强背景杂波条件下运动的弱小目标检测方法

根据目标、背景干扰和噪声在红外序列图像中的差异。提出了一种基于空间高通滤波和时间域上N帧轨迹积累的运动小目标检测方法。该方法可以在低信噪比的情况下消除红外起伏和随机噪声的影响，有效检测出弱小目标。实验结果表明，采用这种时空混合处理的方法可以得到满意的结果。     

红外图像序列的目标增强和检测

文中主要研究了远距离红外图像序列的目标增强和检测问题，提出了基于局部纹理特征的红外图像增强算法，利用红外图像目标和背景区域局部纹理特征的差异来增强目标和背景区域的对比度；为了提高目标检测的速度和精度，利用序列图像的帧间相关信息，采用边检测边跟踪边确认的目标检测方法。实验结果表明，对于远距离、小目标的红外图像，这种增强算法在目标对比度和细节方面都明显优于直方图均衡化方法，而本文采用的目标检测方法仅需很少几帧图像就能检测和跟踪目标，可以在确保目标检测的可靠性的前提下，提高目标的检测速度。     

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。     

一种红外弱小目标的检测方法

提出了一种基于小目标模型的检测方法。该算法对图像中极大值点为中心的局部区域进行能量判别，可以有效地检测出目标；对算法的性能进行了分析。实质是综合利用目标的局部对比度和空间大小两个信息，因此可以更有效地提高目标的信噪比，提高检测概率。通过对实际红外图像和仿真图像的检测实验，都证明了算法的有效性。     

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。     

新的红外图像小目标检测方法

在分析了海空背景下舰船目标红外图像特征的基础上．提出了一种基于背景粗糙度估计的红外图像小目标自适应检测算法，该算法利用LOG算子检测目标的大致轮廓，确定目标的中心点作为区域生长的种子点，可以看作是为后续处理压缩数据量的一种方法。它可以减少运算量，提高检测速度，抑制对不必要的种子点的区域生长，提高目标的检测概率。     

一种序列图像中运动点目标的检测方法

序列图像中运动点目标的检测按图像的成像系统不同，可分为红外图像中运动点目标的检测和可见光图像中运动点目标的检测，而现有检测算法多是针对前者。为寻找一种适用于两种类型图像的运动点目标的检测方法，以多云天空为研究背景，提出了一种新的运动点目标检测算法。采用高通滤波和形态学滤波相结合的方法进行背景抑制，基于检测前跟踪（TBD）的基本思想，根据相邻三帧进行目标分割，利用轨迹能量累积方法完成目标检测。理论分析和仿真结果表明，该算法简单易行．既适用于红外图像又适用于可见光图像的运动点目标，而且对目标的运动速度和方向无任何限制。     

基于改进YOLOv4-Tiny模型的红外弱小目标检测

针对复杂环境下红外弱小目标检测查准率与查全率低的问题，采用改进的YOLOv4-Tiny模型提出一种新的红外弱小目标检测方法。以轻量化的目标检测神经网络YOLOv4-Tiny模型为基础，该模型在训练难度与检测性能2方面取得了较好的权衡。对YOLOv4-Tiny模型的特征提取部分进行了修改，通过增加卷积层数与卷积核尺寸来增加红外图像特征提取的信息量，避免忽略弱小目标的有用信息；对YOLOv4-Tiny模型的激活函数进行了修改，提高对弱小目标的细节学习能力。在多个红外弱小目标数据集上的实验结果表明，相较于原YOLOv4-Tiny模型和其他对比模型，所提方法对红外弱小目标的检测取得了明显的性能提升，可较好地兼顾检测性能与检测效率。     

基于自适应对比度增强的红外小目标检测网络

红外探测系统需要尽早发现目标以便及时拦截,但是红外图像上的小目标检测是一个挑战十足的任务。为了提高检测准确率,提出一种基于自适应对比度增强的红外小目标检测方法。为了利用自注意力机制和卷积各自的优势,设计了一个高效的特征提取网络和一个面向小目标的检测头。同时为了解决实际应用中出现的弱目标,在检测子网络前添加了一个图像预处理子网络,该模块可以自适应地调节图像对比度。在红外空中小目标数据集上的实验表明,提出的方法能达到93.76%的检测精度,与经典的检测方法相比,能够更好地平衡检测精度和召回率,证明了方法的巨大应用潜力。     

强杂波中双波段目标检测新算法

对海空背景下的电视和3～5μm红外目标提出了一种采用多向梯度表决融合的检测方法：依据背景图像中点目标的奇异特性，得到图像的多向剃度检测结果，并进行表决融合。通过实测的电视和红外图像仿真，结果表明，采用“and”判决规则的多向梯度表决融合的检测算法消除了云层、海浪、海天线等背景干扰，在实现高检测概率的同时，可以达到较低的虚警概率。该算法特别适用于低帧率的红外警戒系统，可检测信杂比为1的点目标。     

检测SAR图像中径向慢速动目标

该文提出了一种从SAR图像中检测径向匀速动目标的方法,将SAR图像信号在频域分为正频部分和负频部分,静止背景的正负频分布对称,而径向动目标的多普勒质心与静止背景相比有一频移,信号在正负频域能量分布不对称。将分开的正负频域信号分别回到时域成像,计算这两幅复图像对应位置的模差绝对值,可对消静止背景,突显出径向动目标。仿真数据表明本算法有效。     

多载频星载MIMO-SAR系统动目标检测技术研究

该文研究多载频星载MIMO-SAR系统动目标检测技术.针对多载频星载MIMO-SAR的特点,使用子空间投影的空频自适应处理抑制杂波,并提出一种双门限恒虚警检测器.双门限恒虚警检测器主要思想是各载频对应的回波信号通过SFAP杂波抑制后,使用剔除平均恒虚警检测动目标,得到各载频对应的检测结果,最后将检测结果使用二进制多次脉冲积累进行二次检测,进一步提高检测概率.仿真结果表明,空频自适应处理能有效抑制杂波;同时双门限恒虚警检测器将有助于进一步提高多载频星载MIMO-SAR系统动目标检测性能.     

