基于fast-LOF与光流轨迹的弱小目标检测算法

研究动态背景中弱小运动目标检测问题,提出了一种基于fast-LOF的光流轨迹分类方法。针对弱小运动目标占据像素少、特征缺失等问题,引入光流轨迹思想,在高维空间检测异常光流轨迹实现动态背景中弱小运动目标检测;针对传统LOF算法复杂度过高问题,引入fast-LOF降低异常检测环节复杂度,保证系统良好的检测效率。以手持摄像机拍摄视频进行实验,实验结果表明,白光场景中算法可以实现复杂大视场中弱小运动目标快速检测,光流轨迹和fast-LOF的结合有效提高了算法性能和检测效率,在视觉检测系统中具备一定使用价值。     

基于视觉对比机制的红外弱小目标检测方法

为解决复杂背景下红外弱小目标检测精度低的问题,本文提出一种基于视觉对比机制的红外弱小目标检测方法,算法主要模拟了人眼对目标对比度敏感这一机制。首先利用8向梯度方程提取红外图像的梯度显著图并二值化处理;根据小目标的尺寸大小特征对梯度显著图进行优化处理,剔除孤立的噪声点和尺寸较大的背景梯度显著区域;利用视觉对比机制对优化后的显著图进行局部对比度计算,通过阈值处理剔除虚警目标,完成红外弱小目标检测。仿真实验表明,该算法在低信噪比情况下对红外弱小目标的检测率较高,且虚警率低,单帧检测时间较小。     

弱小目标检测技术浅析

在分析红外序列图像弱小目标检测技术的基础上,总结出高性能弱小目标检测方法应包括背景抑制、轨迹搜索和能量累积、恒虚警率条件下的阈值分割、基于序列图像航迹相关的目标确认等四个完整过程;分析了各环节的技术难点.     

红外单帧弱小目标检测算法研究综述北大核心CSCD

随着红外预警探测技术的发展以及军事化作战需求的提高,满足低虚警、高检测精度的红外弱小目标检测算法一直是国内外研究重点。本文首先从成像特点、数学模型构建以及背景杂波干扰等方面阐述了弱小目标的特征与检测难点。然后分类介绍了近些年来提出的单帧弱小目标检测算法,并对算法的优势和不足进行了分析。最后结合当前红外预警探测领域的实际应用需求,分析了红外弱小目标检测算法未来的发展趋势。     

低信噪比下的红外弱小目标检测算法研究综述

低信噪比条件下的红外弱小目标检测问题一直是近些年来国内外学者研究的一个热门课题。针对复杂背景下红外图像弱小目标检测困难、信噪比低的问题,越来越多的新方法不断被提出。更好的实时性,更高的检测概率,更低的虚警率成为了研究者们追求的目标,实时、鲁棒、通用成为了红外弱小目标检测信号处理算法的核心要求。本文梳理了红外弱小目标检测的常用方法以及其技术发展,在介绍一些传统算法发展的基础上,重点介绍了红外弱小目标检测的几类典型算法的原理、发展及其优化算法,为后续红外弱小目标检测的研究提供了便利。     

背景自适应的多特征融合的弱小目标检测

针对红外复杂背景下的弱小目标检测难题,提出一种基于背景自适应的多特征融合的复杂背景下弱小目标的检测算法。首先,通过对红外图像进行空域滤波去除孤立噪声点,并利用恒虚警率分割消除大面积平稳背景,获得疑似目标集。然后融合红外图像的背景信息、弱小运动目标的灰度特征、目标与周围像素的方向梯度特征等多个典型特征,消除疑似目标集中的大部分假目标,最后运用运动特征获取真实目标的轨迹,最终实现复杂背景下的红外弱小目标的检测。实验表明:该算法能实现复杂背景下低信噪比的红外弱小目标快速检测,具有检测概率高,算法速度快,鲁棒性好的特点。     

基于蜕化决策树的红外目标检测

针对复杂背景下单帧红外图像中的弱小目标检测的问题,提出一种基于蜕化决策树的检测算法。该算法通过提取红外小目标梯度对比度、邻域灰度分布等多个统计特征,充分利用了各个特征的互补作用,达到了高检测概率和低虚警率。通过对实测数据进行仿真,结果表明该方法能有效检测红外弱小目标。     

