現(xiàn)代視頻圖像弱小目標(biāo)檢測(cè)導(dǎo)論

目 錄
前言
第1章 概論 1
1.1目標(biāo)檢測(cè)的內(nèi)涵 1
1.2目標(biāo)檢測(cè)方法概述 1
1.2.1模糊數(shù)學(xué)方法 9
1.2.2數(shù)學(xué)形態(tài)學(xué)方法 2
1.2.3分形學(xué)方法 3
1.2.4子波變換方法 3
1.2.5神經(jīng)網(wǎng)絡(luò)方法 4
1.2.6粒子濾波方法 5
參考文獻(xiàn) 6
第2章 圖像目標(biāo)特性分析 10
2.1引言 10
9.9太陽的輻射特性 10
2.2.1黑體輻射定律 10
2.2.2太陽輻射在進(jìn)人大氣層后的傳播形式 11
2.3海浪的陽光反射模型 14
2.3.1菲涅爾反射系數(shù) 14
2.3.2海浪的反射模型 14
2.4云團(tuán)的陽光反射模型 17
2.4.1光在大氣中的傳輸模型 17
2.4.2成像傳感器接收云團(tuán)陽光散射的模型 18
2.5紅外圖像特征描述 20
2.5.1點(diǎn)目標(biāo)輻射強(qiáng)度分布特性 20
2.5.2背景起伏特性 21
2.5.3噪聲分布特性 22
2.6小結(jié) 22
參考文獻(xiàn) 23
第3章 運(yùn)動(dòng)模糊圖像復(fù)原方法 24
3.1引言 24
3.2線性模糊圖像復(fù)原 25
3.2.1圖像模糊退化分析 25
3.2.2均勻積分模糊圖像的復(fù)原 26
3.2.3非均勻積分模糊圖像的復(fù)原 37
3.3旋轉(zhuǎn)模糊圖像復(fù)原 44
3.3.1旋轉(zhuǎn)模糊退化分析 45
3.3.2模糊路徑提取 47
3.3.3基于維納濾波的旋轉(zhuǎn)模糊圖像復(fù)原 49
3.3.4基于對(duì)角加載的旋轉(zhuǎn)模糊圖像復(fù)原 49
3.3.5幾種旋轉(zhuǎn)模糊圖像復(fù)原算法的效果比較 53
3.4小結(jié) 58
參考文獻(xiàn) 58
第4章 基于信息處理的電子穩(wěn)像方法 60
4.1引言 60
4.2圖像運(yùn)動(dòng)模型和電子穩(wěn)像原理 61
4.2.1攝像機(jī)成像模型分析 61
4.2.2圖像運(yùn)動(dòng)模型 63
4.2.3電子穩(wěn)像原理 66
4.3運(yùn)動(dòng)估計(jì)算法 67
4.3.1灰度投影法 67
4.3.2梯度法 70
4.3.3特征量匹配法 71
4.3.4塊匹配法 72
4.3.5其他運(yùn)動(dòng)估計(jì)方法 73
4.4基于塊匹配的電子穩(wěn)像方法 74
4.4.1圖像預(yù)處理 75
4.4.2運(yùn)動(dòng)估計(jì)模型 77
4.4.3局部運(yùn)動(dòng)矢量估計(jì) 77
4.4.4全局運(yùn)動(dòng)矢量估計(jì) 87
4.4.5運(yùn)動(dòng)補(bǔ)償 90
4.4.6電子穩(wěn)像仿真實(shí)驗(yàn)結(jié)果 94
4.5小結(jié) 103
參考文獻(xiàn) 103
第5章 基于模糊數(shù)學(xué)的目標(biāo)檢測(cè)方法 106
5.1引言 106
5.2模糊數(shù)學(xué)理論 106
5.2.1模糊集 106
5.2.2模糊度 107
5.3基于模糊數(shù)學(xué)的目標(biāo)檢測(cè)算法 108
5.3.1圖像模糊增強(qiáng)的模型 108
5.3.2常用的模糊增強(qiáng)算法 109
5.3.3改進(jìn)的模糊增強(qiáng)算法 111
5.3.4實(shí)驗(yàn)結(jié)果 112
5.4小結(jié) 118
參考文獻(xiàn) 118
第6章 基于數(shù)學(xué)形態(tài)學(xué)的目標(biāo)檢測(cè)方法 119
6.1引言 119
6.2形態(tài)濾波理論 119
6.2.1二值形態(tài)濾波理論 119
6.2.2灰值形態(tài)濾波理論 122
6.3基于形態(tài)濾波的目標(biāo)檢測(cè)算法 126
6.4小結(jié) 129
參考文獻(xiàn) 130
第7章 形態(tài)濾波與遺傳算法相結(jié)合的目標(biāo)檢測(cè)方法 131
7.1引言 131
7.2遺傳算法基本理論 132
7.2.1遺傳算法的基本概念 132
