聚焦、检测、跟踪、再聚焦:基于经典跟踪前检测框架的实时小目标检测技术

隐身技术的发展对空空导弹的检测跟踪性能提出了较大的挑战。弱小目标检测跟踪算法作为弹载信号处理的核心,需要同时兼顾检测性能与执行效率。经典的跟踪前检测(Detect Before Track, DBT)方法属于一种级联结构,具有较高的实时性。本文在DBT架构下,提出聚焦(Focus)、检测(Detect)、跟踪(Track)、再聚焦(Re-Focus)弱小目标检测跟踪算法FDTR。基于实测数据的实验结果表明,该方法具备优异的检测和跟踪性能,代码执行效率高实时性强。FDTR完全基于Python和标准库实现,接口规范,架构清晰。基于FDTR,可方便的替换并评估算法中的聚焦模块,并可进一步升级为检测前跟踪(TBD)架构,提升信噪比利用率。     

复杂背景下红外小目标自适应检测跟踪

本文针对复杂背景下红外小目标检测跟踪问题,提出了一种背景自适应的目标检测跟踪方案。针对地面背景下的红外目标检测,采用帧差法,分别提出了跳帧多帧差法和双阈值多帧差法以应对目标长时间静止和灰度对比度下降的问题。针对天空背景下的红外目标检测,采用基于目标区域稳定性和显著性(Regional Stability and Saliency, RSS)的检测算法。在检测得到目标备选点后,使用带标签的高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density, GMPHD)滤波器对备选点滤波以输出目标初始轨迹。同时引入轨迹整理将间断的初始轨迹重新连接并进一步去除虚警。经过验证,本文提出的目标检测方法可在复杂多类背景下准确检测并跟踪红外图像中的小目标。     

基于数学形态学的红外小目标跟踪研究

为了提高红外小目标跟踪算法的性能和实用性,根据红外小目标的特性,选用数学形态学方法先对目标进行波门检测,依据检测结果来实现对目标的跟踪。在具体计算时,提出了一种新的形态学算子使膨胀运算和阈值分割合为一步,节约了计算时间。考虑到波门内可能出现虚警或漏警的情况,提出了有效的解决方法。最后通过实际拍摄的不同情况下的红外图像,进行了红外小目标的跟踪实验,实验结果表明了算法在实时性和准确性上都达到了很好的效果。     

基于鲁棒主成分分析的红外图像小目标检测

鲁棒的小目标检测是红外目标搜索与跟踪的关键技术,提出一种改进的单帧红外图像小目标检测算法。该方法将原始红外图像通过预处理变换到新的红外块图像模式,在红外块图像上,将红外图像小目标检测问题转换为低秩矩阵和稀疏矩阵分离的鲁棒主成分分析(RPCA)问题。考虑到红外图像中噪声和杂波的存在,用交替方向方法求解带噪声的RPCA问题,获得稀疏目标图像,并对获得的稀疏目标图像采用简单的图像分割算法进行目标检测。对空天、海天、天云、海面4种不 同场景的红外图像小目标检测,进行仿真实验,结果验证了所提出算法的有效性。     

基于粒子滤波的目标图像多特征融合跟踪方法

研究了序列图像中红外弱小目标的检测跟踪问题.基于多特征融合的小目标检测算法具有较好的检测性能和适应性,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.结合两种算法的优点,提出了一种基于粒子滤波的目标图像多特征融合跟踪方法.从红外序列图像中提取了局部灰度均值对比度、局部梯度均值对比度、局部熵和灰度分布四个典型特征,根据各个特征对弱小目标检测的贡献,自适应地进行特征融合.在粒子滤波的框架下,将融合后的特征信息转化为粒子的权值,对红外弱小目标进行跟踪.仿真试验表明,该算法有着良好的检测与跟踪性能.     

基于多特征融合与粒子滤波的红外弱小目标跟踪方法

研究低信噪比复杂背景下的红外弱小目标检测和跟踪问题.基于多特征融合的小目标检测算法具有较好的检测性能和适应性,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.结合两种算法的优点,提出了一种基于多特征融合与粒子滤波的红外弱小目标跟踪方法.仿真试验表明,与单特征跟踪算法相比,该算法对复杂背景下的红外弱小目标具有更好的跟踪与检测性能.     

海天背景下红外舰船目标实时跟踪算法研究

针对海天背景下的红外舰船图像对比度低、船载摄像机上下抖动剧烈的特点,文中提出了均值移位(mean-shift)和海天线检测相结合的红外目标实时跟踪算法.首先通过水平投影方法提取每帧图像的海天线,然后由相邻帧海天线的高度差设定每帧图像跟踪起始点,将目标的灰度和梯度信息进行加权来描述目标特征,利用mean-shift算法进行目标跟踪.实验结果表明,文中算法能够准确跟踪上下运动剧烈的红外舰船目标,跟踪速度达到12 fps.     

