基于中值滤波和多向梯度搜索的目标检测算法

复杂背景下低信噪比弱小目标的自动检测是当今目标自动探测研究尚未解决的一个难题.针对复杂天空背景条件下低信噪比的红外弱小目标检测问题,提出了一种基于中值滤波和多向梯度搜索相结合的目标检测算法.算法首先运用中值滤波器将目标从红外背景中分割出来,再结合多向梯度判决算法提取出真实目标点,最后辅以形态滤波填充目标内部空间,构成完...     

基于噪声方差估计的红外弱小目标检测与跟踪方法

针对红外弱小多目标图像背景杂波干扰严重、弱 小目标检测率低和目标跟踪困难的问题,提出一种 基于噪声方差估计的红外弱小目标快速检测与目标跟踪算法。首先采用改进的形态学 滤波抑制背景噪声, 对处理后的多帧图像进行方差估计初步突出目标像素;然后对其进行信噪比(SNR)估计得到整个图像序列像素得 分,图像中像素SNR高的被标记为目标像素;再对标记过的图像进行分块分析 ,准确提取出连续图 像序列中的目标像素;将检测出的目标像素作为Hough变换的目标跟踪算法的输入,设置双 阈值实现目标 的有效跟踪。实验结果表明,在复杂背景下的红外弱小目标提取中,基于噪声方差估计的目 标检测拥有较 高的检测概率和较低的虚警概率,将其获得的目标像素作为Hough变换的输入,不仅可以有 效跟踪目标, 而且简化了算法的复杂度,实现目标的快速提取和跟踪,具有很高的应用价值。     

基于视觉对比机制的红外弱小目标检测方法

为解决复杂背景下红外弱小目标检测精度低的问题,本文提出一种基于视觉对比机制的红外弱小目标检测方法,算法主要模拟了人眼对目标对比度敏感这一机制。首先利用8向梯度方程提取红外图像的梯度显著图并二值化处理;根据小目标的尺寸大小特征对梯度显著图进行优化处理,剔除孤立的噪声点和尺寸较大的背景梯度显著区域;利用视觉对比机制对优化后的显著图进行局部对比度计算,通过阈值处理剔除虚警目标,完成红外弱小目标检测。仿真实验表明,该算法在低信噪比情况下对红外弱小目标的检测率较高,且虚警率低,单帧检测时间较小。     

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。     

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。     

基于多方向梯度和形态学算法的红外弱小目标检测

受多种因素的影响,通常获得的红外图像信噪比低、对比度差,为目标的提取带来一定的困难。在分析弱小目标方向梯度的基础上,结合形态学算法,提出一种新的红外弱小目标检测算法。首先在待检测点四邻域方向上选取4个参考点,根据该方向待检测点与参考点之间的多级梯度特征,确定出潜在目标;然后利用结构元可调节的特性,选择合适的结构元素,通过形态学处理,剔除噪声点并最终确定出目标。实验表明,该算法计算简单,无需预测背景,可在低信噪比图像中有效检测弱小目标。     

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。     

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。     

基于非线性抗噪声估计的视觉显著性弱小目标检测

针对红外图像处理技术中弱小目标检测的重要性及关键性,提出一种基于非线性抗噪声估计的检测算法来解决高可靠性、高鲁棒性的弱小目标检测问题。提出的方法基于传统视觉显著度算法及空间距离处理方法,对目标及背景区域采用非线性加权方法进行估计,在不显著降低目标信号信噪比的基础上,削弱孤立微小噪声点对检测算法性能的影响,可提高抗噪性能。首先,采用模块化及非线性映射方式预测背景;然后,融入距离相关因子滤除噪声干扰;最后,在处理结束的图像上进行二值化阈值分割,自动检测并向下一级处理软件输出目标位置信息。实验结果表明:提出的算法与近年来先进的弱小目标检测算法相比,在受试者测试曲线上,在相同的虚警率下,可获得更高的检测率,对背景噪声的抑制很明显;在局部信噪比及背景抑制因子的测试比对数据上,提出的算法可获得更高的检测指标。缺点是算法采用了非线性处理技术,运算效率较低,需进一步优化算法以提高计算速度,实现算法的实时目标检测。     

基于最恰对比度显著性分析的红外弱小目标检测方法

针对红外图像弱目标检测困难的现状,提出一种基于最恰对比度显著性分析的红外弱小目标检测方法,在滑动窗口中采用了非线性处理技术对图像进行处理,避免了传统的显著度分析算法处理图像时在景像边缘处产生的显著度值干扰问题,同时不影响在目标区域对目标的提取能力。进行了大量的半实物仿真实验,结果表明,虽然提出的方法在背景抑制因子中未明显提高,但在均值信噪比和信噪比增益两个指标中对目标检测性能明显增强。在图像处理后的三种方法视觉对比图中,效果最好。     

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。     

海天背景下红外小目标检测的背景抑制及海天线检测方法

针对复杂海天背景下红外弱小目标难以检测与识别的问题,提出了基于海天线检测实现远距离弱小目标识别的方法。该方法对采集到的红外图像进行相关处理。通过用多级小波变换方法抑制背景杂波噪声提高目标信杂比;然后使用多方向Gabor滤波融合方法增强海天线边缘,并通过霍夫变换方法实现海天线定位和检测;最后通过定位海天线确定海天线附近区域的目标搜寻范围,缩小目标点潜在区,从而提高弱小目标在海天背景下的检测和识别概率。     

时空联合红外小目标检测算法的设计与实现

针对小目标检测方法受信噪比影响较大的情况,本文提出了一种时空联合小目标检测方法,通过使用目标的灰度特征,梯度特征,运动特征实现对小目标的检测,并在FPGA平台上完成了硬件实现。实验结果表明,本文提出的算法检测准确性较高,实时性较好,能够实现对红外小目标的实时检测。     

卷积神经网络在目标检测中的应用及FPGA实现

针对传统目标检测算法在复杂背景条件下的对红外弱小移动目标的检测能力弱,虚警率高等问题,提出了一种基于卷积神经网络的目标检测方法,分析了卷积神经网络的结构、特点,将卷积神经网络应用到红外弱小目标检测领域,选择卷积神经网络模型,学习训练学习出合适的模型参数,并将算法在以FPGA为核心的硬件平台上进行移植。实验表明,本文的算法实时性好,硬件移植工作量小,在复杂背景下能够得到目标掩码信息、有效检出目标。     

基于梯度特征的弱小目标检测北大核心CSCD

针对传统检测方法对低对比度和低信噪比弱小目标检测难度大的问题,提出一种基于梯度特征提取的弱小目标检测方法。首先利用弱小目标的各向同性及在梯度空间中的正负分布特性,提取两个方向梯度特征;然后通过改进的局部对比度算法分别抑制两个方向梯度特征的相似性,融合两个抑制相似性的方向梯度特征,增强目标同时抑制背景;最后通过自适应阈值对结果图进行分割,得到最终检测结果。实验结果表明,该算法不仅能够有效检测极低信噪比与对比度的目标,而且对复杂边缘场景具有很好的抑制效果,在信噪比、背景抑制因子以及检测率方面优于其他算法。