本文讨论了当前的Huohg变换算法原理以及其应用。并在Huohg变换的原理基础上利用Matlab实习了一个圆形检测系统。系统主要完成图像的加载，图像预处理和圆形检测和输出的任务，且对于如何在Matlab下进行图像处理相关任务的编程给出了详细的步骤。接着分析了圆形检测实验平台的需求，包括对图像的导入、GUI界面的搭建和算法实现等。针对这些需求和 Matlab 中数字图像处理相关的库函数，本文归纳了实现这些功能需要的Matlab工具，描述了通过这些工具实现圆形检测实验平台的过程和效果。结果表明系统运行平稳，符合预期功能设计

借鉴大神代码 写了个dome采用C#语言对 YOLOv4 目标检测算法封装，将模型在实际应用系统中落地，实现模型在线远程调用 。希望对大家有所帮助

DPCA方法要求至少沿雷达平台飞行轨迹放置两个天线(前向天线和拖尾天线)。两天线之间的距离是2d，每个天线都可以作为独立的发射和接收通道。传统的DPCA条件要满足2d=mva／prf，其中，m为正整数，va是载机飞行速度，prf是脉冲重复频率。

 提出了一种基于Surendra改进的运动目标检测算法，通过对背景更新系数的改进，获取稳定准确的背景，再将背景帧与含运动区域的图像帧用差分运算获得运动目标图像。实验结果表明，该算法能够较快反应环境的变化，准确地获得背景图像，提高运动目标检测的准确性。

Training a generic objectness measure to produce a small set of candidate object windows, has been shown to speed up the classical sliding window object detection paradigm. We observe that generic objects with well-defined closed boundary can be discriminated by looking at the norm of gradients, with a suitable resizing of their corresponding image windows in to a small fixed size. Based on this observation and computational reasons, we propose to resize the window to 8 × 8 and use the norm of the gradients as a simple 64D feature to describe it, for explicitly training a generic objectness measure. We further show how the binarized version of this feature, namely binarized normed gradients (BING), can be used for efficient objectness estimation, which requires only a few atomic operations (e.g. ADD, BITWISE SHIFT, etc.). Experiments on the challenging PASCAL VOC 2007 dataset show that our method efficiently (300fps on a single laptop CPU) generates a small set of category-independent, high quality object windows, yielding 96.2% object detection rate (DR) with 1,000 proposals. Increasing the numbers of proposals and color spaces for computing BING features, our performance can be further improved to 99.5% DR

为了更有效地检测出红外弱小目标，通过分析红外图像中弱小目标与其邻域背景的特征差异性，提出了一种基于统计特征和桥梁方法的红外小目标检测算法。在滑动窗口范围内提取像素值的均值、方差等特征，根据这些统计特征和桥梁方法判断该窗口范围内有无红外小目标；如果存在小目标，记录下其位置；对小目标区域进行二次筛选。研究结果表明，所提算法相对于较经典算法，虚警率降低了58%以上。

 针对帧差分法易产生空洞以及背景减法不能检测出与背景灰度接近的目标的问题，提出了一种将背景减和帧差法相结合的运动目标检测算法。首先利用连续两帧图像进行背景减法得到两种差分图像，并用最大类间与类内方差比法得到合适的阈值将这两种差分图像二值化，然后将得到的两种二值化图像进行或运算，最后利用图像形态学滤波得到准确的运动目标。实验结果表明，该算法简单、易实现、实时性强。

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初2013年提出的R-CNN、OverFeat，到后面的Fast/Faster R-CNN，SSD，YOLO系列，再到2018年最近的Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从two stage到one stage，从bottom-up only到Top-Down，从single scale network到feature pyramid network，从面向PC端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。

基于卷积神经网络的目标检测算法，夏源，张洪刚，本文是基于卷积神经网络的目标检测学习算法，与传统的物体检测算法不同，基于深度学习的目标检测算法，可以通过从海量数据中自动

背景差分与三帧差分结合的运动目标检测算法