龙源期刊网 https://www.doczj.com/doc/9618703913.html, 目标检测方法简要综述 作者：栗佩康袁芳芳李航涛 来源：《科技风》2020年第18期 摘要：目标检测是计算机视觉领域中的重要问题，是人脸识别、车辆检测、路网提取等领域的理论基础。随着深度学习的快速发展，与基于滑窗以手工提取特征做分类的传统目标检测算法相比，基于深度学习的目标检测算法无论在检测精度上还是在时间复杂度上都大大超过了传统算法，本文将简单介绍目标检测算法的发展历程。 关键词：目标检测;机器学习;深度神经网络 目标检测的目的可分为检测图像中感兴趣目标的位置和对感兴趣目标进行分类。目标检测比低阶的分类任务复杂，同时也是高阶图像分割任的重要基础;目标检测也是人脸识别、车辆检测、路网检测等应用领域的理论基础。 传统的目标检测算法是基于滑窗遍历进行区域选择，然后使用HOG、SIFT等特征对滑窗内的图像块进行特征提取，最后使用SVM、AdaBoost等分类器对已提取特征进行分类。手工构建特征较为复杂，检测精度提升有限，基于滑窗的算法计算复杂度较高，此类方法的发展停滞，本文不再展开。近年来，基于深度学习的目标检测算法成为主流，分为两阶段和单阶段两类：两阶段算法先在图像中选取候选区域，然后对候选区域进行目标分类与位置精修;单阶段算法是基于全局做回归分类，直接产生目标物体的位置及类别。单阶段算法更具实时性，但检测精度有损失，下面介绍这两类目标检测算法。 1 基于候选区域的两阶段目标检测方法 率先将深度学习引入目标检测的是Girshick[1]于2014年提出的区域卷积神经网络目标检测模型（R-CNN）。首先使用区域选择性搜索算法在图像上提取约2000个候选区域，然后使用卷积神经网络对各候选区域进行特征提取，接着使用SVM对候选区域进行分类并利用NMS 回归目标位置。与传统算法相比，R-CNN的检测精度有很大提升，但缺点是：由于全连接层的限制，输入CNN的图像为固定尺寸，且每个图像块输入CNN单独处理，无特征提取共享，重复计算;选择性搜索算法仍有冗余，耗费时间等。 基于R-CNN只能接受固定尺寸图像输入和无卷积特征共享，He[2]于2014年参考金字塔匹配理论在CNN中加入SPP-Net结构。该结构复用第五卷积层的特征响应图，将任意尺寸的候选区域转为固定长度的特征向量，最后一个卷积层后接入的为SPP层。该方法只对原图做一
摘要 运动目标检测方法是研究如何完成对视频图像序列中感兴趣的运动目标区域的“准确定位”问题。光流场指图像灰度模式的表面运动，它可以反映视频相邻帧之间的运动信息，因而可以用于运动目标的检测。MATLAB这种语言可移植性好、可扩展性强，再加上其中有丰富的图像处理函数，所以利用MATLAB 软件来用光流法对运动目标的检测中具有很大的优势。本设计主要可以借助matlab软件编写程序，运用Horn-Schunck算法对图像前后两帧进行处理，画出图像的光流场。而图像的光流场每个像素都有一个运动矢量，因此可以反映相邻帧之间的运动，分析图像的光流场就可以得出图像中的运动目标的运动情况。 关键字：光流法；Horn-Schunck算法；matlab
目录 1光流法的设计目的 (1) 2光流法的原理 (1) 2.1光流法的介绍 (1) 2.1.1光流与光流场的概念 (1) 2.1光流法检测运动目标的原理 (2) 2.1.1光流场计算的基本原理 (2) 2.2.2基于梯度的光流场算法 (2) 2.2.3Horn-Schunck算法 (3) 2.2.4光流法检测运动目标物体的基本原理概述 (5) 3光流法的程序具体实现 (6) 3.1源代码 (6) 3.1.1求解光流场函数 (6) 3.1.2求导函数 (9) 3.1.3高斯滤波函数 (9) 3.1.4平滑性约束条件函数 (10) 3.1.5画图函数 (10) 4仿真图及分析 (12) 结论 (13) 参考文献 (14)
1 光流法的设计目的 数字图像处理，就是用数字计算机及其他有关数字技术，对图像进行处理，以达到预期的目的。随着计算机的发展，图像处理技术在许多领域得到了广泛应用，数字图像处理已成为电子信息、通信、计算机、自动化、信号处理等专业的重要课程。 数字图像处理课程设计是在学习完数字图像处理的相关理论后，进行的综合性训练课程，其目的是：使学生进一步巩固数字图像处理的基本概念、理论、分析方法和实现方法；增强学生应用Matlab编写数字图像处理的应用程序及分析、解决实际问题的能力；尝试所学的内容解决实际工程问题，培养学生的工程实践能力。 运动目标检测是数字图像处理技术的一个主要部分，近些年来，随着多媒体技术的迅猛发展和计算机性能的不断提高，动态图像处理技术日益受到人们的青睞，并且取得了丰硕的成果，广泛应用于交通管理、军事目标跟踪、生物医学等领域。 因此，基于光流法，实现运动目标的检测是本文的研究对象。结合图书馆书籍、网上资料以及现有期刊杂志，初步建立起运动目标检测的整体思路和方法。 2 光流法的原理 2.1 光流法的介绍 2.1.1 光流与光流场的概念 光流是指空间运动物体在观测成像面上的像素运动的瞬时速度，它利用图像序列像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，即反映图像灰度在时间上的变化与景物中物体结构及其运动的关系。将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。视觉心理学认为人与被观察物体
