基于视觉注意机制的复杂背景下红外小目标检测

针对视觉注意机制Itti模型对复杂背景下红外小目标检测易受到图像背景杂波影响,检测结果不理想的情况,对传统算法加以改进,在Itti模型中引入背景预测算子。对图像背景进行预测,与原图像进行差减,以达到突出目标区域的目的,消除背景区域对目标显著性的影响。再提取滤除背景后的图像视觉差异,找出图像的显著性区域,实现对红外小目标的检测。将改进后的模型应用于复杂背景下红外小目标检测中,实验结果表明,相对于传统的Itti模型的检测算法,新提出的算法具有更高的检测率。     

基于视觉显著性的红外图像弱小目标检测方法

针对复杂背号下红外图像弱小目标检测难题,提出了一种基于视觉显著性的目标检测方法。首先利用基于视觉注意机制的显著性模型计算图像的显著度图,然后根据图像的显著度图确定目标的区域,最后在原图像上确定目标的精确位置,仿真实验结果表明,本文方法能够很好地检测出红外图像中的弱小目标;与常用背景抑制法相比,该方法不仅较好地突显了目标,而且极大地消除了虚警干扰。     

基于面形态学的靶场红外小目标检测方法

针对靶场红外测量图像处理中的弱小目标检测问题,提出一种基于面形态学的目标检测算法：利用面形态学层析原理,首先采用多阈值对图像二值化;其次在每一幅二值化图像内对连通域滤波,按最小面积准则去除连通域;最后通过累加重构二值化图像,计算目标质心,获得检测结果。试验结果表明,该方法在单帧情况下,可检测低信噪比的较大动态范围红外目标。     

基于视觉注意模型化计算的行人目标检测

提出一种用于行人目标检测的视觉注意模型化计算方法。在提取行人目标显著表象特征的基础上,通过多尺度分解后,各尺度图像之间的差减与归一化运算构成显著图;同时,根据肤色高斯似然计算模型,提取行人目标特有的皮肤颜色特征图,再通过分块图像中分类像素点累计计数与阈值化均值滤波相结合的方法精化肤色提取结果以构成导引图;进而提出一种将显著图与导引图通过有偏置的加权整合策略实现目标区域的准确预测。通过Penn-Fudan行人数据库和实拍视频的实验结果表明,所提方法的检测准确率优于现有其他计算模型,且相对传统目标检测算法,能够大幅度减少时间开销,提高检测效率。     

基于选择性视觉注意机制和曲线发现法的弱小目标检测

将选择性视觉注意机制和基于连接点问题模型的曲线发现法引入到深空背景弱小目标检测中。在注意机制中,充分利用目标灰度和运动连续显著性,得到注意焦点整合图;通过基于连接点问题模型的曲线发现法进行目标轨迹检测,最终完成目标检测。实验结果表明此方法有效地降低了信息处理量,具有较强的抗噪性,可用于低信噪比环境中的弱小目标检测。     

可疑目标区域的机器视觉检测算法

可疑目标区域的确定是大背景中微小目标的机器视觉检测的一个关键问题.以棉花中污染物的检测为背景,根据人类的视觉注意机制,提出了一种可疑目标区域的机器视觉检测算法:首先采用主成分分析法(PCA)和离散余弦变换(DCT)算法对分块图像进行数据压缩,然后采用BP神经网络、支持向量积(SVM)模拟人脑对检测目标区域的识别.结果表明:分块图像大小、数据压缩算法和模式识别方法对识别能力有较大的影响;本文提出的检测算法可以确定可疑目标区域.在实验分析的基础上,提出了提高精度和速度需要进一步解决的几个问题.     

基于形态学方法的红外小目标检测

为了降低复杂背景下红外小目标检测的虚警率,在分析目标特性的基础上,给出了一种高提升滤波与形态学Top-hat算子相结合的检测方法.该方法首先对红外图像进行高提升滤波,提高图像对比度;通过Top-hat变换滤除背景,利用伽马变换提高信噪比（SNR）,经阈值分割检测出可能的目标,然后通过对序列图像的处理最终确定目标,并形成稳定航迹.仿真结果表明：与单一的Top-hat变换相比,该方法能够更准确检测出信噪比不小于2的目标,且虚警率低.     

