一种基于区域背景预测的红外弱小目标检测方法

提出了一种基于区域均值化背景模型的背景预测算法,用于红外弱小目标检测,算法通过“区域均值化背景模型”,来减小背景起伏对背景预测的影响,从而实现对背景更准确的预测,达到提高弱小目标检测性能的目的,算法适用于强对比度云层的空背景、具有人造干扰物的背景和空地背景的红外图像中,具有较强的抗噪音特性,是背景预测算法的一个重要扩展,针对实际红外图像的试验仿真表明,提出的算法是有效的。     

基于多向差异度的红外弱小目标检测算法

在分析红外图像中弱小目标的特征后,针对目前经典的红外弱小目标检测算法性能不足的问题,提出了一种基于多向差异度的红外弱小目标检测算法。该算法利用待检测像素点在各方向上的差异度来判决其是否为目标,无需背景预测、图像增强等处理,因此其构造简单,计算量小,易于实现,并能有效改善复杂背景环境下红外弱小目标的检测性能。通过大量的仿真实验证明了该算法的有效性和优越性。     

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。     

一种背景特征空间相关的跟踪算法研究

针对天空背景红外图像弱小、目标可利用信息特征少,采用通常的几何、纹理等目标特征的时域相关性跟踪算法难以实现连续平稳跟踪的情况,提出了一种基于后处理的弱小目标检测跟踪算法,即利用背景特征的空间相关性实现弱小目标检测,结合前后图像帧中目标灰度特征和运动特征的时域相关性实现了弱小目标的连续跟踪。实验结果证明,该算法对天空背景红外图像弱小目标跟踪稳定可靠,实时性好。     

基于自适应SUSAN各向异性扩散的红外弱小目标检测

针对复杂背景下红外弱小目标提取困难的问题,提出了一种自适应SUSAN各向异性扩散的红外弱小目标检测算法。该算法结合SUSAN边缘检测算子与各向异性扩散,形成新的扩散方程对红外图像进行背景预测,与原图像差分后实现弱小目标检测。为使算法具备自适应能力,提出SUSAN边缘检测器灰度差阈值的自适应设定方法,采用绝对偏差中值算子作为其扩散系数。实验结果表明,该算法能够有效滤除复杂图像背景,大幅提升信噪比,同时保留目标大小。     

改进时空滤波的红外弱小目标检测

为了有效解决动态背景变化导致弱小目标检测率低的问题,文中提出了改进时空滤波的红外弱小目标检测算法。首先在分析红外图像成像特性的基础上,针对目标区、背景区和边缘轮廓区不同梯度特性的差异,提出改进的各向异性空域滤波算法,该算法充分利用空间域的梯度信息来构建不同方向的扩散滤波函数,并结合图像不同特性的梯度差异选取扩散函数值最小的两个方向的均值作为时域滤波结果,以最大限度地保留目标信号;接着为有效增强弱小目标的能量,针对高阶累积量仅利用像元点时域信息来构建能量增强的不足,提出了一种结合时空邻域块的能量增强算法,实验表明,本文提出的算法能有效提升动态场景下的弱小目标的检测能力。     

面向天基红外预警的高动态弱小目标LSTM检测方法研究EI北大核心CSCD

在天基红外预警任务中,高动态弱小目标具有成像尺寸小、运动规律未知的特点。现有红外弱小目标探测任务主要关注匀速直线运动目标检测问题,对高动态目标的有效检测算法尚需进一步开发。针对天基红外预警任务中高动态非线性运动目标检测问题,提出了一种基于LSTM的红外弱小目标检测算法。首先设计了提取可疑目标位置信息的预处理方法,解决了LSTM网络结构与序列图像不匹配的问题;然后,针对传统算法难以检测非线性运动轨迹的问题,利用LSTM提取目标运动特征,实现序列图像中高动态目标的检测。通过与序列假设检验等算法的对比,在自研的红外序列图像数据集上验证了所提出的算法能够实现不低于0.9347的精确率与不低于0.8633的召回率。     