7.2.2遺傳算法的編碼及適應(yīng)度函數(shù) 133
7.2.3遺傳算法的基本操作 135
7.2.4遺傳算法模式理論和特點(diǎn) 137
7.3形態(tài)濾波與遺傳算法在目標(biāo)檢測(cè)中的運(yùn)用 140
7.3.1目標(biāo)檢測(cè)算法 141
7.3.2遺傳算子確定 141
7.3.3白適應(yīng)遺傳策略算法 145
7.3.4基于遺傳算法的白適應(yīng)形態(tài)濾波目標(biāo)檢測(cè)算法 147
7.4小結(jié) 150
參考文獻(xiàn) 151
第8章 基于分形學(xué)的目標(biāo)檢測(cè)方法 152
8.1引言 152
8.2分形理論 152
8.2.1分形維數(shù) 152
8.2.2 DFBIR場(chǎng)維數(shù) 153
8.3基于分形技術(shù)的目標(biāo)檢測(cè)算法 154
8.3.1基于分形維數(shù)的目標(biāo)檢測(cè) 154
8.3.2基于分形模型圖像誤差的目標(biāo)檢測(cè) 156
8.3.3基于分形技術(shù)改進(jìn)的目標(biāo)檢測(cè)算法 157
8.4小結(jié) 160
參考文獻(xiàn) 161
第9章 基于子波變換的目標(biāo)檢測(cè)方法 162
9.1引言 162
9.2子波變換理論 162
9.2.1連續(xù)子波變換 162
9.2.2離散子波變換 163
9.2.3多分辨率分析 163
9.2.4子波基函數(shù)分析 164
9.2.5信號(hào)奇異性及子波變換模極大值 166
9.3基于子波變換的目標(biāo)檢測(cè)算法 167
9.3.1圖像預(yù)處理 167
9.3.2潛在目標(biāo)圖像區(qū)域劃分 168
9.3.3潛在目標(biāo)檢測(cè) 170
9.4小結(jié) 172
參考文獻(xiàn) 172
第10章 基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法 174
10.1引言 174
10.2神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 174
10.2.1遠(yuǎn)動(dòng)圖像的時(shí)變特性 174
10.2.2神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則 175
10.2.3白適應(yīng)BP學(xué)習(xí)算法 177
10.3形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法 177
10.3.1神經(jīng)網(wǎng)絡(luò)模型參數(shù) 177
10.3.2形態(tài)學(xué)變權(quán)神經(jīng)網(wǎng)絡(luò)算法 178
10.4小結(jié) 182
參考文獻(xiàn) 182
第11章 基于粒子濾波器的先跟蹤后檢測(cè)方法 183
11.1引言 183
11.2弱小目標(biāo)的狀態(tài)與測(cè)量模型 184
11.3先跟蹤后檢測(cè)方法的貝葉斯形式 184
11.4基于粒子濾波器的先跟蹤后檢測(cè)算法 185
11.5仿真實(shí)驗(yàn)及實(shí)驗(yàn)結(jié)果 188
11.6小結(jié) 190
參考文獻(xiàn) 190
第12章 基于混合粒子濾波的多目標(biāo)檢測(cè)與跟蹤 192
12.1引言 192
12.2先跟蹤后檢測(cè)的貝葉斯形式 193
12.3混合貝葉斯跟蹤 194
12.4混合粒子濾波器 195
12.5貝葉斯目標(biāo)檢測(cè) 197
12.6仿真實(shí)驗(yàn) 200
12.7小結(jié) 203
參考文獻(xiàn) 203
第13章 基于組合優(yōu)化的目標(biāo)檢測(cè)方法 205
13.1引言 205
13.2神經(jīng)網(wǎng)絡(luò)多分類器組合 205
13.3貝葉斯多分類器組合 207
13.4基于Bagging的分類器組合 209
13.5基于Adaboost的分類器組合 211
13.6基于Adaboost算法的目標(biāo)檢測(cè)與仿真實(shí)驗(yàn) 214
13.6.1基于Adaboost算法的目標(biāo)檢測(cè) 215
13.6.2仿真實(shí)驗(yàn) 216
13.7小結(jié)222