基于移动式加权管道滤波的红外弱小目标检测

针对复杂红外背景中边缘噪声的干扰导致传统检测算法在低信噪比下目标检测概率较低的情况,提出了基于移动式加权管道滤波的弱小目标检测方法．该检测方法引入了自适应学习的思想,在利用管道滤波检测目标时,根据目标位置实时地修改加权的管道中心坐标位移,有效地抑制了边缘噪声对目标检测的干扰．与传统的管道检测方法相比,本方法能更好地抑制边缘噪声的影响,从而正确检测出真实目标．基于连续采集的红外序列图像进行的实验表明,当红外图像的信噪比大于等于1.5时,该方法均能有效地检测出弱小目标的轨迹．     

基于δ-LBP的红外目标检测方法

研究红外序列图像中目标检测方法,在对传统方法分析的基础上,提出了以LBP算法为基础的δ-LBP算法.该算法充分利用了LBP算子的平移不变性和旋转不变性,能在复杂的背景中快速检测到目标边缘,进而确定和跟踪目标.与几种传统算法比较,此检测方法在准确性和实时性方面都有所提高.     

一种新的红外弱小运动目标检测算法

为检测强杂波背景中的红外弱小运动目标,提出一种基于Power-Law检测器的目标检测新方法．利用图像中弱小目标经过时像素点灰度值有起伏变化这一特点,将其看作是一种弱瞬态信号,利用Power-Law检测器对瞬态信号良好的检测性能,实现对弱小运动目标的检测．仿真结果表明该算法能够可靠地检测出信杂比(SCR)大于1的弱小运动目标．     

序列帧间双重匹配的红外点目标跟踪算法

针对海空复杂背景下红外点目标的检测与跟踪,提出了基于图像序列帧间双重匹配的边跟踪边检测算法,并建立了数学模型。它采用标记序列帧M以帧对帧的方式记录输入序列的帧间匹配结果,标记帧T以点对点的方式记录标记序列帧M的帧间匹配结果,统计帧S记录T中各像素的匹配成功次数,输入单帧图像同步输出矩阵T和S分别显示目标运动轨迹和迎头目标检测结果。算法匹配过程不随目标数目或运动状态而改变,且无需提前判断疑似目标位置,有效解决了目标在图像序列中突然丢失或出现被干扰情况下的跟踪,尤其可以对跟踪结果实时地进行目标分离,解决了迎头目标跟踪的难题。仿真和实际工程图像实验结果表明,算法具有较高的可靠性和实时性。     

联合多尺度与注意力机制的遥感图像目标检测

遥感图像存在背景复杂、目标尺度差异大且密集分布等不足,为提高现有算法的检测效果提出联合多尺度与注意力机制的遥感图像目标检测算法. 改进空洞空间金字塔池化模块,增大不同尺寸图像的感受野;提出注意力模块用于学习特征图通道信息和空间位置信息,提升算法对复杂背景下遥感图像目标区域的特征提取能力;引入加权双向特征金字塔网络结构与主干网结合来增进多层次特征的融合;使用基于距离的非极大值抑制方法进行后处理,改善检测框易重叠的问题. 在DIOR和NWPUVHR-10数据集上的实验结果表明：所提算法的平均精度均值mAP分别达到71.6%和91.6%,相比于主流的YOLOv5s算法分别提升了2.9%和1.5%. 所提算法对复杂遥感图像取得了更好的检测效果.     

基于多尺度融合与注意力机制的小目标车辆检测

针对传统目标检测算法（SSD）检测小目标精度低的问题,提出基于注意力机制与多尺度信息融合方法并将其运用于车辆检测任务.结合浅层特征图与深层特征图的优势,小目标检测分支和大中型目标检测分支的特征图采用5支路和2支路融合.在基础网络层之间加入注意力机制模块,模型会关注包含更多信息量的通道.实验结果表明,在自建车辆数据集上的均值平均精度（m AP）达到90.2%,比传统SSD算法提高了10.0%,其中小目标检测精度提高了17.9%;在PASCAL VOC 2012数据集上的类别平均精度mAP为83.1%,比主流的YOLOv5算法提高了6.4%.此外,提出算法在GTX1 660 Ti PC端的检测速度可以达到25帧/s,能够满足实时性的需求.     