深度学习在红外目标跟踪中的应用展望

近年来,深度学习算法研究持续升温,已经在自动驾驶、工业检测以及医疗等领域占据了主要地位。红外目标跟踪是红外导引的一项关键技术,然而,对于复杂的红外场景,已有的跟踪算法很难适用所有情况,跟踪效果遭遇瓶颈。本文通过介绍红外目标跟踪算法发展现状、基于深度学习的目标跟踪算法最新发展,分析了目前主流深度学习算法的优缺点,结合红外目标跟踪的特点和深度学习方法的工作思路,展望了深度学习方法在红外领域的应用前景及未来的工作方向。     

一种适用于多场景的红外弱小目标检测跟踪算法

红外弱小目标检测一直是军事领域研究的热门问题。本文提出了一种基于图像复杂度和显著性帧间差分的更为精确且高效的红外弱小目标检测跟踪算法。该算法整体框架包含预处理模块、检测模块、跟踪模块三部分。通过预处理对红外图像中的无效像元进行补偿;对不同红外场景进行判断,选用N-P准则直接检测或基于显著性帧间差分法检测目标;实时探测成像范围内背景的移动量、对已检出的目标运动轨迹做出连续性判断,能补偿检测所无法消除的虚警及漏警。选用四组不同场景的数据集进行测试,在目标形心真值3×3范围内的检测率为98.2%,检测失败率(检测出目标形心在其值9×9外)为0.01%,表明该算法能快速实现对各类背景下的目标跟踪检测,并有较高的适应性、准确率。     

基于细胞响应模型的红外背景抑制

为检测复杂背景红外图像中的小目标,解决红外弱小目标检测易受复杂背景干扰的问题,提出基于非下采样Contourlet变换(NSCT)和细胞响应模型的红外图像背景抑制算法。首先采用非下采样Contourlet变换对图像进行多尺度、多方向分解,得到各子带系数;然后根据目标、背景的不同特点以及子带的方向性,选取细胞响应模型的参数对中频各个子带系数进行处理;最后对处理后的子带系数进行重构得到背景抑制图像。实验结果表明:本文算法取得了更好的背景抑制效果,提高了单帧红外图像的处理能力,降低了后续检测与跟踪的难度。     

基于运动信息的弱小目标跟踪方法

近年来,低信噪比图像序列中弱小目标跟踪问题是国内外学者研究的一个热门课题.文中针对弱小目标的背景特性、目标特性和运动特性进行了深入分析,提出了利用序列图像小目标运动的连续性滤除背景以提高信噪比,运用目标本身特征和运动信息确认目标,减少虚警率,从而有效地跟踪弱小目标.算法收敛迅速,跟踪精度高.仿真实验结果表明该方法能够准确高效的检测并跟踪运动小目标.     

红外弱小目标检测方法综述

红外弱小目标的检测对于精确制导武器的发展与反导体系作战具有重要意义。对当前红外弱小目标的检测难点进行了深入的分析。根据红外弱小目标的两种主要检测方式,对目前的主要检测理论和检测方法进行了全面的归纳总结,分析了各方法的适用情况及优缺点,并讨论了红外弱小目标检测领域的发展方向。     

联合目标跟踪与分类技术的进展及存在问题

联合目标跟踪与分类(JTC)技术是信息融合领域新兴的一个研究方向。其基本思想是：通过在目标跟踪器和目标分类器之间进行双向信息交互,来同时有效地提高目标的跟踪精度和分类性能。介绍了JTC技术的基本原理。将现有JTC技术划分为两大类——基于质点运动模型的JTC技术和基于刚体运动模型的JTC技术,并作了对比分析。综合论述了JTC技术的发展。指出JTC技术目前存在的主要问题以及未来的研究方向。     

基于红外相机和毫米波雷达融合的烟雾遮挡无人驾驶车辆目标检测与跟踪

战场环境下无人驾驶车辆的感知系统易受烟雾、扬尘等天气的影响,对关键目标的检测与跟踪能力大大下降,造成目标漏检、目标误检、目标丢失等严重后果。针对该问题,开发毫米波雷达和红外相机融合系统,采用目标级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终输出稳定的目标感知结果。对毫米波雷达的目标进行有效性检验和提取,并提出改进的基于密度的含噪声空间聚类应用算法,以减少毫米波雷达噪音干扰。以YOLOv4网络为基础,引入MobileNetv2主干网络,在网络训练过程中运用迁移学习方法,同时对红外数据样本进行扩充,解决了红外图像训练样本少的问题。试验结果表明,相较于仅基于红外相机的算法,融合检测算法在烟雾环境下的精度显著提升,且算法实时性高,实现了烟雾环境下毫米波雷达与红外相机融合的目标检测与跟踪,提高了无人驾驶车辆目标检测与跟踪系统的抗烟雾干扰能力。     

