项目名称: 基于时空联合图像反演的空间目标检测和跟踪研究

项目编号: No.61308102

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 无线电电子学、电信技术

项目作者: 张萍

作者单位: 电子科技大学

项目金额: 26万元

中文摘要: 空间目标表现为成像闪烁、模糊、对比度低,几何、纹理等常规特征微弱,现有的目标检测和跟踪模式难于满足空间目标检测能力和跟踪精度要求。本项目借鉴地球物理反演理论和思想,提出了一种时空联合图像反演的方法,充分挖掘空间目标在时域和空域的非线性特征,通过解决相应的理论问题,提高空间目标检测和跟踪的精度、适应性和稳定性。主要创新工作包括:把空间目标的检测和跟踪看成一个反问题求解,研究时空联合非线性图像反演方法,探索空间目标检测和跟踪的新模式;提出了空域多特征反演及其相应的特征降维和多特征融合技术,并以此为基础采用稀疏表示有效区分目标,提高空间目标检测的精度;提出了时域多参数反演方法及其相应的降低反演中多解性的策略,并提出了基于生物地理优化的粒子滤波重要密度采样方法,提高空间多目标跟踪的有效性和稳健性;提出了利用先验信息约束、奇异值分解和稀疏正则化方法提高图像反演求解中的稳定性。

中文关键词: 时空联合;目标检测;目标跟踪;非线性优化;

英文摘要: Target detection and tracking framework nowadays can not match the demanding of the detection ability and tracking accuracy of space targets,in that space targts whose routine feature, such as geometry and textile features, are weak nomarlly act as imagine flickering and blur . In order to improve the accuracy, adaption and robust of detection and tracking of space targets, this project proprosed an approach of joint spatial-temporal image inversion based on digging the nonlinear features both in spatial and temporal field deeply, by solving correlated problems. The main innovative work include: reserached the approach of joint spatial-temporal image inversion by treating the detection and tracking problem as a inverse problem for exploring the new framework and pattern of the detection and tracking of space targets; proposed a spatial multi-feature inversion algothrim and corresponding dimension reduction method and multi-feature fusion technology, and based on such algothrim and methods, proposed a target detection method with sparsity representation of image sequence in order to raising the accuracy of target detection; proposed temporal multi-parameter inversion method in order to reduce the multiple solutions and an importance resampling particle filter approach based on biogeography-based optimization for

英文关键词: Joint temporal-spatial;target detection;target tracking;nonlinear optimization;

成为VIP会员查看完整内容
0

相关内容

基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
浙大《深度学习低样本目标检测》综述论文
专知会员服务
74+阅读 · 2021年12月13日
专知会员服务
22+阅读 · 2021年9月23日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
122+阅读 · 2021年4月29日
【CVPR 2021】变换器跟踪TransT: Transformer Tracking
专知会员服务
21+阅读 · 2021年4月20日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
深度学习视频中多目标跟踪:论文综述
专知会员服务
92+阅读 · 2019年10月13日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
基于深度学习的图像目标检测(下)
机器学习研究会
12+阅读 · 2018年1月1日
干货 | 目标识别算法的进展
计算机视觉战队
17+阅读 · 2017年6月29日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
Age Optimal Sampling Under Unknown Delay Statistics
Arxiv
0+阅读 · 2022年4月20日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
浙大《深度学习低样本目标检测》综述论文
专知会员服务
74+阅读 · 2021年12月13日
专知会员服务
22+阅读 · 2021年9月23日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
122+阅读 · 2021年4月29日
【CVPR 2021】变换器跟踪TransT: Transformer Tracking
专知会员服务
21+阅读 · 2021年4月20日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
深度学习视频中多目标跟踪:论文综述
专知会员服务
92+阅读 · 2019年10月13日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
基于深度学习的图像目标检测(下)
机器学习研究会
12+阅读 · 2018年1月1日
干货 | 目标识别算法的进展
计算机视觉战队
17+阅读 · 2017年6月29日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员