Hough变换在小目标检测中的应用

利用Hough变换的特性,把Hough变换应用到小目标检测系统中去,从理论上分析它的可行性,并通过仿真试验进行验证.     

一种基于区域背景预测的红外弱小目标检测方法

提出了一种基于区域均值化背景模型的背景预测算法,用于红外弱小目标检测,算法通过     

基于深度学习的红外弱小目标检测算法研究综述

目标检测技术是安防监控、预警探测、遥感成像等装备的核心要素,也是当前深度学习研究领域的热点之一。红外探测系统通过被动接收物体发射的红外电磁波进行成像,具备温度灵敏度高、探测距离远、被动探测隐蔽性强等优点,在目标探测领域有广泛的应用。文中从红外弱小目标图像的特点出发,针对基于深度学习的视觉图像目标检测算法进行分类描述,并对深度学习在红外弱小目标检测中的有效手段进行总结,最后对未来的发展趋势做出展望。     

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.     

基于SSD框架的红外弱小目标检测技术研究

针对红外序列图像中点状机动目标的检测问题,利用卷积特征对图像具有更细致的描述能力、可以有效地感知弱小目标与干扰的差异的特点,提出了一种基于SSD框架的红外弱小目标检测方法。本文设计了针对弱小目标的SSD检测框架,且克服了传统方法缺少大量实验数据的困难,利用真实红外图像数据库进行了仿真验证,实验结果表明,该方法对多种不同场景中的信噪比较低的目标具有良好的检测效果和虚警抑制能力。     

基于SCNN的红外弱小目标检测算法研究

提出了基于结构化特征卷积神经网络(Structural Feature convolution neural network,SC-NN)的红外弱小目标检测算法.通过将红外弱小目标结构化特征引入CNN网络中,去除CNN网络的池化层、改变卷积扩展性、并加入分层融合机制,克服了CNN会损失小目标本身的信息和无法检测弱纹理小...     

基于距离分段的目标长时间积累方法研究

目标长时间积累是弱小目标检测的有效手段,但目标跨距离门走动使常规积累方法效果不佳。文中首先利用雷达系统的重复频率信息,给出基于最大探测速度的脉冲积累个数,实现脉冲分段和段内脉冲的相参积累;然后基于最小熵实现了距离包络对齐,完成脉冲组的非相参积累,该方法能有效解决目标能量长时间积累中的跨距离门问题。最后,利用仿真验证了该方法的有效性,具有一定的工程价值。     

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。     

一种改进的基于时域的红外弱小目标检测算法

提出了一种基于时域的红外弱小目标检测算法.该方法根据目标与背景的时域特性,建立了不同像素类型的时域模型.首先,对不同像素模型的时域方差进行分析,滤除掉天空背景以及云内部的像素;然后,根据时域剖面线偏离其包络线的程度不同,对弱小目标进行检测.理论分析和实验结果表明文中算法对于低信噪比条件下的弱小目标检测,具有很好的检测性能.     

基于加权场景先验的海上红外弱小目标检测

为了提高海上红外弱小目标检测的检测精度和实时性,提出了一种基于加权场景先验的红外弱小目标检测方法.该方法首先利用目标的稀疏特性以及海面场景的非局部自相关特性,将目标和背景的分离问题转化为恢复低秩和稀疏矩阵的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)问题.之后,将海面背景的先验特征信息通过加权核范数的方式加入模型,加快算法中目标和背景图像块矩阵的分解速度.最后,通过引入交替方向乘子法(ADMM)算法进一步加速求解的迭代速度.实验结果表明:该算法能有效地提高目标检测准确率,算法实时性较原算法提高了120%.     

同质背景预测用于红外弱小目标检测

背景预测是红外弱小目标检测中抑制背景的主要方法之一.提出了一种同质背景预测算法,在分析空背景下不同背景成分图像灰度特征模型的基础上,首先对图像进行边缘检测,将图像划分为不同灰度性质的区域,然后使用边缘检测结果调制预测权值矩阵.仿真结果表明,该算法对背景杂波具有很好的抑制效果,能够有效保护图像细节,明显降低异质区域像素灰度对预测的不利影响,显著改善低信噪比条件下弱小目标的检测性能.     

云杂波背景图像序列中小目标检测算法研究

云杂波背景图像序列中运动小目标的实时检测算法,是红外精确制导系统中的首先对云杂波背景图像像素进行分类分析,研究了两种最大顺序滤波器和利用序列图像中像素时域剖面检测小目标的自适应方差滤波器算法,继而提出了一种适合云杂波背景的小目标检测算法.使用此算法对两组真实图像序列中运动小目标进行检测,根据对检测结果的分析,指出此算法可有效地完成检测任务,并且具有运算简单、存储量小、可并行实现、实时性好等特点.最后提出了后续工作的方向.     