人体目标检测与跟踪算法研究 摘要：近些年以来，基于视频中人体目标的检测与跟踪技术研究越来越被重视。然而，由于受到目标自身特征多样性和目标所处环境的复杂性和不确定性的影响，现存算法的性能受到很大的限制。本文对目前所存在的问题进行了分析，并提出了三帧差分法和改进阈值分割法相结合的运动目标检测算法和多特征融合的改进运动目标跟踪算法。这两种算法不仅可以准确有效的检测出运动目标而且能够满足实时性的要求，有效的解决了因光照变化和目标遮挡等情况造成的运动目标跟踪准确度下降或跟踪目标丢失等问题。 关键词：三帧差分，Camshift，阈值分割 Research Based on Human Target Detectionand Tracking Algorithm Abstract: In recent years, human object detection and tracking become more and more important. However the complexity, uncertainty environment and the target’s own diversity limit the performance of existing algorithms. The main works of this paper is to study and analysis the main algorithm of the human object detection and tracking, and proposes a new moving target detection method based on three-frame difference method and threshold segmentation and improved Camshift tracking algorithm based on multi-feature fusion. These algorithm can satisfy the real-time, while accurately and efficiently detect moving targets, and also effectively solves the problem of tracking object lost or misplaced under illumination change or target occlusion. Keywords: three-frame difference, Camshift, threshold segmentation 一、绪论 （一）选题的背景和意义 人类和动物主要通过眼睛来感受和认知外部世界。人类通过视觉所获取的信息占了60%[1]，因此，在开发和完善人工智能的过程中，赋予机器视觉的功能这一操作极不可缺少。完善上述功能需要以许多技术为基础，特别是运动目标的检测与跟踪技术。近些年以来，此技术受到了越来越多的关注[2]。目前，此技术也在各领域得到了充分的应用，涵盖的领域有智能交通、导航、智能视频监控、精确制导、人机交互和多媒体视频编码压缩技术等。
运动序列目标检测算法研究及DSP实现 李文艳，王月琴，张笑微 （西南科技大学信息工程学院四川绵阳621010） 摘要：由于实际场景的多样性，目前常用的运动目标检测算法都还存在一定程度的缺陷，因此本文提出了一种将帧差法和背景减法相结合的方法，实现快速精确地检测和提取运动目标。实验结果表明，本方法是比较实用的，能较好满足实时视频监控系统的要求。最后将程序移植到基于DSP的平台上，进行相应的优化后基本满足了实时性的要求。 关键词：目标检测；帧差法；背景减法 中图分类号：TP751.1 文献标识码：A Algorism Research of Moving Object Detection and DSP Implementation LI Wen-yan，WANG Yue-qin，ZHANG Xiao-wei (Southwest University of Science and Technology Mianyang Sichuan China 621010) Abstract: Because of the environment’s variety, the methods that have been used for moving object detection need to be improved. An algorithm based on two consecutive frames subtraction and background subtraction is presented and it can detect and extract object quickly and accurately. The results show that the proposed method is a practical one. It can meet the need of the real time video surveillance and monitoring system. The coding is transplanted in DSP, and the project is executed successfully on CCS simulator. Keywords: Object detection; Frames subtraction; Background subtraction 引言 运动目标的检测在智能监控等领域中得到了广泛的应用。