作一个在图像局部区域内的二值分类问题，目的是通过分类面把目标从背景中分离出来。 (3)目标运动模型目标运动模型是在一帧图像中获取候选样本的过程，直接影响跟踪算法的效率和鲁棒性[7]。一般情况下，都是通过预测器来完成的，如核密度估计 (kernel density estimation，KDE)和粒子滤波 (particle filter，PF)等。KDE本质上是一种梯度下降方法，通过不断地迭代移动，直至收敛到极值。 PF是一种用于估计动态系统状态变量的后验概率分布的贝叶斯重要性采样 (importance sampling，IS)技术。它可以给出一种能够方便地进行状态变量分布的后验概率密度函数估计和随时间推演的算法框架。 (4)更新模型由于目标和背景会在跟踪过程中不断变化，如果目标模型不进行更新，当目标的形变较大时，或者环境发生剧烈变化时，跟踪算法就无法准确定位目标，导致跟踪失败；如果目标模型更新过于频繁，就会不断地引入误差产生跟踪漂移问题。目标模型的更新是一个合理权衡的过程，如何设计有效的更新策略，使跟踪算法可以鲁棒地适应外观的变化，同时尽量地抑制跟踪漂移问题，是目标跟踪技术的研究重点。 1.1.3图像检测与跟踪技术应用目标检测与跟踪是计算机视觉领域的一项重要工作。随着高性能计算机的增多和摄像机的普及，对自动视频分析与日俱增的需求，目标检测与跟踪成为当前的热门研究领域。目前来说，图像检测与目标跟踪技术的应用主要包括如下领域。 (1)智能视频监控视频监控正在迅速向着网络化、数字化的方向发展。智能视频监控是在没有人工干预的情况下，自动地从非结构化的视频中提炼出结构化信息，并把对信息的表达从图像层次提升到语义层次。智能视频监控已经成为视频监控的重要发展方向，受到国内外各界的广泛关注。卡内基梅隆大学等在美国国防部的支持下，先后启动多项关于智能视频监控的研究，并取得一系列进展。国外的一些信息巨头，如微软、国际商业机器公司 (International Business Machines Corporation，IBM)、英特尔等也十分重视智能视频监控相关技术，分别设置了专业的研究部门进行相关理论研究，并开发了一些智能视频监控软硬件系统和中间件 [8]。国内的智能视频监控虽然起步晚，但是发展迅速，以海康威视、大华等安防公司为代表，在智能监控技术方面取得很大的突破和应用推广。 (2)智能交通系统作为未来交通系统的发展方向，智能交通系统是将先进的数据通信传输技术、电子传感技术，以及计算机技术等有效地集成运用于整个地面交通管理系统而建立的实时、高效的综合交通运输管理系统。智能交通系统主要分析视频信息对交通流量进行评估、分析和控制。在视频流中，实时检测和跟踪车辆通过分析车辆的速度、车流的密度和道路的拥堵情况，以及对违章逃逸车辆的追踪、车辆异常行为的分析等建立并完善智能交通系统的结构 [9]。智能交通系统可以每天连续 24小时进行实时监控，并对海量的数据进行分析和理解，极大地节省人力、财力和物力，提高工作效率。 (3)智能机器人机器人通过摄像头捕获视觉信息，通过目标跟踪技术进行目标定位，并在此基础上完成指定的任务。在机器人技术这一领域，美国和日本具有较大优势。美国的波士顿动力 (Boston Dynamics)公司代表超级机器人的国际昀高水平，昀新研制的一款机器狗，可以完成奔跑、转弯、爬坡等诸多挑战动作，用于全地形探测、复杂环境应急救援等任务。另外，波士顿动力还研制了一款名为 Atlas的仿人机器人。相比于日本的阿西莫， Atlas可以更加熟练地行走、爬楼梯和跳跃，还能在受到冲击时保持平衡稳定。智能机器人可以依靠安装的摄像机和传感器，通过局部视觉方式，实现对目标的检测、识别，进而有目的地移动并完成指定任务，可代替人在危险环境中 (如有毒、放射线、水下、污染等 )进行指定的劳动等。智能机器人的工作环境复杂多变，给目标检测与跟踪算法提出了更高的要求和挑战，因此研究精度更高、实时性更好的目标检测与跟踪算法，对进一步推广智能机器人的应用领域具有重要意义。 (4)智能人机交互随着虚拟现实技术的快速发展，人们已经不满足于传统的鼠标和键盘为主的交互方式，而是期望计算机以更加智能的方式与人进行交流。要实现这种智能的交互方式，计算机需要通过摄像头采集图像信息，并捕获和跟踪人类的运动，对相关数据(如表情、手势、姿势和身体动作 )进行分析和理解。目标跟踪技术是分析和理解语义信息的基础。相比于传统的键盘和鼠标为主的接触式人机交互技术，微软于 2010年开发的 Kinect体感游戏系统，为人机交互提供了一种更加直观和方便的交互方式，并在后续对 Kinect进行升级，在图像处理速度和深度检测精度有了进一步的提高。 (5)精确导航与制导现代的战争不仅要求精确制导武器能够准确地摧毁目标，还要求更高的隐蔽性、可靠性和抗干扰能力。成像制导武器已经成为精确制导武器发展的主要方向。基于视觉的目标跟踪技术能够在线实时地提供目标的精确位置、面积、运动速度等有效信息，是成像制导系统中不可缺少的一部分 [10]。目标跟踪技术还在军事领域的其他方面有着广泛的应用，包括战场侦察、武器控制系统、航天器的导航定位，以及光电检测系统等领域。无人机 (unmanned aerial vehicle，UAV)在进行搜索侦查和精确打击任务中 [11]，能否在复杂的场景中精确检测和稳定跟踪真实目标，是完成任务的关键步骤，如以色列梅卡瓦火控系统、日本 90式主战坦克火控系统、美国海军陆战队的 AV-8A系统等。 (6)智能医学诊断智能医学诊断是指对图像进行增强、标记，以及生物特征的检测、跟踪来帮助医生诊断疾病，并协助医生对感兴趣的区域进行定性或定量的估计测量和比较，也可以对患病部位进行跟踪识别，增强医生对病情深入了解，协助医生更快、更准确地祛除疾病。目前，超声波和核磁共振 (nuclear magnetic resonance，NMR)技术已被广泛地应用于病情诊断。目标检测与跟踪技术在超声波和核磁共振序列图像的自动分析中有广阔的应用前景，可基于超声波图像和核磁共振图像进行病情的智能处理和辅助判断，为医生的诊断提供更可靠和更全面的辅助诊断信息。另外，视觉目标检测和跟踪技术还在图像压缩、视频检索、三维重构、虚拟现实、活动分析等领域具有重要的应用价值。 1.2图像目标检测技术研究进展空地复杂场景下的目标检测由于特殊的应用场景和传感器探测模式，其成像与可见光相比有独有的特点，主要体现在红外场景下的目标颜色信息缺乏、亮度信息与目标本身的热辐射直接相关、在远距离目标缺乏纹理等特性。本节对空地复杂背景下的远距离红外弱小目标检测、异源图像匹配检测、基于深度学习的目标检测三个方面对目前的研究进展进行分析。 1.2.1红外弱小目标检测技术在信息化战争中，尽早地识别并锁定目标具有重要的意义。由于弱小移动目标的特殊性和复杂

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