留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于视觉显著性和目标置信度的红外车辆检测技术

齐楠楠,  姜鹏飞,  李彦胜,  谭毅华

downloadPDF
文章导航 > 红外与激光工程  > 2017 >  46(6): 604005-0604005(9)
齐楠楠, 姜鹏飞, 李彦胜, 谭毅华. 基于视觉显著性和目标置信度的红外车辆检测技术[J]. 红外与激光工程, 2017, 46(6): 604005-0604005(9). doi: 10.3788/IRLA201746.0604005
引用本文: 齐楠楠, 姜鹏飞, 李彦胜, 谭毅华. 基于视觉显著性和目标置信度的红外车辆检测技术[J]. 红外与激光工程, 2017, 46(6): 604005-0604005(9). doi: 10.3788/IRLA201746.0604005
shu
Qi Nannan, Jiang Pengfei, Li Yansheng, Tan Yihua. Infrared vehicle detection based on visual saliency and target confidence[J]. Infrared and Laser Engineering, 2017, 46(6): 604005-0604005(9). doi: 10.3788/IRLA201746.0604005
Citation: Qi Nannan, Jiang Pengfei, Li Yansheng, Tan Yihua. Infrared vehicle detection based on visual saliency and target confidence[J]. Infrared and Laser Engineering, 2017, 46(6): 604005-0604005(9). doi: 10.3788/IRLA201746.0604005
shu

基于视觉显著性和目标置信度的红外车辆检测技术

doi: 10.3788/IRLA201746.0604005
  • 1.

    光电控制技术重点实验室,河南 洛阳 471023;

  • 2.

    华中科技大学 自动化学院,湖北 武汉 430074;

  • 3.

    中国航空工业集团公司洛阳电光设备研究所,河南 洛阳 471023

基金项目: 

航空科学基金（20135179007）

详细信息
    作者简介:

    齐楠楠(1982-),女,工程师,主要从事图像信息处理方面的研究。Email:eoei@vip.sina.com

  • 中图分类号: TP391

Infrared vehicle detection based on visual saliency and target confidence

  • 1.

    Science and Technology on Electro-Optic Control Laboratory,Luoyang 471023,China;

  • 2.

    School of Automation,Huazhong University of Science and Technology,Wuhan 430074,China;

  • 3.

    Luoyang Institute of Electro-optical Equipment,Aviation Industry Corporation of China,Luoyang 471023,China