參考文獻(xiàn)222
第14章 決策融合技術(shù)在目標(biāo)檢測(cè)中的應(yīng)用 224
14.1信息融合 224
14.2決策融合方法 226
14.2.1基于主觀貝葉斯概率推理理論的決策融合 226
14.2.2基于DS證據(jù)理論的決策融合 227
14.2.3基于人T智能的決策融合 229
14.2.4基于模糊子集理論的決策融合 230
14.2.5基于投票規(guī)則的決策融合 231
14.2.6基于神經(jīng)網(wǎng)絡(luò)技術(shù)的決策融合 231
14.3決策融合用于目標(biāo)檢測(cè) 234
14.3.1單個(gè)檢測(cè)器決策結(jié)果的描述形式 234
14.3.2如何實(shí)現(xiàn)各單個(gè)檢測(cè)器的決策結(jié)果的融合 236
14.3.3決策結(jié)果的評(píng)價(jià) 241
14.4投票表決技術(shù)在決策融合中的應(yīng)用 241
14.4.1未考慮先驗(yàn)知識(shí)的表決融合 242
14.4.2基于連續(xù)五幀圖像的投票表決融合 245
14.4.3基于先驗(yàn)知識(shí)的表決融合 250
14.5小結(jié) 255
參考文獻(xiàn) 256
第15章 基于特征的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤 257
15.1引言 257
15.2圖像特征點(diǎn)檢測(cè)算法 257
15.2.1角點(diǎn)檢測(cè)方法 258
15.2.2尺度不變特征點(diǎn)檢測(cè)算子 262
15.2.3特征點(diǎn)描述符的建立 267
15.3基于SIFT特征的運(yùn)動(dòng)目標(biāo)跟蹤 270
15.3.1基于累積SIFT特征的目標(biāo)跟蹤算法 271
15.3.2實(shí)驗(yàn)結(jié)果及分析 277
15.4小結(jié) 280
參考文獻(xiàn) 281
第16章 動(dòng)平臺(tái)光電成像的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤 283
16.1引言 283
16.2全局運(yùn)動(dòng)估計(jì)與補(bǔ)償技術(shù) 283
16.2.1 Kl．T特征追蹤器 284
16.2.2圖像運(yùn)動(dòng)參數(shù)的估計(jì)與補(bǔ)償 286
16.2.3基于RAN SAC算法的動(dòng)態(tài)特征消除 288
16.2.4基于多分辨率技術(shù)的快速運(yùn)動(dòng)估計(jì)與補(bǔ)償 290
16.3基于粒子濾波的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤 293
16.3.1粒子濾波器 294
16.3.2基于KLD采樣的白適應(yīng)粒子濾波器 299
16.3.3白適應(yīng)粒子濾波器用于多運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤 301
16.4基于圖像動(dòng)態(tài)層表述的目標(biāo)跟蹤 313
16.4.1圖像的動(dòng)態(tài)層表述 314
16.4.2動(dòng)態(tài)層表述跟蹤算法的實(shí)現(xiàn) 316
16.5小結(jié) 323
參考文獻(xiàn) 323
第17章 復(fù)雜背景下的目標(biāo)識(shí)別與跟蹤 326
17.1引言 326
17.2潛在目標(biāo)區(qū)域提取 326
17.2.1圖像的最小化能量分割法．Q97
17.2.2區(qū)域運(yùn)動(dòng)狀態(tài)分析 331
17.3目標(biāo)識(shí)別 332
17.3.1主成分分析 333
17.3.2奇異值分解 335
17.3.3目標(biāo)識(shí)別實(shí)驗(yàn) 338
17.4目標(biāo)跟蹤 345
17.4.1魯棒統(tǒng)計(jì)及其在目標(biāo)跟蹤巾的應(yīng)用 346
17.4.2仿射變換及其在目標(biāo)跟蹤巾的應(yīng)用 353
17.4.3目標(biāo)跟蹤穩(wěn)定性措施 356
17.4.4目標(biāo)跟蹤處理算法流程 359
17.5小結(jié) 366
參考文獻(xiàn) 366
后記 369
彩圖