基于Contourlet变换的红外弱小目标检测方法

介绍了存在背景干扰和噪声情况下的红外图像中弱小目标的检测问题，提出一种基于Contourlet变换的检测算法。首先对图像进行Contourlet变换，利用Contourlet分解后子图像的特性抑制背景和去噪声，最终实现对目标的检测。通过在含有随机目标的红外序列图像中的实验，并与小波变换进行比较，证明了算法的有效性。     

Small Target Detection Algorithm Based on Average Absolute Difference Maximum and Background Forecast

Detecting small targets in clutter scene and low SNR (Signal Noise Ratio) is an important and challenging problem in infrared (IR) images. In order to solve this problem, we should do works from two sides: enhancing targets and suppressing background. Firstly, in this paper, the system utilizes the average absolute difference maximum (AADM) as the dissimilarity measurement between targets and background region to enhance targets. Secondly, it uses a predictor to suppress the background clutter. Finally, our approach extracts the interested small target with segment threshold. Experimental results show that the algorithm proposed has better performance with respect to probability of detection and less computation complexity. It is an effective small infrared target detection algorithm against complex background.     

基于小波和高阶累积量的红外弱小目标检测

红外图像序列中弱小目标的检测是图像处理应用的一个重要研究领域。由于弱小目标很难从背景杂波中分离出来，所以弱小目标的检测是一个难点。介绍了一种基于小波和高阶累积量的红外弱小目标检测方法。该方法利用小波滤波器抑制大部分背景杂波，然后采用基于累积量的自适应滤波器对高频小波系数进一步处理，使得图像信噪比大大提高，同时保留了目标信息。最后应用一些序列处理方法来进一步提高检测的性能。利用实测数据所做仿真实验结果表明该方法的有效性。     

机载预警(AEW)相控阵雷达杂波抑制的时空配对滤波法

抑制杂波一直为机载预警(AEW)雷达信号处理的关键技术。本文根据机载相控阵雷达侧面阵的杂波谱特点,提出了一种用时空二维配对滤波处理来抑制AEW雷达杂波的准最优方法,该方法的特点是运算量小,能实现实时处理,且对低速目标的检测性能较常规的空时级联处理有较大程度的改善。另外,该方法还可以推广到其它非侧面阵的情形。     

红外图像序列中运动弱小目标检测的方法研究

研究在红外图像序列中检测运动弱小目标的方法。首先通过高通或形态学滤波进行图像预处理，进一步用似然比检测分割出侯选目标，考虑到环境干扰造成的目标在某一帧暂时消失的情况，提出了利用目标运动特征通过选择合适的邻域判决条件并结合图像流分析提取运动弱小目标的一种方法。模拟实验表明该方法能够准确高效地检测出运动弱小目标。     

空时自适应杂波分类抑制与弱小运动目标检测

提出了一种新的方法应用于一类重要的高维信号检测问题:在强杂波干扰下检测数字图像序列中位置和速度未知的弱小运动目标.通过对输入序列时域灰度矩进行学习,将像素分成两类———静杂波和动杂波.分别对其采用非参数时域滤波和LS自适应滤波进行去除,从而将原始数据转化为准SPGWN模型.杂波抑制后,根据单帧多像素目标模型假设,采用在空、时域联合集成信号能量的检测算法,能有效地改善信噪比并且有利于实时实现.理论分析和对真实数据的大量仿真试验验证了本方法的有效性.     

基于CSI-MD的地面动目标聚焦成像技术

对于合成孔径雷达(SAR)图像,地面静止场景中同时存在运动目标;由于其运动参数未知,动目标在SAR图像上呈现方位向偏移和散焦;而在高分辨条件下,运动目标更可能会存在跨距离单元徙动现象,从而影响运动目标的聚焦成像。文中结合多通道合成孔径雷达-地面动目标显示技术,提出了基于杂波抑制干涉(CSI)和子视图相关法(MD)的动目标聚焦成像技术。该方法结合多通道SAR图像信息,在CSI抑制杂波后进行动目标检测,根据动目标散焦范围挑出包含动目标的区域;然后,用MD算法估计动目标所在距离单元的方位调频率,重新设计方位匹配滤波函数,对该区域内散焦的运动目标聚焦成像。仿真数据和实测数据的处理结果均证明了该方法能较好地实现动目标的聚焦成像。     

Temporal Profile Based Small Moving Target Detection Algorithm in Infrared Image Sequences

A new algorithm is presented which deals with the problem of detecting small moving targets in infrared image sequences that also contain drifting and evolving clutter. Through development of models of the temporal behavior of the static background, target and cloud edge on a single pixel basis, the new algorithm employing the connecting line of the stagnation points (CLSP) of the temporal profile as the baseline is created and tested. The deviation of the temporal profile and its CLSP is analyzed and it is determined that the distribution of the residual temporal profile obtained by subtracting the baseline from the temporal profile can be modeled by a Gaussian distribution. The occurrences of the targets have intensity values significantly different to the distribution of the residual temporal profile. Unlike the conventional 3-D method, this new algorithm operates on the temporal profile in 1-D space, not in 3-D space, thus having a higher computational efficiency. Experiments with real IR image sequences have proved the validity of the new approach.