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。     

图像自寻的弹药目标检测方法综述

弹载图像目标检测方法是实现图像自寻的弹药“发射后不管”、对目标进行自主打击的关键技术。弹药图像自寻的面临着成像环境恶劣,目标特性变化快,对算法体积、速度要求苛刻等问题。围绕弹载目标检测难点问题进行综述,将基于深度学习的目标检测方法区分为基于候选框、无候选框和基于transformer的方法,回顾了各类方法主要研究进展;对特征提取网络轻量化、预测特征图增强、非极大值抑制后处理算法、训练中样本均衡、模型压缩等弹载图像目标检测模型部署中的关键技术进行了梳理;对比了典型目标检测方法在ImageNet、COCO及弹载图像目标数据集上的性能,并对未来发展进行展望。     

基于深度学习的小样本目标检测综述

针对在小样本情况下目标检测的问题,对当前小样本条件下的目标检测方法进行归纳总结。列举4 类小 样本学习方法并介绍其优缺点,介绍目前这几类方法的典型算法;进行小样本目标检测实验设计,通过分析各方法 的特点得出其可应用方向;对目前的小样本图像目标检测存在的问题进行讨论。结果表明,该分析能为相关领域的 研究者提供更多的思路。     

稀疏表示系数下局部最优重构的SAR图像目标识别算法

针对现有基于稀疏表示分类的合成孔径雷达(SAR)图像目标识别方法存在的不足,提出了稀疏表示系数下局部最优重构的SAR图像目标识别算法。该算法基于全局字典上求解得到的稀疏表示系数,选取若干具有最大系数的原子并分别在各个类别上对测试样本进行重构,获得相应的重构误差。同时,考虑到SAR图像方位角的敏感性,在各类别上选取与测试样本具有相近的方位角的原子,并对重构误差进行修正,从而获得最终的决策变量对目标类别进行判定。实验结果表明,该方法在标准操作条件和扩展操作条件下均可以取得更好的性能。     

基于GLC-KSVD的稀疏表示人脸识别算法

稀疏编码中的字典学习是基于稀疏表示图像分类的核心内容,为此提出了一种基于Gabor特征和标签一致K-SVD(GLC-KSVD)字典学习的稀疏表示人脸识别算法;由于Gabor特征对光照、表情和姿态等具有一定的鲁棒性,首先对图像进行Gabor特征提取,用增广的Gabor特征矩阵来构建初始字典,然后通过字典学习得到原子与类别标签相对应的判别性字典和线性分类器,字典学习模型综合了重建误差、分类误差和稀疏编码误差,通过字典的标签一致约束,同一类别的样本得到相似的编码系数;实验结果表明:该算法具有良好的识别精度和较高的识别效率。     

基于样本分割的快速高光谱图像异常检测支持向量数据描述方法

高光谱图像异常检测支持向量数据描述方法性能优越但存在计算量巨大的问题。提出快速高光谱图像异常检测支持向量数据描述方法，该算法通过样本分割有效降低求取支持向量的计算量。建立了求取支持向量的计算量与样本分割子集数量的数学模型，并给出样本分割子集数量的最优选取方法；提出目标窗与背景窗尺寸相同的优化分割方法，该方法目标窗每次移动只需更新50%的训练样本，有效地减少图像遍历时求取支持向量的计算量。对HYMAP图像的仿真结果表明：本文算法对不同尺寸的高光谱图像进行异常检测的计算时间均小于SVDD算法计算时间的10%.     

基于减量学习的鲁棒稀疏最小二乘支持向量回归机

针对最小二乘支持向量回归机缺乏鲁棒性和稀疏性,提出采用自下而上的学习方式和循环逐一删除样本框架的鲁棒稀疏算法。为增强鲁棒性,采用基于留一误差的鲁棒3σ准则检测并删除异常样本。为提高稀疏性,采用基于最小绝对留一误差的剪枝策略删除不重要样本。为降低计算量,采用快速留一误差和减量学习更新模型。实验结果表明:新算法有较强的鲁棒性,同时在模型泛化性能略有下降的情况下,支持向量数目大幅减少。     

一种基于显著性的红外弱小目标检测方法

红外弱小目标检测是目标识别等领域的研究热点。考虑到红外弱小图像中目标信噪比较低,且成像目标的尺度变化较大,构建一种同时考虑局部显著性特征和全局显著性特征的红外弱小目标检测框架。构建一种基于多尺度卷积核的显著性目标检测算法,将该算法与谱残差算法分别进行显著图计算;在得到局部和全局显著图后,采用形态学方法进行显著图的融合以及自适应阈值方法进行二值分割。在给定的公开数据集上的实验结果表明,该方法相对于基准的显著性算法,在目标检测的准确性和虚警率上均有明显优势。     

抗仿射变换图像局部特征检测与匹配算法研究

针对SIFT局部特征在图像发生大视角变化时匹配失效的问题,提出了一种基于仿射变换模型的图像局部特征检测和匹配算法。通过建立图像仿射变换模型,对相机光轴视角变换的纬度角θ和经度角Φ进行模拟,并采用SIFT算法进行特征检测,基于最邻近法进行特征匹配,使算法除了具有SIFT本身的抗图像缩放、旋转和亮度变化等特点外,还具有较强的抗仿射变换能力。试验结果表明:当图像发生相对斜率较大的仿射变换时,该图像特征检测和匹配算法仍有较强的抵抗能力。算法可用于图像末端寻的制导弹丸和空中侦察设备拍摄的图像进行有效匹配。     