基于局部对比度测量的红外弱小目标恒虚警检测

鲁棒有效的弱小目标检测算法是光电跟踪系统成功的关键。本文针对空中远距离红外弱小目标检测的实际问题,在人类视觉对比机制基础上提出了一种检测率高、误报率低、处理时间短的红外小目标检测方法。首先,利用基于恒虚警率的Top-hat滤波和自适应阈值操作对原始图像进行预处理,得到疑似目标区域,该步骤可大大减少计算时间,同时保持恒定的虚警概率和可预测的检测概率;然后,定义了一种新颖有效的局部对比度测量算子,并引入图像局部的自相似性计算局部显著图,该过程不仅可以增强图像目标的视觉显著性,同时还可以抑制噪声,提高区域目标的信噪比;最后,在显著图基础上,利用简单的阈值操作就可以获得真实目标。定性定量实验结果表明,本文提出的方法与4种现有检测算法相比,具有更高的检测率、更低的虚警率和更少的检测时间,是复杂背景下红外弱小目标检测的有效方法。     

二维非重构压缩感知自适应目标检测算法

针对重构算法影响压缩成像目标检测效率和结果的问题，提出一种二维非重构自适应阈值的红外弱小目标检测算法。基于Hadamard矩阵构建的二维观测模型，利用Hadamard矩阵的特性对压缩差分图像进行解压缩，直接解码目标的空域特征，并利用改进的自适应阈值法对解码后的图像进行目标检测，避免了重构带来的存储空间和运算时间的浪费。仿真实验表明:在单目标和多目标的情况下，该算法都可以有效检测目标，并在检测率、虚警率和运算时间等指标上具有优越性能，为压缩感知红外弱小目标检测的工程应用提供新的思路和有效算法。     

基于改进YOLOv5的复杂背景红外弱小目标检测算法

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5（You Only Look Once）的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上,添加注意力机制提高算法的特征提取能力和检测效率,同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集,将这些图像数据集进行标注并训练,得到红外弱小目标检测模型,然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明:改进的YOLOv5算法训练出来的模型,检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升,平均精度均值（mean Average Precision,mAP）可达99.6%以上,在不同复杂背景下均可有效检测出红外弱小目标,且漏警率、虚警率低。     

一种单帧图像红外弱小目标检测算法及DSP实现

针对红外图像中存在的弱小目标,使用多种检测算法融合检测红外图像中的小目标,该算法对低信噪比红外图像中的目标检测准确率高,虚警率低.同时使用TI DSP芯片在硬件电路中实现算法,并在实际中应用.     

卷积神经网络在目标检测中的应用及FPGA实现

针对传统目标检测算法在复杂背景条件下的对红外弱小移动目标的检测能力弱,虚警率高等问题,提出了一种基于卷积神经网络的目标检测方法,分析了卷积神经网络的结构、特点,将卷积神经网络应用到红外弱小目标检测领域,选择卷积神经网络模型,学习训练学习出合适的模型参数,并将算法在以FPGA为核心的硬件平台上进行移植。实验表明,本文的算法实时性好,硬件移植工作量小,在复杂背景下能够得到目标掩码信息、有效检出目标。     

复杂背景下小目标恒虚警检测技术研究

为了实现复杂背景下的弱小目标恒虚警检测,提出了一种基于CEM算法的恒虚警探测算法.在分析CEM算法滤波处理结果分布规律的基础上,采用TM-CFAR方法选择恒虚警探测门限,并结合形态学方法克服了背景虚警概率曲线中的拖尾现象.以ETM数据为例进行了计算机模拟.结果表明,该方法在信干比为-5dB和虚警率为10-4的条件下,可以有效地检测出被探测目标.     

一种雷达信号处理的检测算法

由于在雷达弱小目标的检测和跟踪过程中,目标是典型的弱小目标且回波较弱,常规的检测算法难以奏效。针对此特点提出采用雷达弱小目标先跟踪后检测的方案,通过对雷达弱小目标长时间积累检测问题进行界定,并根据信号的特殊性对雷达弱小目标进行检测。首先通过进行目标预测,并在此基础上对检测出的目标进行目标跟踪。利用目标的运动沿各种可能轨迹积累能量的特征,对各个能量积累值进行检测判断,从而检测出真实目标并提取出目标的运动轨迹。文中首先对动态规划应用于弱小目标检测的算法进行了详细的描述,同时,对动态规划应用于弱小目标方法的性能也做了进一步分析,并对检测概率和虚警概率关系进行了较详细的推导。最后,通过仿真实验和性能分析得出了门限与虚警概率的关系。     

