简介：对含有动、静态背景的稳定图像处理时,对比了主成分追踪鲁棒主成分分析法（RPCA）、贝叶斯鲁棒主成分分析法（BayesianRPCA）和高斯混合模型的鲁棒主成分分析法（MoG-RPCA）,3种方法对静态背景下的前景提取都较为完整.而动态背景下只有BayesianRPCA和MoG-RPCA提取出了完整的前景目标,但是BayesianRPCA计算速度很慢,且不能够处理复杂噪声.所以MoG-RPCA模型更具有对复杂噪声的适应性,动、静态背景情况下均提取出精度较高的前景目标,且具有较快的计算速度.当图像不稳定时,采用改进的MoG-RPCA模型对非稳定拍摄的抖动视频进行前景目标提取,并在第197帧抖动图像中清晰地提取出显著前景目标,且运算速度较快.在为了快速找到目标出现的帧时,对高斯混合模型背景差分法进行改进,利用K-means聚类算法快速得到聚类中心点,然后作为高斯混合模型背景更新时的初始化均值参数,从而提高在复杂场景下前景目标的检测精度.对于多角度追踪任务,不同角度、近似同一地点的多个监控视频图像中前景目标的提取,可采用跨摄像头视角跟踪结果融合的方法,然后对目标进行匹配.

简介：摘要鉴于基于像元的方法在高分辨率影像中水体信息提取的不足，以高分辨率SPOT遥感影像为数据源，采用多尺度分割算法，对水体的特征进行分析，建立对象知识进行细分类。实验表明，基于目标的方法保证了信息提取的完整性且提高了精度，能够得到更好的效果。

简介：环形目标提取是图像分割的一个难点，提出包含区域信息的水平集图像分割模型，模型采用加权图像区域灰度信息的外部能量项，作为驱动轮廓曲线向目标边界运动的动力．从实验结果可以看出，该模型同无区域信息项的模型相比，对环形目标图像有很好的分割效果，能够同时提取环形目标的内外边界．

简介：介绍一种静止背景条件下实时多运动目标提取与跟踪的方法.使用了单模态背景模型,用连通检测的方法分割出目标,取得目标信息,采用特征参数匹配的方法跟踪目标.对实际中出现的目标停止移动、被背景遮掩和相交运动等情况做了分析.通过采集的图像序列证实采用所提出的运动目标提取与跟踪算法可获得良好效果.

简介：摘要

简介：摘要：目标行为特征提取是计算机视觉和行为分析领域的重要任务之一。本研究基于深度学习方法，探索了对目标行为特征进行有效提取的方法。首先，我们回顾了深度学习在计算机视觉任务中的成功案例，并分析了深度学习在目标行为分析和行为识别中的优势。接着，我们概述了基于深度学习的目标行为特征提取方法，并讨论了深度学习模型在这一领域中的应用现状、优势和局限性。我们还比较和评估了不同的深度学习模型，探讨了它们在目标行为特征提取方面的性能差异。在模型设计方面，我们介绍了模型架构和网络结构设计、数据预处理和标注方法、损失函数和训练策略，以及模型参数调优和优化方法。最后，我们进行了实验和评估，通过比较不同模型在目标行为特征提取任务上的表现，验证了深度学习在该领域的有效性和潜力。本研究的结果对于改进目标行为特征提取方法、推动计算机视觉和行为分析的发展具有重要意义。

简介：摘要本文提出了一种在复杂背景和摄像机运动的情况下对运动目标提取的算法。通过在图象中合理划分区域，求得各个局部运动矢量后，采用出现频率最高的局部运动矢量代表全局运动矢量，成功的补偿了背景的运动。结果表明该算法在图像背景复杂且由于摄像机运动使背号发生明显变化的情况下，可稳定准确地提取出运动目标，并能有效克服背景中存在的运动干扰。

简介：视频监控的智能化是目前安防发展的一个趋势，如运动目标检测、目标识别。在这个过程中经常需要对目标进行背景分离然后进行特征提取并标识。FPGA内置了硬核DSP和存储器模块，具有强大的数据并行处理能力，适用于视频序列的图像处理。本文基于FPGA建立可编程的片上系统，在系统中利用快速连通域检测方法对目标进行特征提取，并根据特征信息在视频中以叠加字符形式将目标进行框选标识。

简介：特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征，稀疏约束将被添加在非负矩阵分解法中，并应用于图像目标特征提取，通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解，构建具有稀疏性的目标特征矢量，提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验，试验结果表明，添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比，能够显著提高目标识别的稳定性和准确率。

简介：在大孔径成像的条件下，目标上散射中心的等方向性模型将不再适用。目标散射中心的方向性是与其散射结构相联系的，此时散射中心的方向性成为目标的一个重要特征。文中将滤波逆投影算法与子孔径思想相结合，提出了一种提取目标散射中心方向特性的方法。该方法具有计算简单、运算量少的优点，从而为进一步的目标特征提取和目标识别提供了更多的信息。仿真试验验证了该方法的有效性。