运动目标的检测就是从视频流中去除静止背景提取出运动的目标，运动目标的有效分割对跟踪等后期处理非常关键。 本文提出了将帧间差分和背景减法相结合的方法。首先选取一帧作为背景帧, 建立各像素点的高斯模型。再运用帧间差分法对相邻两帧图像进行差分处理, 区分出背景点和变化的区域。然后将变化区域与背景帧的对应区域进行模型拟合区分出显露区和运动物体。 1 运动目标检测算法总体流程 采用帧间差分与背景减法相结合的算法进行运动目标检测，包括运动目标的检测和将检测到的运动目标从背景中分割出来两部分，其系统框架流程图如图1所示。 图1 运动目标检测流程图 这种设计充分利用了被检测区域部分时间静止的特点，具有智能检测的功能，它只在检
function MovingTargetDetectionByMMI() %Moving Target Detection %Based on Maximun Mutual Information % %EDIT BY PSL@CSU %QQ：547423688 %Email：anyuezhiji@https://www.doczj.com/doc/9618703913.html, %2012-06-01 %读文件 Im1=imread('001.jpg'); Im2=imread('002.jpg'); Im3=imread('003.jpg'); Im1=rgb2gray(Im1); Im2=rgb2gray(Im2); Im3=rgb2gray(Im3); tic; d12=GetDifferenceImg(Im2,Im1); d23=GetDifferenceImg(Im2,Im3); d=d12.*d23; se =; for i=1:4 d = imfilter(d,se); end for i=1:2 d = medfilt2(d,); end %%d=abs((d12-d23).^0.7); d=uint8(d/max(max(d))*255); level = graythresh(d); BW = im2bw(d,level); s=regionprops(BW,'BoundingBox'); figure(1)
subplot(2,2,1); imshow(uint8(d12/max(max(d12))*255)); title('参考帧与前一帧的差值') subplot(2,2,2); imshow(uint8(d23/max(max(d23))*255)); title('参考帧与后一帧的差值') subplot(2,2,3); imshow(BW); title('由前后帧得出的差值') subplot(2,2,4); imshow(Im2); %imshow(d); rectangle('Position',s(1).BoundingBox,'Curvature',,'LineWidth',2,'LineStyle','--','EdgeColor', 'r') title('参考帧与检测结果') %求相邻两帧重合部分差值主函数 function outImg=GetDifferenceImg(R,F) =dwt2(R,'db1'); =dwt2(F,'db1'); CA1=uint8(CA1); CA2=uint8(CA2); fprintf('\n------PSO start\n'); =PSO(CA1,CA2); while mi<1.2 =PSO(CA1,CA2); end fprintf('tx:%f ty:%f ang:%f mi:%f\n',pa(1),pa(2),pa(3),mi); fprintf('------PSO end\n\n'); %pa=; fprintf('------Powell start\n'); mi_old=0; while abs(mi-mi_old)>0.01