基于复杂背景的红外弱小目标识别

为了降低红外图像中弱小目标检测的虚警率,提升图像边缘处理效果,提出一种基于局部对比度联合facet小面模型的红外弱小目标检测改进算法。首先采用高斯滤波去除图像中高斯噪声。然后,利用改进算法进行图像子块遍历,去除图像中可疑的弱小目标。最后,利用facet模型方向导数特征得到不同方向的弱小目标梯度分布,使算法具有良好的边缘处理特性,从而获得待处理图像中真实的弱小目标。实验结果表明,与传统算法相比,改进算法的虚警率最低,大大提高了图像边缘处理效果。     

基于稀疏环决策的天空背景红外弱小目标检测算法

针对天空背景红外图像中弱小目标检测的难题,分析了红外目标检测的模型,提出了基于稀疏环决策的目标检测算法。利用数学形态学滤波目标增强方法对图像进行背景抑制,而后采用恒虚警检测方法对滤波后图像进行自适应分割,从而获得候选目标点,然后计算各个候选目标点的局部自相似性描述子,对自相似性描述子归一化、分块之后得到稀疏环表示,利用相应的判断准则可以判别目标点与虚警点。实验结果表明,该算法应用于复杂云层背景弱小红外目标图像能够得到较理想的结果,与移动管道滤波方法相比,能有效区别目标点与固定云层杂波干扰,并且虚警率低,易于实现。     

低虚警率的红外弱小目标检测算法

针对远距离复杂场景下红外弱小目标信噪比低导致目标检测虚警率高的问题,提出了一种时域与空域滤波相融合的红外弱小目标检测方法。采用相对局部对比度算法(Relative Local Contrast Measure,RLCM)增强目标信噪比,抑制高亮度背景;利用目标的时空相关性,运用时域局部差分算法(Temporal Local Difference Algorithm,TLCD)增强目标,消除固定噪点。融合空域和时域的检测结果获得时空相对局部对比度图(Spatial Temporal Relative Local Contrast Map,STRLCM),通过自适应阈值分割提取待检测的真实目标。实验结果表明,与现有算法相比,所提算法可以极大地降低虚警率同时保持较高的检测效果。     

基于二维正态云模型算法的红外图像弱小目标检测

针对红外图像弱小目标检测的特点,采用二维正态云模型算法。首先利用一维云的特性建立二维云模型,由两个相互独立的一维云模型函数组成,目标像素的分布点为一个云滴,整个像素分布区域形成的云团反映了图像中目标的特性;接着依据目标判别条件函数来通过函数发生器产生正态云模型;最后在红外图像弱小目标检测误差函数下构造各云层的目标函数。实验仿真显示本文算法对红外图像弱小目标检测效果最好,能检测率高,虚警率低,耗时少。     

基于杂波抑制的海平线红外弱小目标检测

针对红外图像中海天交接处目标能量较弱,难以获得精确检测的问题,本文提出一种基于杂波抑制的海平线弱小目标检测方法。该方法通过对红外图像特征分析,检测海平线像素特征,去除障碍物干扰,确定海平线区域;对海平线区域采用改进的均值差滤波与背景建模,去除海平线杂波;杂波滤除后,计算两个区间自适应阈值作为滞后阈值,从而检测出海平线弱小目标像素。实验结果表明,本文提出的算法能够有效去除海平线杂波,确定海平线区域,有效提取海平线像素,从而准确检测出海平线弱小目标,具有较高的检测率与较低的虚警率,验证了该算法的有效性。     

基于聚集疑似目标的快速TBD弱小多目标检测方法

提出了一种无需复杂图像预处理的快速的自适应弱小多目标检测方法,适用于有背景起伏的低SNR的噪声随机分布的红外图像序列.采用线性滤波算子,直方图排序分割,快速目标聚集三个核心算法,实现了高速的TBD弱小目标检测.根据直方图进行梯度滤波的结果自适应地进行门限分割,然后剔除随机的不聚集的高梯度值噪声,最后进行时间低通滤波,减少虚警率和漏检率.通过对比实验,表明本文提出的先跟踪后检测的方法,在具有良好检测效果的同时,速度优于需要复杂形态学滤波或中值滤波的方法.