準(zhǔn)確性和實(shí)時(shí)性是影響目標(biāo)檢測(cè)性能的兩項(xiàng)重要指標(biāo)。為了在多種復(fù)雜場(chǎng)景中進(jìn)行快速精準(zhǔn)的目標(biāo)檢測(cè),提出了一種融合超復(fù)雜傅里葉變換（HFT）顯著性計(jì)算、高效子窗口搜索（ESS）和大津法（OTSU）的精準(zhǔn)目標(biāo)檢測(cè)算法。該算法首先將輸入圖像進(jìn)行HFT顯著性計(jì)算,得到顯著圖,然后在顯著圖的基礎(chǔ)上通過(guò)高效子窗口進(jìn)行全局搜索并初步定位目標(biāo),最后利用大津法分割子窗口范圍內(nèi)的圖像,并根據(jù)子窗口邊界的像素值優(yōu)化子窗口的位置,實(shí)現(xiàn)精準(zhǔn)的目標(biāo)檢測(cè)。實(shí)驗(yàn)結(jié)果表明,新算法在保證運(yùn)算速度的同時(shí),顯著提高了檢測(cè)精度。 

【文章來(lái)源】：電光與控制. 2019,26(08)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

本文算法流程圖Fig．2Flowchartofouralgorithm

ㄐ苑治?為檢驗(yàn)算法的適應(yīng)能力，本文對(duì)多種不同類型的目標(biāo)進(jìn)行定性實(shí)驗(yàn)，檢測(cè)結(jié)果如圖3～圖5所示。在圖3a、圖4a、圖5a中，由于子窗口邊界含有目標(biāo)信息，所以需要啟用LOG算子進(jìn)行邊緣檢測(cè)，因此按算法流程將HFT顯著圖、粗定位結(jié)果、大津法分割結(jié)果、LOG邊緣檢測(cè)結(jié)果、精準(zhǔn)目標(biāo)檢測(cè)結(jié)果依次列出。在圖3b、圖4b、圖5b中，由于子窗口邊界無(wú)目標(biāo)信息，因此按流程將顯著圖、粗定位結(jié)果、大津法分割結(jié)果和精準(zhǔn)目標(biāo)檢測(cè)結(jié)果依次列出，本文不再贅述。圖3為檢測(cè)空中飛行目標(biāo)的實(shí)驗(yàn)結(jié)果。圖3a中，由于成像設(shè)備與目標(biāo)較近，顯著密度主要集中在鳥(niǎo)的軀干附近，導(dǎo)致子窗口邊界包含目標(biāo)，通過(guò)邊緣檢測(cè)判斷后，放大子窗口，得到精準(zhǔn)的目標(biāo)檢測(cè)結(jié)果。圖3b中，由于成像設(shè)備與目標(biāo)較遠(yuǎn)，并受到強(qiáng)光干擾，顯著密度集中位置包含了大量背景，本文算法對(duì)子窗口內(nèi)進(jìn)行大津法分割后，目標(biāo)區(qū)域并沒(méi)有與子窗口邊界重合，因此直接利用大津法分割的結(jié)果實(shí)現(xiàn)目標(biāo)精確定位。圖3空中飛行目標(biāo)檢測(cè)結(jié)果Fig．3Detectionresultsoftargetsintheair總之，針對(duì)空中飛行目標(biāo)，無(wú)論距離遠(yuǎn)近，本文算法均能克服云層或強(qiáng)光干擾，具有較高的檢測(cè)精度和抗干擾能力。圖4為檢測(cè)近地目標(biāo)的實(shí)驗(yàn)結(jié)果。圖4a中，由于背景復(fù)雜，顯著密度雖然相對(duì)集中，但并不能精確定位目標(biāo)，利用大津法分割縮小子窗口左右邊界，而且子窗口下邊界也有目標(biāo)信息存在，所以需要利用LOG算子調(diào)整下邊界，得到比較正確的檢測(cè)圖像。圖4b中，第3幅是大津法的分割結(jié)果。機(jī)場(chǎng)背景下有大量背景干擾，導(dǎo)致顯著密度不能全部集中在目標(biāo)位置，而經(jīng)過(guò)大津法分割后，子窗口上沒(méi)有目

要集中在鳥(niǎo)的軀干附近，導(dǎo)致子窗口邊界包含目標(biāo)，通過(guò)邊緣檢測(cè)判斷后，放大子窗口，得到精準(zhǔn)的目標(biāo)檢測(cè)結(jié)果。圖3b中，由于成像設(shè)備與目標(biāo)較遠(yuǎn)，并受到強(qiáng)光干擾，顯著密度集中位置包含了大量背景，本文算法對(duì)子窗口內(nèi)進(jìn)行大津法分割后，目標(biāo)區(qū)域并沒(méi)有與子窗口邊界重合，因此直接利用大津法分割的結(jié)果實(shí)現(xiàn)目標(biāo)精確定位。圖3空中飛行目標(biāo)檢測(cè)結(jié)果Fig．3Detectionresultsoftargetsintheair總之，針對(duì)空中飛行目標(biāo)，無(wú)論距離遠(yuǎn)近，本文算法均能克服云層或強(qiáng)光干擾，具有較高的檢測(cè)精度和抗干擾能力。圖4為檢測(cè)近地目標(biāo)的實(shí)驗(yàn)結(jié)果。圖4a中，由于背景復(fù)雜，顯著密度雖然相對(duì)集中，但并不能精確定位目標(biāo)，利用大津法分割縮小子窗口左右邊界，而且子窗口下邊界也有目標(biāo)信息存在，所以需要利用LOG算子調(diào)整下邊界，得到比較正確的檢測(cè)圖像。圖4b中，第3幅是大津法的分割結(jié)果。機(jī)場(chǎng)背景下有大量背景干擾，導(dǎo)致顯著密度不能全部集中在目標(biāo)位置，而經(jīng)過(guò)大津法分割后，子窗口上沒(méi)有目標(biāo)信息，因此可直接利用大津法的處理結(jié)果縮小子窗口范圍，得到目標(biāo)精確位置。圖4近地目標(biāo)檢測(cè)結(jié)果Fig．4Detectionresultsoftargetsneartheground可以看出，即使背景噪聲干擾嚴(yán)重，本文算法在對(duì)第8期15

【參考文獻(xiàn)】：
期刊論文
[1]基于超復(fù)數(shù)傅里葉變換的自適應(yīng)顯著性檢測(cè)[J]. 黃侃,張涌,呂波.  計(jì)算機(jī)應(yīng)用. 2017(S1)
[2]基于顯著圖生成和顯著密度最大化的高效子窗口搜索目標(biāo)檢測(cè)方法[J]. 劉松濤,黃金濤,劉振興.  電光與控制. 2015(12)
[3]紅外小目標(biāo)的模板提取及檢測(cè)技術(shù)研究[J]. 王霄,辛云宏.  激光與紅外. 2013(07)



本文編號(hào)：3386572