  • 摘要: 提出了一种复杂地面背景下的红外车辆检测算法。首先，提出一种新的自适应分段线性灰度拉伸方法来增强当图像整体亮度偏低时的目标信息。其次，利用拉伸后图像的显著性图生成目标潜在的兴趣区。再次，利用平均梯度法在兴趣区内进行目标的边缘再分割，完成目标精确分割检测。最后，利用车辆的红外融合特征计算目标置信度，对目标进行评估和确认。实验结果表明：对实际拍摄的红外图像进行检测的算法可有效地检测出地面车辆目标。
    Abstract: An algorithm of infrared vehicle detection under the complex background was propose. First, a novel self-adaption piecewise linear stretching function was utilized to enhance the targets when the overall intensity of image was low. Second, the saliency map of the enhanced image was used to generate the ROIs of the potential targets. Then, the vehicle targets were able to be detected by the edge-based segmentation in ROIs using average gradient. Finally, multiple features were fused to discriminate the belief of a region belonging to a vehicle target. Experimental results on the real infrared images show that the algorithm can effectively detect the vehicle target on ground.
  • [1] Soni T, Zeilder R, Ku W H. Performance evaluation of 2-D adaptive prediction filters for detection of small objects in image data [J]. IEEE Transactions on Image Processing, 1993, 2(3): 327-340.
    [2] Hu Tun, Zhao Jiajia, Cao Yuan, et al. Infrared small target detection based on saliency and principle component analysis [J]. Journal of Infrared and Millimeters Waves, 2010, 29(4): 303-306. (in Chinese)胡暾, 赵佳佳, 曹原, 等. 基于显著性和主成分分析的小目标检测[J]. 红外与毫米波学报, 2010, 29(4): 303-306.
    [3] Yang L, Yang J, Zheng Z. Detecting infrared small target based on adaptive local energy threshold under sea-sky complex backgrounds[J]. J Infrared Millim Waves, 2006, 25(1): 41-45.
    [4] Bai X, Zhou F. Analysis of new top-hat transformation and the application for infrared dim small target detection[J].Pattern Recognition, 2010, 43(6): 2145-2156.
    [5] Kim S, Lee J. Scale invariant small target detection by optimizing signal-to-clutter ratio in heterogeneous background for infrared search and track[J]. Pattern Recognition, 2012, 45(1): 393-406
    [6] Gu Y, Wang C, Liu B X, et al. A kernel-based nonparametric regression method for clutter removal in infrared small-target detection applications[J]. Geoscience and Remote Sensing Letters, IEEE, 2010, 7(3): 469-473.
    [7] Zheng C, Li H. Small infrared target detection based on harmonic and sparse matrix decomposition[J]. Optical Engineering, 2013, 52(6): 066401.
    [8] Liu R, Zhi H. Infrared point target detection with Fisher linear discriminant and kernel Fisher linear discriminant[J].Journal of Infrared, Millimeter, and Terahertz Waves, 2010, 31(12): 1491-1502.
    [9] Bae T W. Small target detection using bilateral filter and temporal cross product in infrared images[J]. Infrared Physics Technology, 2011, 54(5): 403-411.
    [10] He Y J, Li M, Zhang J L, et al. Small infrared target detection based on low-rank and sparse representation[J]. Infrared Physics Technology, 2015, 68(1): 98-109.
    [11] Jesmin F K, Mohammad S A, Sharif M A B. Automatic target detection in forward-looking infrared imagery via probabilistic neural networks[J]. Applied Optics, 2009, 48(3): 464-476.
    [12] Cao X, Wu C, Lan J, et al. Vehicle detection and motion analysis in low-altitude airborne video under urban environment[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2011, 21(10): 1522-1533.
    [13] Cheng M, Zhang G, Niloy J, et al. Global contrast based salient region detection[C]//CVPR, 2011:409-416.
    [14] Achanta R, Hemami S, Estrada F, et al. Frequency-tuned salient region detection[C]//CVPR, 2009: 1597-1604.
    [15] Li Xiaobing. An adaptive piecewise linear gray scales transformation method for infrared measurement image [J]. Optoelectronic Technology, 2011, 31(4): 236-239. (in Chinese)李晓冰. 一种红外测量图像自适应分段线性灰度变换方法[J]. 光电子技术, 2011, 31(4): 236-239.
    [16] Li J, Levine M D, An X, et al. Visual saliency based on scale-space analysis in the frequency domain[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(4): 996-1010.
  • [1] 王向军, 李名洋, 王霖, 刘峰, 王玮.  边缘信息引导多级尺度特征融合的显著性目标检测方法 . 红外与激光工程, 2023, 52(1): 20220344-1-20220344-10. doi: 10.3788/IRLA20220344
    [2] 陈世琼.  基于非线性抗噪声估计的视觉显著性弱小目标检测 . 红外与激光工程, 2022, 51(9): 20210939-1-20210939-6. doi: 10.3788/IRLA20210939
    [3] 高红霞, 魏涛.  改进PCNN与平均能量对比度的图像融合算法 . 红外与激光工程, 2022, 51(4): 20210996-1-20210996-8. doi: 10.3788/IRLA20210996
    [4] 杨子龙, 朱付平, 田金文, 田甜.  基于显著性与稠密光流的红外船只烟幕检测方法研究 . 红外与激光工程, 2021, 50(7): 20200496-1-20200496-8. doi: 10.3788/IRLA20200496
    [5] 蒋国清, 万烂军.  基于最恰对比度显著性分析的红外弱小目标检测方法 . 红外与激光工程, 2021, 50(4): 20200377-1-20200377-8. doi: 10.3788/IRLA20200377
    [6] 陈伟力, 徐文斌, 王淑华, 陈艳, 张亚洲, 李军伟, 邓蓉.  基于红外光谱偏振度对比度的涂层材质识别研究 . 红外与激光工程, 2020, 49(6): 20190445-1-20190445-7. doi: 10.3788/IRLA20190445
    [7] 冯发杰, 丁亚洲, 吏军平, 黄星北, 刘欣怡.  使用显著性划分的机载激光雷达点云滤波 . 红外与激光工程, 2020, 49(8): 20190439-1-20190439-9. doi: 10.3788/IRLA20190439
    [8] 李洪波, 胡炳樑, 余璐, 孔亮, 于涛, 高晓惠.  基于类对比度的CCD相关双采样自适应技术 . 红外与激光工程, 2018, 47(3): 320003-0320003(7). doi: 10.3788/IRLA201847.0320003
    [9] 夏彦文, 郑奎兴, 刘华, 赵军普, 彭志涛, 孙志红, 董军, 李森.  纳秒整形激光脉冲波形的高对比度诊断 . 红外与激光工程, 2016, 45(11): 1106002-1106002(6). doi: 10.3788/IRLA201645.1106002
    [10] 王鹏, 娄淑琴, 梁生, 张颜.  选择性平均的φ-OTDR分布式光纤扰动传感系统阈值算法 . 红外与激光工程, 2016, 45(3): 322003-0322003(6). doi: 10.3788/IRLA201645.0322003
    [11] 高绍姝, 金伟其, 王延江, 张晓东.  灰度融合图像目标与背景感知对比度客观评价模型 . 红外与激光工程, 2015, 44(5): 1660-1665.
    [12] 曾祥通, 张玉珍, 孙佳嵩, 喻士领.  颜色对比度增强的红外与可见光图像融合方法 . 红外与激光工程, 2015, 44(4): 1198-1202.
    [13] 李志军, 刘松林, 牛照东, 陈曾平.  基于梯度相位和显著性约束的Hausdorff 距离模板匹配方法 . 红外与激光工程, 2015, 44(2): 775-780.
    [14] 田昌会, 蔡明, 杨百愚, 范琦, 王斌科, 王伟宇, 屈绍波.  星载红外探测对比度的计算与分析 . 红外与激光工程, 2014, 43(3): 737-741.
    [15] 莫春红, 刘波, 丁璐, 陈二瑞, 郭高.  一种梯度阈值自动调焦算法 . 红外与激光工程, 2014, 43(1): 323-327.
    [16] 刘雪超, 吴志勇, 王弟男, 杨华, 黄德天.  结合自适应窗口的二维直方图图像增强 . 红外与激光工程, 2014, 43(6): 2027-2034.
    [17] 杨桄, 童涛, 孟强强, 孙嘉成.  基于梯度加权的红外与可见光图像融合方法 . 红外与激光工程, 2014, 43(8): 2772-2779.
    [18] 彭志勇, 王向军, 卢进.  窗口热辐射下基于视觉显著性的红外目标检测方法 . 红外与激光工程, 2014, 43(6): 1772-1776.
    [19] 纪超, 刘慧英, 邵刚, 孙景峰.  基于生物激励计算模型在图像显著性提取中的研 . 红外与激光工程, 2013, 42(3): 823-828.
    [20] 娄和利, 吕相银, 周园璞, 吴晓迪.  地面目标与背景的红外辐射对比度特性 . 红外与激光工程, 2012, 41(8): 2002-2007.
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  436
  • HTML全文浏览量:  69
  • PDF下载量:  140
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-10-10
  • 修回日期:  2016-11-20
  • 刊出日期:  2017-06-25