联合卡尔曼滤波在多传感器信息融合技术中的应用

多传感器信息融合技术在目标跟踪领域已经得到了广泛的应用,末制导融合技术是多传感器跟踪系统中的关键技术之一.本文运用联合卡尔曼滤波的先分散处理,再全局融合的思想,对主动雷达、红外传感器的数据融合问题进行了研究.仿真结果和实验表明,利用此方法可使雷达、红外传感器达到较好的数据融合效果.     

红外系列图像运动小目标检测

红外系列图像运动小目标检测,基于形态学滤波抑制图像系列背景方法,在图像分割基础上,利用目标在帧间运动的连续性进行目标识别.即首先通过形态学滤波进行图像预处理,用自适应阈值方法分割出候选目标,再利用目标运动特征,采用邻域判决法最终检测出目标.模拟实验表明该方法能够准确高效地检测出运动小目标.     

一种新的红外激光联合跟踪滤波算法

红外跟踪与激光测距的联合跟踪系统在实际工程中得到越来越多的应用,但两类传感器采样不同步是比较常见的,从而带来了一些新问题.激光测距机的采样频率远远低于红外测角的采样频率,并非每个采样时刻都可以得到测距信息,因此,目标跟踪存在可观测性问题.提出了一种新的红外激光联合跟踪算法,即先对测角数据进行基于变长有限记忆最小二乘的预估计,然后将预估计后的测角结果与激光测距信息一起代人转换测量Kalman滤波方程中进行滤波.由于该算法有效的利用了全部测角信息,因此有利于改善跟踪估计性能.仿真实验表明,该算法具有较高的跟踪精度,且计算量较小.     

基于多维特征的高超声速目标分类识别算法

针对高超声速目标天基探测中分类识别困难的问题，提出了一种基于多维红外特征的高超声速目标分类识别算法。在对主动巡航式和被动滑翔式两类不同机动类型的典型高超声速目标多维红外特征进行对比研究的基础上，结合高斯混合模型进行机器学习聚类分析，开发了基于多维特征的高超声速目标分类识别算法，构建了高超声速目标多维特征混合识别模型。基于天基探测全链路模型仿真的数据进行测试验证，其结果证明了所提出的高超声速目标分类识别方法的有效性。在检测到的高超声速目标运动特性未知的情况下，该算法仅通过多维红外特征可快速对两型高超声速目标（主动巡航式/被动滑翔式）进行分类识别，为后续跟踪和拦截高超声速目标争取了时间。     

基于运动特征的干扰弹检测方法研究

在红外成像导引头视场中，及时检测出干扰弹是红外成像导引头实现抗干扰弹干扰的前提。在弹目距离较大时，导引头处于点目标跟踪阶段，目标信噪比比较低，且没有目标形状特征可以利用，因此，对干扰弹的检测比较困难。利用干扰弹与目标运动特征的不同进行干扰弹检测是一种比较有效的方法，通过对比仿真选择目标图像在焦平面上的运动加速度作为特征量进行干扰弹检测。最后，通过数字仿真，研究了在考虑误差的情况下，各种因素对干扰弹检测概率的影响。     

基于最小二乘支持向量机时域背景预测的红外弱小目标检测

针对信噪比较低时,如何有效地抑制自然背景对目标检测的影响,提出了一种基于最小二乘支持向量机(LS-SVM)时域背景预测的红外弱小目标检测方法。首先针对前几帧图像中对应同一位置像素点的灰度值序列,利用参数经粒子群优化的最小二乘支持向量机进行函数拟合,并据此预测下一帧图像在该位置处像素点的灰度值;然后将原始图像与预测图像相减得到预测残差图像,利用基于二维Tsallis-Havrda-Charvat熵的阈值选取快速算法进行分割,并根据小目标运动的连续性和轨迹的一致性进一步分离噪声和小目标。文中给出了实验结果及分析,并与现有的检测红外小目标的空域和时域背景预测算法进行了比较。结果表明所提出的算法具有更高的检测概率,明显优于已有的基于背景预测的红外小目标检测算法。