简介：为后续目标识别作准备，针对采集并且存储之后的飞机目标雷达回波信号，完成后端雷达信号处理。首先，基于MATLAB提取波门内采样的回波信号并且实现目标的一维成像。然后，采用传统的傅里叶变换模值、双谱奇异值分解法对目标的一维距离像进行特征提取。为了获得较为稳定的目标特征，针对以上两种方法，主要从特征相似性的测量角度分析单一目标特征提取方法的性能优劣。最后通过实验，从相关系数概率密度分布情况得出双谱奇异值分解特征提取法性能较佳，所得到的目标特征较稳定。

简介：利用地震资料中提取的主振幅参数,结合钻井沉积相特征资料,将主振幅参数与钻井岩性参数进行相关拟合,将区域地震主振幅参数转化为沉积相,在此基础上实现了从地震角度研究有利储层的分布。主特征参数提取技术克服了傅氏分析长时窗及瞬时分析刻画局部信息的不足,可以提取地震子波的主极值,能更好地反映地质体的岩性和物性引起的差异。研究表明,主振幅参数对沉积相与波阻抗一样敏感。

简介：

简介：针对传统算法难以实现对相邻积累回波不连通慢速小目标航迹起始的问题，提出了一种基于Hough变换慢速小目标航迹提取方法。引入目标回波最小外接矩形长宽比（F3）和占空比（F2）对目标回波进行分类处理，在每个分类域中，利用目标回波最小外接矩形长宽比（F3）、占空比（F2）和像素值（F1）三个参量值作为Hough变换加权因子，并运用图像标记技术提取目标回波上述加权因子，通过加权Hough变换提取出每个分类域中的慢速小目标航迹，最后把所有分类域航迹提取结果进行累加，得到最终的SST航迹。仿真结果验证了该算法的有效性。

简介：摘要：目标分类是机载激光雷达数据处理中的重要环节，它通过对点云数据中的目标进行分类归类，实现目标的识别和分析。本文介绍了几种常用的目标分类算法，不同的算法可以根据具体需求选择和综合应用，提高目标分类的准确性和鲁棒性。

简介：目标长、宽、高三维几何特征，对SAR图像解译与目标识别等具有重要意义。从SAR成像几何出发，根据SAR观测俯仰角、目标及阴影之间的几何关系，研究提出了基于两维高分辨SAR图像阴影信息的车辆目标三维几何特征提取方法。该方法既可由某一方位角的单幅SAR图像提取目标三维几何特征，也可通过任意有限（3～5）个方位角SAR图像的融合提取目标三维几何特征，而且融合还可有效提高目标三维几何特征的提取精度。通过大量MSTAR实测SAR图像数据的实验结果，验证了其有效性。

简介：传统的遥感图像机场跑道自动目标检测由于仅提取灰度特征常产生过分割现象,本文采用灰度特征和纹理特征相结合的方法进一步提高跑道的检测精度。利用阈值对遥感图像进行初始分割,以定位感兴趣区域（ROI）,再利用EM算法估计ROI区域训练样本,引入马尔可夫随机场（MRF）模型,分割机场跑道。实验表明MRF可以很好地描述空间连续性,可以达到精确检测机场跑道的目的。

简介：摘 要：为适应空间目标识别中的一维距离像高分辨需求，本文通过稀疏频段合成获得 宽带或超宽带信号，对目标进行高精度一维距离像的提取；通过高低频段雷达的协同工作， 结合低频段的搜索和高频段精确跟踪并成像的优势，本文基于 S 和 X 波段的双波段雷达， 探讨了超宽带信号的合成以及目标高分辨距离像提取的相关方法。仿真试验结果表明了相关

简介：使用多聚焦图像融合（Multifocusimagefusion,MFIF）方法的最终目的是增加LR多聚焦图像中的高频成分,该方法采用低分率（lowresolution,LR）多聚焦图像恢复技术让高分辨率（highresolution,HR）多聚焦图像恢复.在IEDCNN参考模型的基础上采用多聚焦图像融合模型,并利用局部目标特征提取和NSCT变换相结合的动态模型结构,还在图像融合时引入了蚁群算法.经过实验表明：本文采用的方法比IEDCNN更具优势,尤其是图像融合效果,清晰度更佳,同时也让振铃效应得到了有效的抑制.

简介：目的研究多目标遗传算法（MOGA）在刺五加根提取工艺条件中的应用，并对其效果进行评价。方法利用Maflab2009a外挂SGALAB工具箱beta5008完成遗传算法的寻优；利用SPSS13．0软件进行统计分析。结果经过MOGA优化后，刺五加根及根茎中紫丁香苷、刺五加苷E的提取率的平均水平能达到0．104％、0．086％，提取工艺的最优提取条件为10倍的76％的乙醇、提取时间2．3h、提取次数3次。结论在保证多个目标都最优的前提下，MOGA搜索的Paret0非劣解比较理想，为刺五加根提取最优条件选择提供了合理的方法，可推广到其他药物的最优条件选择。