收稿日期：2017-10-21修回日期：2018-01-28 基金项目： 国家自然科学基金资助项目（61472441）作者简介：杨海燕（1972-），女，陕西西安人，副教授，硕士研究生导师。研究方向：贝叶斯网络与态势评估。*摘要：为了更好地处理各类探测数据中的模糊性和不确定性，通过模糊化方法将威胁评估动态贝叶斯网络局部进行模糊化处理，处理后的动态威胁值进行解模糊的方法转化为概率域的知识，这样不仅简化了网络结构，同时结合模糊理论的知识表达能力和DBN 的强推理能力。最后将相应观测证据输入到简化后的DBN 网络中，相应仿真研究表明，该方法能有效地对空中目标威胁度进行实时评估。 关键词：模糊推理机，动态贝叶斯，空中目标，威胁评估 中图分类号：TP319.9 文献标识码：A DOI ：10.3969/j.issn.1002-0640.2019.01.006引用格式：杨海燕，韩城，张帅文.基于FDBN 的空中目标威胁评估方法［J ］.火力与指挥控制，2019，44（1）： 29-33.基于FDBN 的空中目标威胁评估方法* 杨海燕，韩城，张帅文 （空军工程大学空管领航学院，西安710051） Research of Aerial Target Threat Assessment Based on Fuzzy Dynamic Bayesian Network YANG Hai-yan ，HAN Cheng ，ZHANG Shuai-wen （School of Air Traffic Control and Navigation ，Air Force Engineering University ，Xi ’an 710051，China ） Abstract ：In order to deal with the fuzziness and uncertainty of different exploratory data ，threat assessment dynamic Bayesian network is under part fuzzy processing by fuzzy methods.The dealt dynamic threat value is translated into the knowledge in probability domain through defuzzification ，which not only simplifies the network ，also combines it with knowledge expression ability of fuzzy theory and strong reasoning ability of DBN.Finally ，the corresponding observational evidence is input into the simplified DBN.Simulation results show that this method can effectively assess the air target threat in real time.Key words ： fuzzy inference controller ，dynamic bayesian network ，arial target ，threat assessment Citation format ： YANG H Y ，HAN C ，ZHANG S W.Research of aerial target threat assessment based on fuzzy dynamic bayesian network ［J ］.Fire Control &Command Control ，2019，44（1）：29-33. 0引言对空中目标进行威胁评估，是指挥控制的重要环节之一。同时为后续的目标分配和火力分配提供参考依据。因此，综合各传感器信息，对空中目标的威胁度进行快速、准确地评估对于指挥决策人员具有重要意义。目前用于威胁评估的方法主要有基于贝叶斯 网络的方法、基于模糊理论的方法、基于多属性决 策的方法、基于神经网络的方法等。文献［1］提出了 一种能处理软证据的后向遍历算法，使得所构建的 动态贝叶斯网络能够更好地区分观测证据，但对于 错误数据的滤波能力不强。文献［2］利用高斯模糊 隶属度函数对速度、距离等数据进行模糊分类，评 估得到的10个时间片的威胁等级较符合动态变化 的战场。文献［3］提出一种结合概率域和模糊域的文章编号：1002-0640（2019）01-0029-05Vol.44，No.1 Jan ，2019 火力与指挥控制Fire Control &Command Control 第44卷第1期2019年1月 29··
对空高速目标信号处理 对于常规慢速目标，在相参处理时间内该走动量通常不会超过一个距离单元。而对于高速目标，它可能跨越多个距离单元，而必须加以处理才能实现相参处理时间内多次回波的相参积累。尤其HSV载体运动速度很高且机动能力很强，雷达目标间的高速高机动特性更加明显，雷达目标回波会出现跨距离单元、跨多普勒单元问题，加剧了目标回波相参积累的难度。为了提高雷达的探测性能，需要补偿后才能达到好的积累增益。 雷达目标间的相对速度最高可达15马赫以上，加速度最高可达20g。以速度每秒5000米为例，如果雷达相参处理时间为50ms，其运动距离可达250米，对窄带雷达来讲需要考虑回波包络的补偿。此外，速度在相参时间里变化10m/s，对X波段雷达来说，多普勒扩展为667Hz，而多普勒分辨率为20Hz。所以为了获得高的处理增益，提高探测距离，回波多普勒扩散需要补偿。 （1）高重频信号处理 高脉冲重复频率的相参脉冲串信号的频谱如图3.5所示。除了载频上的中央谱线之外，在载频PRF的整数倍处还有其它一些谱线，谱线间隔为脉冲重复频率。发射频谱的包络取决于脉冲形状，例如，矩形脉冲时为sin/x x形。运动目标回波的频谱是发射频谱偏移后的复制品，也含有一些间隔为PRF的谱线。