基于视觉显著性和目标置信度的红外车辆检测技术

doi: 10.3788/IRLA201746.0604005
  • 1. 光电控制技术重点实验室,河南 洛阳 471023;
  • 2. 华中科技大学 自动化学院,湖北 武汉 430074;
  • 3. 中国航空工业集团公司洛阳电光设备研究所,河南 洛阳 471023
    • 作者简介:

    齐楠楠(1982-),女,工程师,主要从事图像信息处理方面的研究。Email:eoei@vip.sina.com

  • 收稿日期: 2016-10-10
  • 修回日期: 2016-11-20
  • 刊出日期: 2017-06-25
基金项目:

航空科学基金（20135179007）

  • 中图分类号: TP391

摘要: 提出了一种复杂地面背景下的红外车辆检测算法。首先，提出一种新的自适应分段线性灰度拉伸方法来增强当图像整体亮度偏低时的目标信息。其次，利用拉伸后图像的显著性图生成目标潜在的兴趣区。再次，利用平均梯度法在兴趣区内进行目标的边缘再分割，完成目标精确分割检测。最后，利用车辆的红外融合特征计算目标置信度，对目标进行评估和确认。实验结果表明：对实际拍摄的红外图像进行检测的算法可有效地检测出地面车辆目标。

English Abstract

    全文HTML

参考文献 (16)

目录

    /

    返回文章
    返回

    版权所有 © 2019 《红外与激光工程》编辑部｜ 地址: 天津市空港经济区中环西路58号｜ 邮政编码: 300308

    津ICP备19007885号-1

    本系统由 北京仁和汇智信息技术有限公司 开发    百度统计