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。     

基于深度学习的红外弱小目标检测算法研究综述

目标检测技术是安防监控、预警探测、遥感成像等装备的核心要素,也是当前深度学习研究领域的热点之一。红外探测系统通过被动接收物体发射的红外电磁波进行成像,具备温度灵敏度高、探测距离远、被动探测隐蔽性强等优点,在目标探测领域有广泛的应用。文中从红外弱小目标图像的特点出发,针对基于深度学习的视觉图像目标检测算法进行分类描述,并对深度学习在红外弱小目标检测中的有效手段进行总结,最后对未来的发展趋势做出展望。     

基于单帧图像的红外弱小目标检测技术研究综述

红外探测系统以其隐蔽性好、穿透能力强等优点广泛应用于航空航天、军事侦察等领域。但该系统的观测距离较远,且目标往往呈现弱小状态,所以针对单帧图像的红外弱小目标检测一直是红外探测领域的难点和研究热点。基于滤波、视觉显著性、图像数据结构和深度学习四个方面,对当前单帧红外弱小目标检测算法进行了详细综述,最后对红外弱小目标检测技术进行了总结与展望。     

基于红外图像改进LBP纹理描述符的弱小目标检测算法

红外搜索跟踪(IRST)是目前受到各国大力发展的目标探测设备,IRST一般用来检测距离较远的红外弱小目标,因为在实际当中获得的红外图像一般信噪比比较低,适于IRST的弱小目标检测算法一般是序列图像的联合检测。针对这样的特点,需要在单帧检测疑似目标的时候将真实目标包含在里面,同时要求疑似目标的数量不能太多。在分析了弱小目标模型后,我们提出了利用改进的LBP纹理描述符进行目标检测的算法,通过实验发现,检测的效果比较好,可以将真实的弱小目标检测出来,同时使得虚假目标尽可能地少。     

一种自适应红外目标尺寸变化的检测跟踪算法

在实际场景中随着红外探测距离的缩小,红外弱小目标的尺寸等会动态增长,常用的红外弱小目标检测跟踪算法便无法继续稳定检测与跟踪。为解决上述问题,本文提出了一种自适应红外目标尺寸变化的检测跟踪方法,借助低阈值信噪比实现弱小目标的初筛,并通过自适应尺寸分割避免大目标漏检误检,构建备选目标库,最后配合使用卡尔曼算法模型预测运动轨迹,完成小范围波门检测,实现目标跟踪。与传统DBT（Detection Before Track）跟踪检测算法相比,本文算法可同时兼顾弱小目标和大尺寸目标的检测跟踪,在所选目标尺寸动态增长的场景中,本文算法的检测跟踪率提升了约10%。     

复杂海洋环境中弱小目标的红外辐射特性研究及图像仿真

弱小目标检测是当今研究的热点问题之一.分析目标背景的红外特性,进行红外仿真,可作为弱小目标检测算法的研究基础并为目标检测算法研究构造仿真平台.本文在建立弱小目标热模型的基础上,考虑了海面背景的辐射模型以及红外辐射的大气吸收模型,进而计算出弱小目标的红外辐射及大气衰减量,最终可获得经过大气衰减的弱小目标红外仿真图像,取得了较好的效果.     

基于改进YOLOv7的机载红外弱小目标检测算法

随着现代化战争的技术升级,机载红外探测领域对更快更远更准地发现目标的需求日益强烈。为满足机载环境下对红外弱小目标高精度高帧率的检测,本文提出了一种基于YOLOv7改进的目标检测算法,以YOLOv7目标检测算法为基础,进行了修改网络结构和加深卷积层数来使特征提取更多的小目标信息特征；并对骨干网络获取的特征层引入注意力机制来提高神经网络对小目标的感知能力以及提高小目标所在区域的权重占比；使用EIOU损失函数替换原本的CIOU损失函数,提高了收敛速度和定位精度。实验结果表明,相较于原算法YOLOv7,在极小损失帧率的情况下,改进后的算法mAP可以达到9849,相较原始算法提升了124,有助于提升对机载红外弱小目标的检测准确率。     

基于隔帧差分向量无穷范数的运动弱小目标的检测

提出了运用隔帧差分向量无穷范数检测红外图像序列中运动弱小目标一种新算法。 算法以隔帧差分为基础,该处理系统不仅能够探测到帧间位移不小于1个像元的点目标,而且可以探测到帧间位移小于1个像元而多帧累积位移大于1个像元的运动点目标,使算法探测与识别目标的能力大大提高,为不同速度多目标的检测提供了新的可能。仿真实验结果表明,该算法具有较高的检测率和良好的实时特性,能有效地检测出低信比红外图像序列中的弱小运动目标。     

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。     

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。     

基于视觉对比度机制的红外小目标检测

复杂背景条件下的红外小目标检测是红外预警、红外搜索与跟踪等系统的关键技术和研究热点之一。针对红外序列图像中弱小目标检测问题,提出了一种基于视觉对比度机制的红外小目标检测方法。该方法首先运用加权高斯差分方法计算出目标显著性图,接着采用模糊控制方式优化参数获取显著性区域,最后通过显著区域与周围区域对比度分析获取真实目标。从实验结果以及和其他方法对比可以看出,所提出方法具有较高的检测率和较低的虚警率,是一种有效的小目标检测方法。     

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。     

红外弱小目标检测方法综述

红外弱小目标检测系统可灵活部署在不同的平台中,在红外预警、制导等领域具有重要实用价值。但是,由于复杂场景下存在信噪比低、背景变化剧烈等问题,导致复杂背景下的红外弱小目标检测非常困难,一直是目标探测领域的研究难点和研究热点。根据红外图像数据使用方式的不同,将现有目标检测方法划分为单帧型（含局部信息类与非局部信息类等）和多帧型（含关联校验类与直接求取类等）两大类,并分别进行了简要梳理,分析了不同方法的原理、优势及不足。最后,对本领域的发展趋势做出了预测。该工作既可以帮助初学者快速了解本领域的研究现状和发展趋势,也可作为其他研究者的参考资料。     

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。     

红外弱小目标实时检测处理系统

针对红外弱小目标的实时检测,提出了一套基于DSP和FPGA高速乒乓缓存结构的红外实时目标检测系统。该硬件系统以高速乒乓缓存结构为核心,利用基于目标特性的区域生长算法完成对红外弱小目标的检测。实验结果表明,该检测系统对红外弱小目标具有较好的检测效果和较高的实时性,可以实现对红外弱小目标的实时检测。     

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。     

基于生物启发模型的红外小目标检测

红外小目标检测在军事领域的制导、预警和边防间谍无人机检测中极其重要,但由于红外小目标纹理信息不足、高背景杂波、暗淡且模糊和低目标对比度等等原因,导致其仍有改进的余地。本文提出基于生物启发模型(PLMC)的红外弱小目标检测的方案。首先基于生物启发模型增强目标且抑制背景杂波;然后使用改进阈值过滤假目标,提取真实目标。在多个复杂场景数据集上的进行实验,结果表明,与其他较新的小目标检测方法相比,本文提出的方案具有更好的检测性能与鲁棒性。