f 0r f f +0r f f -02r f f -02r f f + 图3.8 PD 雷达发射信号的频谱 高占空比高重频的信号没有距离门的概念，可以只考虑多普勒扩展的影响。由于加速度的存在对回波信号补偿后其多普勒仍不为常数而是时变的，故需要进一步获取目标的精确运动参数。解线性调频法是一种简单而且易于实现的运动补偿法。 可用一个调频因子2 j ut e π-（λ/2a u =）与信号相乘，即 2 (,){()}j ut d D f u FFT r t e π-= （3.1） 当u ＝02/a λ （其中 0a 为目标的加速度真值）、式（3.1）出现峰值。因而速度、加速度的精确估计问题转化为寻找最优的u 即a 的问题。 利用解线性调频法精确估计速度、加速度，关键是对式（3.1）中的u 进行最优搜索，搜索步长的选取十分重要，如果步长选得过大，就不能满足估计精度要求；如果搜索步长选得过小，则运算量剧增，不利于算法的实时处理和工程实现。 由于u 需要遍历搜索，为减少运算量以及提高估计精度，可以采用“逐次逼近法”来估计目标的速度、加速度。对u 遍历搜索时，为满足精度要求搜索步长必须选得很小，我们要计算的FFT 次数太多，运算量相当的大，“逐次逼近法”在保证估计精度的前提下，有效的解
摘要 由于计算机技术的迅猛发展，使得基于内容的视频信息的存取、操作和检索不仅成为一种可能，更成为一种需要。同时，基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。因此提取和视频中具有语义的运动目标是一个急需解决的问题。运动目标提取和检测作为视频和图像处理领域的重要研究领域，有很强的研究和应用价值。运动检测就是将运动目标从含有背景的图像中分离出来，如果仅仅依靠一种检测算法，难以从复杂的自然图像序列中完整地检测出运动的目标。较高的检测精度和效率十分重要，因此融合多种检测方法的研究越来越受到重视。本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法，并对各种方法进行了评价和总结。首先介绍了基本的运动目标检测的基本知识和理论，然后介绍了基本的几种目标检测方法及其各种改进方法。对今后的运动目标检测提取的相关研究提供一定的参考。 关键词：运动目标检测光流法帧差法背景建模方法
ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video. At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future. Keywords: Visual tracking Optical flow method Frame Difference Background modeling method
图像显著性目标检测算法研究 随着移动电子设备的不断升级与应用,使用图像来记录或表达信息已成为一种常态。我们要想快速地在海量图像中提取出有价值的信息,那么需要模拟人类视觉系统在机器视觉系统进行计算机视觉热点问题的研究。 图像显著性目标检测对图像中最引人注意且最能表征图像内容的部分进行检测。在图像显著性目标检测任务中,传统的方法一般利用纹理、颜色等低层级视觉信息自下向上地进行数据驱动式检测。 对于含有单一目标或高对比度的自然场景图像,可以从多个角度去挖掘其显著性信息,如先验知识、误差重构等。然而,对于那些具有挑战性的自然场景图像,如复杂的背景、低对比度等,传统的方法通常会检测失败。 基于深度卷积神经网络的算法利用高层级语义信息结合上下文充分挖掘潜在的细节,相较于传统的方法已取得了更优越的显著性检测性能。本文对于图像显著性检测任务存在的主要问题提出了相应的解决方法。 本文的主要贡献如下:为充分挖掘图像多种显著性信息,并使其能够达到优势互补效果,本文提出了一种有效的模型,即融合先验信息和重构信息的显著性目标检测模型。重构过程包括密度重构策略与稀疏重构策略。 密度重构其优势在于能够更准确地定位存在于图像边缘的显著性物体。而稀疏重构更具鲁棒性,能够更有效地抑制复杂背景。 先验过程包含背景先验策略与中心先验策略,通过先验信息可更均匀地突出图像中的显著性目标。最后,把重构过程与先验过程生成的显著特征做非线性融合操作。 实验结果充分说明了该模型的高效性能与优越性能。针对图像中存在多个显