改进时空滤波的红外弱小目标检测

为了有效解决动态背景变化导致弱小目标检测率低的问题,文中提出了改进时空滤波的红外弱小目标检测算法。首先在分析红外图像成像特性的基础上,针对目标区、背景区和边缘轮廓区不同梯度特性的差异,提出改进的各向异性空域滤波算法,该算法充分利用空间域的梯度信息来构建不同方向的扩散滤波函数,并结合图像不同特性的梯度差异选取扩散函数值最小的两个方向的均值作为时域滤波结果,以最大限度地保留目标信号;接着为有效增强弱小目标的能量,针对高阶累积量仅利用像元点时域信息来构建能量增强的不足,提出了一种结合时空邻域块的能量增强算法,实验表明,本文提出的算法能有效提升动态场景下的弱小目标的检测能力。     

基于注意力机制的复杂背景下红外弱小目标检测方法研究

针对复杂场景下红外图像中弱小目标像素占比少、特征细节不明显致使目标特征提取困难、检测准确率低的问题，提出了一种基于注意力机制的复杂背景下红外弱小目标检测方法。该方法以YOLOv5网络为基础，设计SimAMC3注意力机制模块，优化网络的特征提取层；设计目标检测头，通过增加特征融合层来改变其开始进行特征提取的深度，获得新的弱小目标检测层，使浅层特征层更好地保留弱小目标的空间信息；改进预测框筛选方式，提高距离相近或重叠目标的检测精度。实验选取了两个SIRST红外弱小目标图像数据集，对其进行标注并训练。实验结果表明，改进后的算法与原YOLOv5算法相比，平均精度均值（mAP）分别提升了4.8%和7.1%，在不同复杂背景下均可有效检测出红外弱小目标，体现了良好的鲁棒性和适应性，可以有效应用于复杂背景中的红外弱小目标检测。     

基于时序注意力机制的红外弱小目标智能检测识别算法框架

针对资源受限、高动态复杂场景下的红外弱小目标检测识别问题,基于时序注意力机制提出了一种轻量化的智能检测识别通用算法框架,使其具备自动提取和学习目标时序变化信息的能力。所提出的算法框架主要在基于卷积神经网络模型的单帧检测识别算法基础上,结合了基于循环神经网络相关模型构造的时序注意力模块,从而使对应算法模型具有自动关联多帧之间目标特征信息变化的功能。在相关红外弱小目标图像数据集上,通过对算法框架与其他方法进行对比,结果表明所提出算法框架显著提升了对红外弱小目标的检测识别准确率。     

基于二维频域投影的弱小运动目标检测方法

针对光学成像弱小运动目标难以准确快速检测问题,提出了基于图像序列行列最大投影的二维频域运动小目标检测算法。首先,为了减少计算复杂度和使目标背景分离,将经过背景全局运动补偿后的视频向二维频域投影并去除频率为零的成分,从而获得含弱小运动目标和噪声的图像序列;其次,通过行列序列最大投影,得到信噪比提高的含弱小运动目标的行列图像;然后,通过主运动滤波和图像重构,检测到滤除配准误差和噪声的弱小运动目标;最后,针对强噪声干扰下的弱小运动目标检测问题进行了仿真实验,仿真结果表明,所提算法不仅可有效的检测出弱小运动目标,而且相对单一的行列分解图像在二维频域内有更高的检测信噪比。     

J-MSF: 一种新的多通道多尺度红外弱小目标检测算法

针对经典的基于深度学习的红外弱小目标检测算法存在目标信息在高层感受野消失导致无法检出的问题,提出一种新的基于多通道多尺度特征融合的红外弱小目标检测算法（J-MSF）。首先,该算法提出了一种新的多通道JAnet结构,基于此结构搭建了主干特征提取网络;其次,设计了下降门限式特征金字塔池化结构(DSPP),并提出了多尺度融合检测策略;最后,设计了高斯损失优化函数。实验结果表明,所提出的算法在“地/空背景下红外图像弱小飞机目标检测跟踪数据集”上的检测效果与YOLOv3、YOLOv4算法对比,检出率、整体AP值分别提升9.07%、9.89%和1.67%、3.16%,提出算法优于目前主流的检测算法,体现出了良好的鲁棒性和适应性,可以有效的应用于红外弱小目标的检测。     

