为了提高红外图像弱小目标在复杂背景干扰下的检测精度，本文提出了基于多特征相似度差异决策与改进的Top-Hat 变换的红外弱小目标检测算法。该算法通过经典的Top-Hat 的单一结构元素进行分割，形成多尺度结构元素，并依据弱小目标与其周围背景之间的灰度差异，定义了灰度变化映射，通过计算其均值与方差，构建目标决策因子，并将其与多尺度结构元素嵌入到Top-Hat 变换中，形成了新的Top-Hat 变换；随后，联合灰度强度、对比度以及结构信息，建立多特征紧密度差异模型，提取包含真实弱小目标与可疑目标的候选区域；最后，基于弱小目标运动的连续性，引入管道滤波模式，将候选区域中的可疑目标剔除，保留真实弱小目标。实验数据表明：与当前红外弱小目标检测算法相比，在复杂背景干扰下，所提算法的检测精度更高，能够将弱小目标完整地检测出来，具有更好的ROC 特性曲线。
红外弱小目标检测 多特征紧密度差异 Top-Hat 变换 灰度变化映射 管道滤波模式 infrared dim small target detection multi-feature tightness difference Top-Hat transform gray change
军械工程学院光学与电子工程系，河北石家庄 050003
广义概率数据关联算法作为一种全局次优的数据关联算法，以其新颖的可行性划分规则和较少的计算存储需求引起了人们的广泛关注。为了进一步提高数据关联的精度，从红外凝视系统中目标的特点出发，利用目标方向差和灰度变化因子的概念，得到了量测在目标方向和灰度约束下的互联概率；结合GPDA算法得到的基于距离信息的互联概率，利用加权和的方式即可得到引入方向信息和灰度信息约束后的新的互联概率。该算法不仅充分利用了原GPDA算法的优点，而且通过方向和灰度约束降低了错误关联的概率，使得关联精度得到了进一步的提高。通过该算法与原GPDA和JPDA算法对杂波环境下多目标跟踪性能的对比分析，可以得出该算法在继承了原GPDA算法的基础上，以较小的计算量代价使得跟踪性能得到的很大的改善。
红外凝视系统 多目标跟踪 广义概率数据关联 方向差 灰度变化因子 infrared staring system multi-target tracking generalized probability data association direction difference grey scale change factor
中南大学 信息科学与工程学院,湖南 长沙 410075
提出了一种新的图像中人眼检测算法。在一幅已知人脸图像区域中,首先采用中值滤波除去噪声点,然后选取灰度变化最大的几块区域作为眉眼候选区域。最后利用SIFT方法在候选区域中最终定位眼睛的精确位置、尺度和方向。实验结果证明,本文所提出的算法具有准确率高和计算量小的优点。
人眼检测 灰度变化 SIFT算子 eye detection gray-scale gradient SIFT algorithm
1 上海交通大学,图像处理与模式识别研究所,上海,200240
2 中国航天科工集团公司二院,北京,100854
针对图像灰度变化和遮挡问题,提出一种增量符号相关的景象匹配方法.介绍了增量符号相关算法的理论基础,基本原理为将二维图像变换为一维向量,再将一维向量按照某种编码规律进行编码,得到由0、1组成的特征字符串,对由实时图和基准图上同样大小的基准子图变换而来的特征字符串求相关,相关系数最大者即为最佳匹配区.将此算法与绝对差算法和归一化积相关算法进行实验对比,在对算法进行定量分析的基础上,证明增量符号算法对灰度变化和遮挡有较好的鲁棒性,为图像匹配导航与制导提供了新的思路.
景象匹配 增量符号相关 灰度变化 遮挡