著性目标或者检测到的显著性目标存在边界模糊问题,本文提出了一种基于多层级连续特征细化的深度显著性目标检测模型。 该模型包括三个阶段:多层级连续特征提取、分层边界细化和显著性特征融合。首先,在多个层级上连续提取和编码高级语义特征,该过程充分挖掘了全局空间信息和不同层级的细节信息。 然后,通过反卷积操作对多层级特征做边界细化处理。分层边界细化后,把不同层级的显著特征做融合操作得到结果显著图。 在具有挑战性的多个基准数据集上使用综合评价指标进行性能测试,实验结果表明该方法具有优越的显著性检测性能。对于低对比度或者小目标等问题,本文提出一种新颖模型,即通道层级特征响应模型。 该模型包含三个部分:通道式粗特征提取,层级通道特征细化和层级特征图融合。该方法基于挤压激励残差网络,依据卷积特征通道之间的相关性进行建模。 首先,输入图像通过通道式粗特征提取过程生成空间信息丢失较多的粗糙特征图。然后,从高层级到低层级逐步细化通道特征,充分挖掘潜在的通道相关性细节信息。 接着,对多层级特征做融合操作得到结果显著图。在含有复杂场景的多个基准数据集上与其它先进算法进行比较,实验结果证明该算法具有较高的计算效率和卓越的显著性检测性能。
第３０卷 第６期 ２０１０年１２月 弹 箭 与 制 导 学 报 Ｊｏｕｒｎａｌ ｏｆ Ｐｒｏｊｅｃｔｉｌｅｓ，Ｒｏｃｋｅｔｓ，Ｍｉｓｓｉｌｅｓ ａｎｄ Ｇｕｉｄａｎｃｅ Ｖｏｌ．３０ Ｎｏ．６ Ｄｅｃ ２０１０ 基于Ａｇｅｎｔ的空中目标威胁度评估模型＊ 刘顺利１，陈亚生２，陈 琳１ （１防空兵指挥学院，郑州 ４５００５２；２南京军区军训和兵种部，南京 ２１００００） 摘 要：首先设计了基于Ａｇｅｎｔ的空中目标威胁度评估模型，接着依次从因素考虑、因素知识库构建、因素知 识库学习和空中目标威胁度综合评估四个方面研究了空中目标威胁度评估模型的构建步骤，最后给出了算例 分析。分析结果表明，利用Ａｇｅｎｔ方法构建空中目标威胁度可有效实现模型的智能化和通用化，提高了空中 目标威胁度评估的正确性和适应性等。 关键词：Ａｇｅｎｔ；空中目标；威胁度；评估模型 中图分类号：Ｅ９２６．４ 文献标志码：Ａ Ｍｏｄｅｌ ｆｏｒ Ａｅｒｉａｌ Ｔａｒｇｅｉｓ Ｔｈｒｅａｔ Ｅｖａｌｕａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ａｇｅｎｔ ＬＩＵ Ｓｈｕｎｌｉ１，ＣＨＥＮ Ｙａｓｈｅｎｇ２，ＣＨＥＮ Ｌｉｎ１ （１Ａｉｒ Ｄｅｆｅｎｓｅ Ｃｏｍｍａｎｄ Ａｃａｄｅｍｙ，Ｚｈｅｎｇｚｈｏｕ ４５００５２，Ｃｈｉｎａ； ２Ｍｉｌｉｔａｒｙ Ｔｒａｉｎｉｎｇ ａｎｄ Ｓｅｒｖｉｃｅ Ａｒｍｓ Ｄｅｐａｒｔｍｅｎｔ，Ｎａｎｊｉｎｇ Ｍｉｌｉｔａｒｙ Ｒｅｇｉｏｎ，Ｎａｎｊｉｎｇ ２１００００，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｆｉｒｓｔ ｏｆ ａｌｌ，ｄｅｓｉｇｎｅｄ ｍｏｄｅｌ ｆｏｒ ａｅｒｉａｌ ｔａｒｇｅｉｓ ｔｈｒｅａｔ ｅｖａｌｕａｔｉｏｎ ｂａｓｅｄ ｏｎ ａｇｅｎｔ，ａｎｄ ｔｈａｎ ｒｅｓｅａｒｃｈｅｄ ｃｏｎｓｔｒｕｃｔｉｏｎ ｓｔｅｐｓ ｏｆｍｏｄｅｌ ａｂｏｕｔ ａｅｒｉａｌ ｔａｒｇｅｉｓ ｔｈｒｅａｔ ｅｖａｌｕａｔｉｏｎ ｆｒｏｍ ｆｏｕｒ ａｓｐｅｃｔｓ ｔｈａｔ ｉｓ ｔｈｉｎｋｉｎｇ ｏｎ ｆａｃｔｏｒｓ，ｋｎｏｗｌｅｄｇｅ ｄａｔａｂａｓｅ ｂｕｉｌｄｉｎｇ ｏｎ ｆａｃｔｏｒｓ，ｋｎｏｗｌｅｄｇｅ ｄａｔａｂａｓｅ ｓｔｕｄｙｉｎｇ ｏｎ ｆａｃｔｏｒｓ ａｎｄ ａｅｒｉａｌ ｔａｒｇｅｉｓ ｔｈｒｅａｔ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｅｖａｌｕａｔｉｏｎ ｒｅｓｐｅｃｔｉｖｅｌｙ，ｆｉｎａｌｌｙ ｇｉｖｅｎ ｅｘａｍｐｌｅ．Ｔｈｅｒｅｓｕｌｔ ｏｆ ｅｘａｍｐｌｅ ａｎｓｌｙｓｉｓ ｓｈｏｗ ｔｈａｔ ｓｔｒｕｃｔｕｒｉｎｇ ａｅｒｉａｌ ｔａｒｇｅｉｓ ｔｈｒｅａｔ ｂａｓｅｄ ｏｎ ａｇｅｎｔ ｃａｎ ｒｅａｌｉｚｅ ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ ｇｅｎｅｒａｌｉｚａｔｉｏｎ，ｉｍ－ｐｒｏｖｉｎｇ ａｅｒｉａｌ ｔａｒｇｅｉｓ ｔｈｒｅａｔ ｅｖａｌｕａｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ａｄａｐｔａｔｉｏｎ，ｅｔｃ． Ｋｅｙｗｏｒｄｓ：Ａｇｅｎｔ；ａｅｒｉａｌ ｔａｒｇｅｔ；ｔｈｒｅａｔ；ｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌ ０ 引言 空中目标威胁度一般是指敌方对我方保卫目标侵袭成功的可能性及侵袭成功时可能造成的破坏程度。对敌空中目标的威胁度评估和火力单元射击有利度评估是指挥信息系统区分兵力、火力的基本依据。 目前对空中目标威胁度的评估模型较多［１－２］，为了使模型在设定的场合有很强的适应能力，必须对一些因素作相应简化，因此限定了模型在其他场合的适用性；加之新空中目标、新战场情况等的不断出现，因此使得空中目标威胁度评估模型总在不断研究更新中。Ａｇｅｎｔ［３－４］技术的发展为解决模型的适用性提供了有效方法。文中用Ａｇｅｎｔ模型自下而上的建模方式把空中目标威胁度评估划分为多个具有高度自治能力的Ａｇｅｎｔ实体，通过对这些实体和知识库的维护，实现空中目标威胁度评估的通用化、智能化，使空中目标威胁度评估更加精确、高效，且能适应不同的战场环境。