基于地理同名点配准的机载红外移动小目标检测方法

在飞行器等移动载体条件下的红外光电系统中,由于场景条件复杂,目标特征不明显,弱小移动目标检测是自动目标检测领域的一大难点。因此,针对复杂地面场景条件下的移动小目标检测问题,提出了一种无关图像内容的基于帧间地理同名点区域配准的机动目标检测方法。该方法通过综合飞行器惯性组合导航信息,解算视场中像素点对应的地理位置,获取帧间图像地理同名点对,完成图像配准工作,区域配准获得帧间背景的移动量,并对帧间图像进行运动补偿,然后进行帧间差分将背景干扰去除,突出运动目标,最后利用目标运动信息的反向验证对目标进行确认。通过试验结果可以看出,该算法能够取得较好的检测效果。     

关于动目标近距的杂波谱中心补偿

杂波谱中心补偿是机载雷达动目标检测的关键步骤。杂波谱中心的估计方法主要有两种:惯导估计法和回波数据估计法。对于机载雷达的动目标检测所运用的估计方法利用回波数据进行估计杂波谱中心,然后利用惯导估计的杂波谱中心进行解模糊操作。但是在5km近距的杂波谱中心发现,传统的回波数据方法—重心法估计、相关法估计,仍然会使动目标检测出地杂波,已经不能满足动目标检测的要求。本文针对实际雷达和实测数据,对近距动目标检测提出了新的杂波谱中心估计方法,对于动目标近距的检测结果有较大的改善。     

基于多向梯度背景预测的红外目标检测算法

为解决复杂空中背景下红外弱小目标的检测,提出一种新的基于多向梯度的背景预测方法。该方法根据云层边缘区域、平缓背景区域及弱小目标所呈现的不同梯度特点,采取不同方法分别进行预测;基本保留云层边缘区域和平缓背景区域的点,而对弱小目标区域采用邻域低灰度值点进行预测。然后经过背景消除和阈值分割,将弱小目标检测出来。仿真结果表明,该算法对复杂空中背景预测有很高的准确性,能够更加有效地抑制云层边缘引起的虚警,将红外弱小目标点检测出来。     

利用局部灰度特征分析实现红外弱小目标检测

提出了一种利用局部灰度特征分析进行红外弱小目标检测的新方法.该方法通过判断图像局部灰度包络曲面是否具备二维高斯函数曲面特征实现红外弱小目标检测,不需要进行传统的背景预测.设计了新的目标局部灰度特征提取方法和适合工程计算的自动目标检测算法.实验结果证明了算法参数选择策略的有效性,验证了算法对复杂背景边缘良好的杂波抑制能力...     

基于三阶累积量的红外弱小运动目标检测新方法

为检测强杂波背景中的红外弱小运动目标,提出了一种基于三阶累积量的检测新方法.该方法利用图像中目标经过时像素点灰度值有起伏变化这一特点,将其看作是一种非高斯弱瞬态信号,通过构造三阶累积量对其进行检测.此三阶累积量估计中的去均值处理同时实现了背景杂波的抑制,较好地改善了信杂比(SCR),提高了单帧检测性能.实验表明,该方法能够有效地抑制强杂波背景,在SCR>1时,能可靠检测目标.     

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。     

基于相关配准的帧间差分算法

针对帧间差分法在摄像头运动时受动态背景严重干扰的问题,提出了一种基于图像配准的运动目标检测算法。首先将中值滤波后的连续两帧图像配准,配准时先在前一帧图像中选取背景,即背景图像,用区域相关法将后一帧图像与背景图像配准;接着将配准后的2帧图像差分得到帧间差分图像,即帧差图像,再用数学形态学的开运算去掉帧差图像中的一些细小噪声;最后将连续两帧去噪后的帧差图像逻辑与运算,得到运动目标检测结果。实验结果表明,在摄像头运动时的动态背景下,该算法有效地抑制了动态背景的干扰,准确地检测出了运动目标的边界,提高了运动目标检测在动态背景下的应用价值。