共查询到20条相似文献,搜索用时 74 毫秒
1.
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。 相似文献
2.
3.
4.
背景预测法检识空中红外弱小目标 总被引:10,自引:2,他引:8
文中针对空中红外弱小目标的特性,对其检测、识别方法进行讨论,提出一种背景预测的思想方法,并讨论其在空中红外目标的检测、识别等问题中的应用前景。文中附有作者利用这种思想编制的程序对空中弱小目标的单帧检测、识别的结果,该算法已移植到DSP硬件信号处理器上,并通过实验取得了很好的效果。 相似文献
5.
受到云层飘移、树木晃动、背景噪声杂波等因素的影响,红外弱小目标在地空背景下无法被精确检测.针对这个问题,本文提出了一种融合时空结构张量的背景差分检测算法.首先,通过当前图像与背景模型的比对确定出运动变化的全部像素,再用前景点计数的方法消除噪声等因素造成的孤立点错误检测;然后,时空结构张量模块利用连续帧图像的时间空间信息检测出运动块;最后,对前景目标像素和前景目标块进行融合操作,并将目标区别于背景二值化显示.与其它算法对比的实验结果表明,本文提出的算法具有稳定的检测率,且虚警率有明显降低,是地空背景下红外弱小运动目标检测的有效方法. 相似文献
6.
7.
介绍了一种新的基于背景预测的空中红外弱小目标检测方法,以提高对复杂背景预测的准确性,减小云层边缘预测不准确形成的虚警.该方法对云层边缘处的点根据其不同尺度邻域上的亮暗点分布特点进行预测;对非边缘点采用基本背景预测法进行预测,最后经过背景对消,将弱小目标检测出来.实验结果表明,与已报导的其它方法比较,该方法能够更有效地抑制云层边缘引起的虚警. 相似文献
8.
9.
10.
《现代电子技术》2016,(20)
由于红外激光成像中的弱小目标,存在信噪比低、无纹理信息和信号弱的特征,使得传统基于背景抑制的目标检测方法,无法将目标从复杂的背景中分割出来,检测准确率低。因此,将基于尺度空间的红外弱小多目标检测算法应用于红外激光成像中弱小目标的定位中,给出了红外激光成像中弱小目标定位硬件总体结构,其由传输控制模块、图像采集模块和弱小目标定位模块组成。采用传输控制模块TMS320F2812传递和处理系统中的图像,依据中央控制单元的命令对红外摄像机进行控制,通过核心芯片为XC95288XL的图像采集模块获取弱小目标图像,依据一定的字节顺序保存在RAM中。通过软件设计中的基于尺度空间的红外弱小多目标检测算法,完成弱小目标的准确定位。实验结果表明,该算法可在不同背景环境中,有效过滤干扰区域,准确检测出实际弱小目标,鲁棒性较高。 相似文献
11.
12.
13.
基于海岸线背景的海面小目标检测方法 总被引:3,自引:1,他引:3
针对海岸线背景下的海面小目标的自动检测问题展开讨论,提出一种目标所在感兴趣区域的自动提取算法,将水域和复杂背景分离,并对分割后的二值图像进行标记,海面区域即水域应该是标记块中面积最大的一块,利用此特征提取出感兴趣区域——水域。对感兴趣区域进行轮廓跟踪后再用原始灰度进行扫描填充,在得到的简单背景下对目标进行局部中值滤波,进而用F—R准则将感兴趣舰船目标检测出来。最后拟利用感兴趣舰船目标区域的方差值计算感兴趣目标出现的置信度估计值,若置信度大于90%,则认为是真目标。实验结果给出了实验处理时间和所识别出的各个目标的置信度.表明了本文算法的有效性。 相似文献
14.
15.