１ 基于Ａｇｅｎｔ的空中目标威胁度评估模型设计 基于Ａｇｅｎｔ的目标威胁度评估模型通过和火力分配系统中其他Ａｇｅｎｔ交互得到威胁度估计因素，并模拟人的思维方式对任务和进度进行分析，进行威胁度评估。根据空中目标威胁度评估的特点，建立目标威胁度评估模型体系结构如图１所示，在动态环境中，模型以环境事件作为Ａｇｅｎｔ反应的前提，在目标支配下，利用强化学习方法进行在线学习，产生最优动作策略集，也就是空中目标威胁度。 空中目标威胁度评估的Ａｇｅｎｔ模型可分为感知模块、意图模块、执行模块和知识库模块。其中：态势感知模块负责获取当前环境以及自身内部状态的认知，对目标威胁度评估因素和自身任务、进度的分析报告情况与火力分配系统中其他Ａｇｅｎｔ进行通信和交互； 意图模块主要从知识库中获取威胁度评估的因素， ＊收稿日期：２０１０－０３－１０ 作者简介：刘顺利（１９５７－），男，河北易县人，教授，研究方向：防空兵作战指挥自动化。
道路标线外观质量检查中，标线污染面积每处不超过（C ）。 A.10cm B.100cm C.10cm2 D.100cm2 第2题 标线湿膜厚度检测时，应在每片涂层的（ D）测量。 A.上下边缘10mm位置 B.上下边缘20mm位置 C.四角边缘10mm位置 D.四角边缘20mm位置 第3题 《公路工程竣（交）工验收办法实施细则》（交公路发【2010】65号）规定，标线厚度的检测频率为每公里抽查1处，每处（B ）点。 A.3 B.5 C.6 D.9 第4题 《道路交通标线质量要求和检测方法》（GB/T 16311-2009）规定，当测量范围小于或等于10Km时，以整个测量范围为1个检测单位，先取（B ）个100m为核查区域。 A.2 B.3 C.5 D.6 第5题 《新划路面标线初始逆反射亮度系数及测试方法》（GB/T 21383-2008）规定，在测量纵向间断线的逆反射亮度系数时，在每个核查区域内，随机选取（B ）个线段进行测量。 A.5 B.10 C.15 D.20 第6题 《新划路面标线初始逆反射亮度系数及测试方法》（GB/T 21383-2008）规定，在对图形进行逆反射亮度系数检测时，以每个图形为1个核查区域，共检查（ A）点。 A.3 B.5 C.6 D.9
在用摆式仪对标线进行抗滑性能检测时，准备工作完成后，记录连续测量（C ）次摆动值作为测试结果。 A.2 B.3 C.4 D.6 第8题 标线宽度的允许误差是（B ）。 A.±5mm B.0~5mm C.±10mm D.0~10mm 第9题 标线设置角度的测量精度要求是（C ）。 A.0.1℃ B.0.2℃ C.0.5℃ D.1℃ 第10题 标线逆反射亮度系数的单位是（A ）。 A.mcd. m-2. lx-1 B.mcd. m-2 C.cd.lx-1 .m-2 D.cd.lx-1 第11题 标线外观检查时，标线表面的裂缝、起泡、剥落现象不超过施划面积的1%。（×） 第12题 测量标线湿膜厚度时，当划线机划过金属片后，应等待5~10min待标线表面湿度冷却后开始测量。（×） 第13题 测量标线干膜厚度，可采用分度值不大于0.02mm的游标卡尺进行测量。（×） 第14题 测量已成形标线的厚度时，标线测量仪底座与测量块均应紧贴标线表面，以免造成检测误差。（×） 第15题 《公路工程质量检验评定标准》第一册（JTG F80/1-2017）规定，检测标线逆反射亮度系数的频率为：每公里检查3处，每处检查9点。（√） 第16题 路面标线的色度性能是采用标线逆反射亮度系数来表示。（×）
视觉目标检测算法说明 1.功能 通过安装在战车上的摄像头，检测视野范围内的敌方战车。 2.算法： 2.1目标检测与识别 1.颜色检测 采集大量敌方机器人的图片数据，并进行训练，得到对方机器人的颜色区间， 并以此为阈值对整幅图像进行颜色检测，找到疑似敌方机器人的区域，量化 成二值图。 2.滤除噪声点 对得到的二值图像进行开运算处理，滤除颜色检测结果中的噪声点。 3.连通区域检测 对图像中的疑似区域进行连通区域检测，计算出每个疑似区域的外部轮廓， 用矩形近似表示。 4.连通区域合并 根据连通区域之间的距离和颜色相似性，将距离接近且相似性高的连通区域 进行合并。 5.形状和大小过滤 对大量敌方机器人图片进行训练，得到对方机器人的形状信息（例如长宽比） 和大小信息（面积），并以此为依据将不符合的区域过滤掉。 经过以上五步的处理，可以初步得到敌方机器人的位置、大小和形状信息。 2.2目标运动跟踪 对上步中的检测结果进行运动跟踪。 1.状态估计 根据上一时刻地方机器人的运动状态（包括位置和速度），估算当前时刻机 器人的运动状态。 2.轨迹关联 根据位置和颜色信息，对当前时刻机器人的估计状态和检测结果进行关联。 3.状态更新 若上一步中关联成功，更新当前时刻的运动状态。 通过对检测结果进行运动跟踪，可以计算出当前时刻敌方机器人的运动速度和方 向。 2.3预估提前量
1.评估延迟时间 根据己方机器人实际的调试情况，通过多次试验和统计的方法，估算己方机器人从接收命令到炮弹（或子弹）击中目标区域的时间延时（包括图像处理 时间、落弹时间和炮弹飞行时间）。 2.计算提前量 根据延迟时间和敌方机器人的运动速度，计算炮弹发射的提前量，补偿到敌方机器人的运动状态中。 3.总结： 对于机器人战车中的敌方目标检问题，有很多种方法可以实现，视觉检测只是其中的一种方法，而基于颜色识别的目标检测也只是视觉算法中比较简单有效的一种。所以，本段代码只是抛砖引玉的一个样本，适用范围只针对于2014年RoboMasters夏令营的场地和战车，希望可以看到大家更加简单有效的算法。