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。     

对地面弱小目标的检测算法的研究

在研究地面弱小目标时,由于环境、人为误差及成像系统本身的影响,摄像机拍摄的视频会出现画面抖动比较厉害、成像质量差的现象。因此,需要对图像序列进行运动补偿。为实现对地面弱小目标的检测,提出了一种基于Harris角点检测的对地面弱小目标的检测算法。该算法利用了残差图中的灰度信息及残差图序列,在时间上具有连续性,算法的稳定性高,精度较高,实时性好。能够很好地剔除残差图中的虚警点,在较高精度下大大提高了对于地面弱小目标检测的水平。     

基于目标能量的远距离红外空间目标提取算法

提出了一种基于目标能量的红外目标提取算法.这种算法利用目标相对角速度大于瞬时视场时图像会产生拖尾的现象,采用能量叠加来增强目标与背景的信噪比,从而实现对信噪比小于或等于5的远距离红外空间目标的探测和跟踪.此算法运算量小,可在硬件上实现.实验表明,此算法能实时探测和跟踪距离不小于15 km的红外空间目标,且探测概率可达96％.     

基于改进顶帽变换的红外弱小目标检测

天空背景下的红外弱小目标检测技术较为成熟,但在近地复杂背景下,红外弱小目标的检测存在准确率不高、虚警目标多、实时性差的问题。针对以上问题,该文提出一种基于改进顶帽变换的红外弱小目标检测算法(OTHOLCM)。该算法采用基于改进顶帽变换的图像预处理算法(OTH),通过对不同灰度值的图像采取不同的策略针对性地处理图像,达到目标增强、背景抑制的效果。并在此基础上,采用基于改进多尺度局部对比度的红外弱小目标检测算法(OLCM),通过针对目标尺寸特点进行尺度设计,使得在保证算法实时性的基础上扩大目标尺寸检测范围。实验证明：OTHOLCM算法可以保证实时性并明显提高目标检测准确率、减少虚警目标数量。与3层模板局部差异度量算法(TTLDM)、基于边角感知的时空张量模型(ECASTT)等先进算法相比,OTHOLCM算法可使真阳性率分别提高近79%, 61%,假阳性率分别降低近77%, 73%,目标检测速度达到每秒25帧。     

基于图像翻译的红外弱小目标数据增强算法

为了缓解在红外弱小目标检测问题中图像数据稀缺的问题,提出了一种基于图像翻译的红外弱小目标图像数据增强算法。该方法是一个两阶段的图像生成算法,首先引入额外的可见光图像,通过U GAT IT模型学习可见光和红外图像之间的映射,将可见光图像转化为红外背景图像。为了解决图像翻译过程中的过拟合问题,提出了通道正则化方法,使红外和可见光图像的通道信息量保持一致。接着,设计了一个基于视觉Transformer结构的自编码器,学习红外小目标的分布特征,以遮挡重构的方式在得到的红外背景图像上合成弱小目标。本方法在SIATD数据集上进行训练和测试,实验结果表明提出的数据增强方法在三个模型上使检测指标得到了一定提升,其中在YOLOv3模型上AP指标提高了137,证明了提出的数据增强算法的有效性,能够提高目标检测模型在红外弱小目标检测任务中的表现。     

云杂波背景下红外弱小目标的改进检测算法

根据目标和背景的时域特性,建立了不同像素类型的时域模型。提出了一种基于时域廓线的云杂波背景下红外弱小目标的一种改进算法。首先,采用基于时域方差滤波预处理方法,滤除平稳背景;然后采用基于时域廓线的目标检测方法,根据时域剖面线上的拐点值变化,转化为大小相当的正负脉冲来检测目标。理论分析和实验结果表明,文中算法对于不同云杂波背景具有广泛的适应性。     

基于二维正态云模型算法的红外图像弱小目标检测

针对红外图像弱小目标检测的特点,采用二维正态云模型算法。首先利用一维云的特性建立二维云模型,由两个相互独立的一维云模型函数组成,目标像素的分布点为一个云滴,整个像素分布区域形成的云团反映了图像中目标的特性;接着依据目标判别条件函数来通过函数发生器产生正态云模型;最后在红外图像弱小目标检测误差函数下构造各云层的目标函数。实验仿真显示本文算法对红外图像弱小目标检测效果最好,能检测率高,虚警率低,耗时少。     

视觉对比度机制小目标增强与背景抑制综述

复杂背景中的红外弱小目标因亮度低、尺寸小、可用特征少而难以检测。如何在检测中抑制背景杂波、提高目标信噪比成为该领域的研究热点与难点。本文对基于人类视觉系统对比度机制的小目标增强与背景抑制技术的演进和性能进行了归纳与分析。局部对比度测度窗口由单尺度向多尺度,乃至动态或自适应尺度的发展,满足应用中对未知尺寸小目标同步快速检测的需要;局部对比度测度计算方法由简单到复杂、依据低阶信息到采用高阶信息的变化,有利于更全面地抑制复杂背景、进一步增强目标。因此,将成为未来人类视觉对比度机制小目标检测算法的发展方向。