弹载线阵扫描激光雷达的目标识别算法

针对现有算法对稀疏图像识别率不高的问题,提出了基于目标顶部特征的BP神经网络目标识别算法。该算法通过分析模拟目标的线阵扫描数据,应用统计算法提取目标顶部轮廓数据特征,建立目标三维特征图模型,采用最小生成树Prim算法得到目标顶部轮廓空间分布特征,在此基础上设计了对目标特征分类的BP神经网络。仿真结果表明,该算法简单易于实现,并且在预测误差│error│≤0.015时,该算法对目标稀疏图像有较好的识别效果。     

一种新的空谱联合稀疏高光谱目标检测方法

目标检测是高光谱数据处理的重要应用之一,高光谱图像中空间和光谱信息的充分利用对于目标检测率的有效提升非常关键。提出一种新的联合稀疏表示的目标检测方法,将混合范数理论和算法应用于高光谱目标检测,在联合高光谱图像空间和光谱信息的基础上,建立了基于联合稀疏性约束的混合范数正则化数学模型,并利用交替方向乘子法对模型进行了优化求解。仿真实验结果表明,该方法能有效提高高光谱目标检测的准确性,降低虚警率。     

基于先验信息稀疏恢复的非均匀样本检测方法

针对训练样本被干扰目标污染导致空时自适应处理（STAP）目标检测性能下降的问题,提出了一种基于先验信息稀疏恢复的非均匀样本检测方法。该方法首先采用欠定系统局灶算法恢复待检测单元的稀疏表示系数,然后利用机载雷达系统参数等先验信息离线设计“稀疏滤波器”,并采用其滤除稀疏表示系数中的目标及“伪点”的影响,进而估计杂波协方差矩阵,最后与广义内积（GIP）方法结合,根据新的检测统计量来剔除被污染的样本。仿真分析表明,与传统GIP方法相比,该方法能够有效地检测出被干扰目标污染的训练样本,提升了STAP在非均匀环境下的目标检测性能。     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

基于嵌入式平台与优化YOLOv3 的航拍目标检测方法

针对部署在嵌入式平台的目标检测模型在检测航拍目标时存在的检测速率低、耗时高、存储容量低的问 题,提出一种基于优化YOLOv3 算法的航拍目标检测方法。通过模型剪枝极大地减少了模型参数量,使用二分 K-means 对传统的锚框聚类算法进行优化改进,引入CIOU 损失函数加强边界框回归效果,再经TensorRT 对模型优 化加速后将该检测模型部署到JetsonTX2 平台上。选取大量不同类别不同环境的航拍图像制作数据集进行实验对比。 结果表明：优化后的算法在检验不同航拍图像目标时平均精度可达到83.9%,对每张图片的检测速度从2.8 FPS 提升 至14.7 FPS,满足精确性和实时性要求。     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

基于空域压缩采样的水声目标DOA估计方法

在空域存在稀疏观测约束条件下,传统的水声目标方位DOA估计方法在水下无人航行器等小型平台的应用中往往精度低或者失效。针对这一问题,提出了一种基于空域压缩采样的水声目标DOA估计方法。该方法通过建立水下目标的空域稀疏模型,对水下目标在空域进行压缩采样,并利用联合稀疏重构实现水下目标的DOA估计。仿真实验表明：与传统方法相比,该方法在较少阵元、较小阵列间隔和较少快拍下估计精度相对提高;而在较低信噪比下估计成功率能够提高50%以上,均方误差也能降低到02°以下。     

基于似然分布自适应调整的SMC-PHDF算法

SMC-PHDF(Sequential Monte Carlo-Probability Hypothesis Density Filter)算法由于不受高斯和线性的限制,在目标跟踪领域有着广泛的应用;然而当系统量测噪声较大,很多样本的归一化权重很小而成为无效样本,最终导致SMC-PHDF算法滤波精度较低;针对这一问题提出似然分布自适应调整的SMC-PHDF算法,通过在更新步骤中自适应调整粒子权值,增加先验密度和似然的重叠区,从而达到提高滤波性能的目的;仿真结果表明:在系统量测噪声较大时该算法比传统SMC-PHDF算法的滤波效果有所提升.     

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7％,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。     

多输入多输出天波超视距雷达多模杂波抑制的改进最小方差无失真响应算法研究

多输入多输出天波超视距雷达(MIMO-OTHR)通常利用最小方差无失真响应(MVDR)波束形成来抑制接收回波中的电离层多模杂波对目标探测的影响。由于MIMO-OTHR的全向性发射、杂波噪声协方差矩阵估计不准确以及有限相干积累时间内训练样本数过少,使传统MVDR输出信杂噪比(SCNR)较低。对MIMO-OTHR中的MVDR算法进行改进,以改善其多模杂波的抑制能力。利用2阶锥规划进行发射波束域预处理,将发射能量集中到主模式角度;在阵列接收端进行阵列平滑,抑制主模期望信号,提高杂波噪声协方差矩阵估计精度;利用MVDR波束形成双迭代算法,降低对计算量与训练样本数的需求。仿真结果表明：改进MVDR算法可有效抑制多模杂波;以较少训练样本及较小计算量,可以获取更高的输出SCNR.