精准的红外弱小目标检测是实时监控、追踪、制导的关键;红外弱小目标存在检测难度高、误检高、漏检严重的问题。为了提高红外弱小目标检测算法的实时性和检测精度,提出了一种超轻量红外弱小目标检测算法SL-YOLO。首先,重设计下采样方案,针对红外图像特征信息调节网络架构,解决红外弱小目标特征梯度降低和特征消失问题;然后设计网络模型剪枝算法,实现剪枝算法与网络结构的融合,去除冗余参数,实现检测速度的提高;最后设计Varifocal-SIoU损失函数,在均衡正负样本与重叠损失的同时,对正样本进行加权处理,解决背景干扰问题。实验结果表明,在SIRST和IDSAT数据集下检测精度分别提高至96.4%、98.1%,模型体积和计算量可压缩至190 kB、0.9 GFLOPs,推理速度降至3 ms以下。与主流算法进行对比,改进后算法在检测精度、模型体积、计算量等方面均取得了不错的成绩。能够满足实时性检测需求。 相似文献
16.
针对海空复杂背景下红外小目标识别的需要,对海空背景及其小目标的红外图像特性进行了统计分析。具体分析了在有目标和无目标两种情况下3~5 μm和8~12 μm两个波段图像的均值、方差和协方差等统计特性以及图像的局部对比度、信杂比和阈值随探测距离变化的规律;同时对生成的红外热像进行了直方图分析。结果表明:随着探测距离的减小,导弹的辐射逐渐增大,到达一定探测距离时(大约8 200 m)可以从热像图中区分导弹的蒙皮辐射和羽流辐射。根据有目标和无目标两种情况下图像特性的差异,可以判断图像中是否存在目标,从而为目标识别提供了关于目标和背景的先验知识,研究结果可用于海空背景下红外小目标的检测。 相似文献
17.
红外背景抑制与小目标检测算法 总被引:5,自引:3,他引:5
在有云层背景的红外序列图像中,检测和跟踪微弱小目标一直是研究的重点。介绍了一种简单可行的在云层背景下检测小目标的方案。算法中,首先进行背景抑制以获得更高的信噪比,接着是用门限分割以得到二值图像,最后依照目标在时间和空间运动的连续性,用一种管线法进行目标识别。实验结果表明算法十分有效。 相似文献
18.
This paper proposes a method for learning background restoration for infrared small target detection, employing a local sparse dictionary alongside an equalized structural texture representation. The method is specifically designed for the detection of small infrared targets, accommodating various levels of brightness, spatial size, and intensity. Our proposed model intelligently combines global low-rankness and local sparsity to estimate the rank of the background tensor, leveraging spatial and structural information to overcome the limitations posed by insufficient detailed texture knowledge. Subsequently, a structural texture representation, combining local gradient maps and local intensity maps, is applied to emphasize small objects. By comparing our method with nine advanced and representative approaches and quantifying the comparison using various metrics, the experimental results indicate that our proposed method has achieved favorable outcomes in both quantitative assessments and visual results. 相似文献
19.
复杂海面背景红外小目标自动检测方法 总被引:16,自引:6,他引:16
采用维纳自适应滤波,抑制随机噪声和高斯噪声;利用Otus阈值法分割图像,确定海天线和目标潜在区;利用Top—Hat算子进行形态滤波处理,抑制平缓变化背景并保留高亮度区的目标和强噪声;选择结构元素进行形态开运算,去掉细小的背景杂波干扰;针对远距离舰艇小目标总是出现在海天线附近以及红外目标灰度高于其邻域背景的特点,确定阈值即可分离出真正的目标。实验结果表明,该方法可以较好地抑制海浪、云层等背景的干扰,能有效检测复杂海面背景中的红外小目标。 相似文献
20.
在复杂海天背景下机载红外相机对落水人员的搜救中,提出一种针对红外视频中小目标检测高效算法,本算法首先采用形态学滤波对视频预处理,在相对运动背景下采用时间戳的Hough变换去除海天线的影响,更新海面监控区域;其次使用三帧差分分割小目标,采用改进的等价对算法快速计算分割小目标连通区域并标记。最后利用梯度下降法迭代出小目标运动轨迹,预测落水人员位置。实验表明,该算法不仅能有效地去除海天背景达到实时更新运动背景的目的,而且能够高效地检测出运动目标并标记并拟合出曲线方程,在一定时间内可预测小目标出现位置以便及时搜救落水人员。 相似文献