视频图像中运动目标检测
毕业论文 题目视频图像中运动目标检测 方法研究 专业电气工程及其自动化 班级电气1003 学生曹文 学号20113024543 指导教师赵哥君 二〇一二年六月八日
摘要 在很多现代化领域，运动目标检测都显示出了其重要的作用。尤其是近二十年的社会经济的飞速发展，运动目标检测都彰显了其重要性，在航空、通信、航海等各个方面都有关键性的作用，从而使运动目标检测方法的研究成为各国的研究热门课题。 通过阅读大量的相关论文、期刊及其网络资源，了解了高斯背景建模及背景更新的基本原理及思想。在本文中，首先介绍了运动目标检测方法的相关基础知识，如图像的二值化、图像的形态学处理、颜色空间模型。然后重点说明了三种常用的运动目标检测方法的研究，简要阐述了三种研究方法的基本思想。在老师的帮助下进行了相应的实验，最终得出了三种运动目标检测方法的优点和缺点，着重探究了高斯背景建模及其背景更新基本原理及思想。 最后，通过相关的程序及软件对混合高斯背景模型进行了相关的实验，进而发现了混合高斯背景建模算法存在的不足之处，如：高斯背景建模的计算量大、运动目标较大时检测效果差等问题，并对对这些问题提出了相关设想及改进。 关键词：运动目标检测；二值化；图像的形态学处理；高斯背景建模；背景更新 I
ABSTRACT In many modern fields, moving target detection are showing its important role. Especially nearly twenty years of rapid development of social economy, the moving target detection has shown its importance, in various aviation, communication, navigation and so on have a key role, so the study of moving target detection method has become a research hot topic in countries. By reading relevant papers, a large number of journals and cyber source, understand the basic principle and thought of Gauss background modeling and updating the background. In this paper, firstly introduces the basic knowledge of moving target detection method, such as the two values image, morphological image processing, color space model. Then focus on the study of three methods used for moving object detection, a brief description of the basic ideas of the three kinds of research methods. By the experiment, the results of three kinds of method of moving target detection has advantages and disadvantages, this paper emphatically explores Gauss background modeling and background updating basic principle and thought. Finally, through the program and software related to mixed Gauss background model for the relevant experiments, and found the shortcomings, the presence of mixed Gauss background modeling algorithm such as: the problem of computing Gauss background modeling, moving target volume larger detection effect is poor, and on these problems put forward relevant ideas and improvement. Keywords: moving object detection; two values; I I