采用联合熵流与边缘算子的运动目标检测(Moving Target Detection Combined Entropy Flow and Edge Operator-MTDCEFEO)算法与LK 算法分别对海上背景下的目标图像序列进行目标检测。海上目标的最终检测结果显示在图6.4。图6.4(a)是海上目标图像序列的第16 帧，它的相邻帧第17 帧显示在图6.4(b)。关于16、17 帧间计算的熵流场显示在图6.4(d)，且熵流场直接显示在原始图像第16 帧上。图6.4(c)、(d)显示，对比LK 光流场，熵流对运动区域定位更准确。从图6.4(e)、(f)、(g)来看，联合边缘图像定位待检测目标更精确。对比于图6.4(i)，图6.4(h)显示引入MTDCEFEO 算法计算的水雷被精确地检测在原始图像上。
图6.4 海上运动目标检测
以质心距离衡量运动目标检测质量。当真实目标的质心与检测到的目标质心重合，说明目标检测结果命中。当检测到的目标质心与真实目标质心分离，并且分离距离越大，则表明它们命中的可能性越低。以目标检测准确率衡量目标检测算法性能的指标，它也是评价系统装置性能的重要组成部分之一。检测准确率越高，则算法检测到的目标越接近于真实目标;检测准确率越低，则算法检测到的目标越远离真实目标，对目标的选中越不利。
对比于LK Optical flow 算法，融合边缘定位的熵流目标检测在目标检测结果上视觉效果上更佳。表6.4 数据显示，在客观评价指标检测准确率与质心距离上，MTDCEFEO算法获得的质心距离数据小于LK Optical flow 算法获得的数据，同时检测准确率又大于LK Optical flow 算法获得的数据，这表明检测的目标更接近真实目标的质心，检测结果更精确。
表6.4 参数性能比较
同样，我们采用MTDCEFEO 算法与LK 算法分别对天空背景下的目标图像序列进行目标检测。天空目标的最终检测结果显示在图6.5。图6.5(a)是天空目标图像序列的第93 帧，它的相邻帧第94 帧显示在图6.5(b)。关于93、94 帧间计算的熵流场显示在图6.5(d)，且熵流场直接显示在原始图像第93 帧上。图6.5(c)、(d)显示，对比LK 光流场，熵流对运动区域定位更准确。从图6.5(e)、(f)、(g)来看，联合边缘图像更精确定位待检测目标。对比于图6.5(i)，图6.5(h)显示引入MTDCEFEO 算法计算的直升机被精确地检测在原始图像上。
(www.xing528.com)
图6.5 空中运动目标检测对比图
对比LK Optical flow 算法，融合边缘定位的熵流目标检测在检测结果的视觉效果上更优。表6.5 数据显示，在客观评价指标检测准确率与质心距离上，MTDCEFEO 算法获得的质心距离数据小于LK Optical flow 算法获得的数据，同时检测准确率又大于LK Optical flow 算法获得的数据，这表明检测的目标更接近真实目标的质心，检测结果更精确。
表6.5 参数性能比较
同样，我们采用MTDCEFEO 算法与LK 算法分别对海天背景下的目标图像序列进行目标检测。海上目标的最终检测结果显示在图6.6。图6.6(a)是海上目标图像序列第4 帧，它的相邻帧第5 帧显示在图6.6(b)。关于4、5 帧间计算的熵流场显示在图6.6(d)，且熵流场直接显示在原始图像第4 帧上。图6.6(c)、(d)显示，对比于LK 光流场，熵流对运动区域定位更准确。从图6.6(e)、(f)、(g)来看，联合边缘图像更精确定位待检测目标。对比于图6.6(i)，图6.6(h)显示引入MTDCEFEO算法计算的舰船被精确地检测在原始图像上。
图6.6 海上运动目标检测对比图
对比于LK Optical flow 算法，融合边缘定位的熵流目标检测在检测结果的视觉效果上更优。表6. 6 数据显示，在客观评价指标检测准确率与质心距离上，MTDCEFEO算法获得的质心距离数据小于LK Optical flow 算法获得的数据，同时检测准确率又大于LK Optical flow 算法获得的数据，这表明检测的目标更接近真实目标的质心，检测结果更精确。
表6.6 参数性能比较
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
