机器视觉技术的红外弱小目标状态感知方法

为在复杂场景下精准感知多个红外弱小目标，提出基于机器视觉技术的红外弱小目标感知方法。依据搜索窗口与筛选条件，从红外图像中筛选出候选感兴趣区域，采用多目标分割算法，应用显著性特征从候选感兴趣区域中提取感兴趣区域，并提取感兴趣区域的加权灰度均值特征，将其作为Soft-FART网络的输入，通过Soft-FART网络模糊匹配知识库与感兴趣区域的加权灰度均值特征，选取大于警戒条件的目标作为感知到的红外弱小真实目标，并将感知结果输出。实验结果表明，该方法可在不同场景下精准感知红外单独弱小目标和多个红外弱小目标，且在高噪声环境下依然具备较好的红外弱小目标感知性能。     

基于聚类思想的红外弱小目标检测

针对复杂背景下尺寸未知的红外弱小目标检测难题,一种基于聚类思想的红外弱小目标检测方法被提出。首先,利用小目标形态学特征对原始红外图像进行预处理,生成新的密度特征图。其次,使用改进的密度峰聚类算法对潜在候选目标进行粗定位。然后,针对潜在目标的局部候选集,采用加权模糊集聚类算法对局部候选集进行目标与背景区域的精细分割,利用目标与背景之间的差异性在增强目标的同时抑制虚警。最后,对处理后的局部候选集进行自适应阈值提取真实目标。实验结果表明,与7种对比算法相比,该算法对尺寸未知的小目标具有良好的鲁棒性和检测性能。     

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。     

基于时空二维目标描述的红外小目标跟踪

根据红外弱小目标的时空域特性,提出了一种基于时空二维直方图均值移动的红外弱小目标跟踪方法。本文构建了空域分量和时域分量来表示红外弱小目标,形成时空二维图像。当前帧图像包含目标的空域分布信息,因此将当前帧图像作为空域分量;差分图像包含目标的运动特性,反映了目标的时域特性,因此将前后两帧差分图像作为时域分量。利用时空二维目标表示方法,采用均值移动算法进行目标跟踪,同时根据Bhattacharyya系数来更新目标模板。采用实际拍摄的小目标视频来检测本算法,仿真结果显示本算法能稳健的跟踪红外弱小目标,均值移动算法的跟踪精度得到了较大的提高。     

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。     

双邻域差值放大的高动态红外弱小目标检测方法（特邀）

针对现有红外弱小目标检测方法背景抑制不充分、计算复杂度高,导致红外侦察预警系统虚警率高、响应速度慢的问题,提出一种基于双邻域差值放大的高动态红外弱小目标检测方法。首先,分析真实红外图像中目标与邻域的均值特性;然后,计算出目标区域与内外双层邻域的差异,从而提升亮、暗弱小目标的局部对比度并抑制复杂背景和噪声;最后,利用自适应阈值分割算法获取目标的位置。针对信杂比增益和背景抑制因子难以客观评价红外图像序列的目标增强和背景抑制性能的问题,提出一种目标轨迹显著图评价方法,有效评价红外图像序列目标检测性能。实验结果表明:与同类检测方法相比,该方法的信杂比增益与背景抑制因子分别提高了12%与10%,运行时间约缩短了34 ms,是一种有效可行的高动态红外弱小目标检测方法。     

空域加权局部对比度的红外小目标检测算法

针对传统局部对比度算法在强杂波背景下,容易引入虚警目标的不足,提出了一种空域加权局部对比度的红外小目标检测算法。首先,利用具有中心激励和侧向抑制性的二维高斯差分滤波器,抑制了原始图像大部分的背景杂波,以提高图像的信噪比;然后,利用目标均值与邻域的中值的比值进行局部对比度测量,再用目标各区域的灰度均值差加权局部对比度,生成目标显著图;最后,对显著图进行自适应阈值分割,检测出真实目标。实验结果表明,与其他几种检测方法对比,该算法不仅具有较高的信躁比增益和背景抑制因子,还具有较高的检测率和较低的虚警率,是一种有效的红外小目标检测方法。     

基于稀疏环决策的天空背景红外弱小目标检测算法

针对天空背景红外图像中弱小目标检测的难题,分析了红外目标检测的模型,提出了基于稀疏环决策的目标检测算法。利用数学形态学滤波目标增强方法对图像进行背景抑制,而后采用恒虚警检测方法对滤波后图像进行自适应分割,从而获得候选目标点,然后计算各个候选目标点的局部自相似性描述子,对自相似性描述子归一化、分块之后得到稀疏环表示,利用相应的判断准则可以判别目标点与虚警点。实验结果表明,该算法应用于复杂云层背景弱小红外目标图像能够得到较理想的结果,与移动管道滤波方法相比,能有效区别目标点与固定云层杂波干扰,并且虚警率低,易于实现。     

基于杂波抑制的海平线红外弱小目标检测

针对红外图像中海天交接处目标能量较弱,难以获得精确检测的问题,本文提出一种基于杂波抑制的海平线弱小目标检测方法。该方法通过对红外图像特征分析,检测海平线像素特征,去除障碍物干扰,确定海平线区域;对海平线区域采用改进的均值差滤波与背景建模,去除海平线杂波;杂波滤除后,计算两个区间自适应阈值作为滞后阈值,从而检测出海平线弱小目标像素。实验结果表明,本文提出的算法能够有效去除海平线杂波,确定海平线区域,有效提取海平线像素,从而准确检测出海平线弱小目标,具有较高的检测率与较低的虚警率,验证了该算法的有效性。     

基于复杂背景的红外弱小目标识别

为了降低红外图像中弱小目标检测的虚警率,提升图像边缘处理效果,提出一种基于局部对比度联合facet小面模型的红外弱小目标检测改进算法。首先采用高斯滤波去除图像中高斯噪声。然后,利用改进算法进行图像子块遍历,去除图像中可疑的弱小目标。最后,利用facet模型方向导数特征得到不同方向的弱小目标梯度分布,使算法具有良好的边缘处理特性,从而获得待处理图像中真实的弱小目标。实验结果表明,与传统算法相比,改进算法的虚警率最低,大大提高了图像边缘处理效果。