一种空背景下红外弱小目标检测算法

为了检测空背景下的红外弱小目标,提出了一种预测式管道滤波新算法。首先进行单帧检测以获取候选目标,并以该候选目标位置为中心建立预测管道;根据前三帧管道中心位置预测下一帧管道中心位置,从而实现管道随着目标的移动,而且为下一帧的预处理提供先验知识;使用管道滤波算法进行目标检测。由于进入管道预测阶段后,单帧检测只需在预测的管道中心周围进行,由此显著提高了该算法的检测速度和抗干扰能力。仿真实验证明,该算法具有很好的检测性能。     

检测红外弱小目标的对比滤波时域廓线算法简

The detection performance of the traditional temporal profile algorithm deteriolates when the dim small target has a velocity correspmding to equivalent that of cloud edge clutters. This paper proposes a temporal profile algorithm based on comparison filtering as a responding method to the fake-alarm occurrence existing in the traditional detection algorithm. Based on the analysis of the time domain characteristics of the dim small target, cloud edge clutters as well as the stationary background, the characteristic of the temporal profile is adopted to restrain the stationary background, and then the spatial domain comparison filter is structured based on the fact that the pixels of the cloud edge clutters are continuous in spatial domain while the pixels of the dim small target are discrete, and the images after removal of the static background are filtered by the comparison filter; lastly, the connecting line of the stagnation points (CLSP) based filtering is used to realize the detection of the dim small target. Simulation data show that this algorithm can significantly eliminate the fake-alarm caused by the cloud edge clutters with an equivalent velocity of the target, thus further improving the detection probability of the dim small target.     

基于注意力机制和编码-解码架构的施工场景图像描述方法

为了实现在光线不佳、夜间施工、远距离密集小目标等复杂施工场景下的图像描述,提出基于注意力机制和编码-解码架构的施工场景图像描述方法. 采用卷积神经网络构建编码器,提取施工图像中丰富的视觉特征;利用长短时记忆网络搭建解码器,捕捉句子内部单词之间的语义特征,学习图像特征与单词语义特征之间的映射关系;引入注意力机制,关注显著性强的特征,抑制非显著性特征,减少噪声信息的干扰. 为了验证所提方法的有效性,构建一个包含10种常见施工场景的图像描述数据集. 实验结果表明,所提方法取得了较高的精度,在光线不佳、夜间施工、远距离密集小目标等复杂施工场景下具有良好的图像描述性能,且具有较强的泛化性和适应性.     

注意力机制的SAR图像车辆目标检测网络

在SAR图像车辆目标检测过程中,车辆轮廓定位不仅能够提供车辆位置信息,而且还能够为车辆状态分析提供依据,是SAR图像理解的关键步骤。但SAR图像中乘性斑点噪声会对轮廓定位造成干扰,增加车辆目标检测的难度。针对这一问题,提出了一种注意力机制的SAR图像像素级车辆目标检测网络。该网络由目标筛选、目标定位和轮廓细化三个模块构成。目标筛选在一个轻量级的特征提取网络中采用通道注意力和自注意力机制,在抑制噪声影响的同时对包含目标图像进行快速筛选,并提供稳定的定位热力图;目标定位利用掩码交叉注意力机制根据定位热力图优化粗尺度特征细化目标定位,并融入细尺度信息改善目标轮廓细节;轮廓细化通过轮廓点筛选消除上采样及噪声带来的轮廓不确定点获取准确的轮廓像素点置信度。对MSTAR数据集进行车辆像素级标注,建立SAR图像车辆数据集及大场景图像数据集用于网络测试。实验结果表明,该网络具有良好的像素级检测性能,可实现大场景SAR图像中车辆目标的快速精确检测。