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。     

基于灰度级连通性的FLIR图像的目标检测方法

通过对灰度级连通性及其算法的分析,文中给出目标k级成分区域提取算法,并针对前视红外(FLIR)图像序列提出一种目标检测的新方法。这种方法分为帧内和帧间处理:帧内处理利用目标k级成分区域提取算法实现单帧目标检测,帧间处理利用目标时间连通性实现序列图像间的目标关联和目标检测。仿真结果表明:在噪声和杂波干扰下,所提出的方法对红外图像序列弱小目标检测是有效和稳健的。     

基于多线性Fukunaga-Koontz变换的海天背景中红外小目标检测

红外小目标检测在红外监测和跟踪系统中起着关键作用,海天背景中的红外小目标检测是其中需要解决的技术难题之一.基于传统子空间算法的检测方法必须将图像转换成矢量,而图像矢量化将破坏目标的原始结构和相关性,会导致大量信息的丢失,检测效果较差.多线性子空间算法将图像作为矩阵来处理,保留了图像的原始结构和信息.首先提出了一种多线性Fukunaga-Koontz变换算法,然后基于多线性Fukunaga-Koontz变换实现了海天背景中红外小目标的检测.为了提高检测性能,对图像进行了预处理和后处理操作.实验结果证明,基于多线性Fukunaga-Koontz变换的检测方法是有效的,且更具优势.     

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。     

旋转复杂背景中红外运动小目标实时检测

针对旋转复杂背景中红外运动小目标检测误检率高、实时性差等问题,提出了目标检测新算法。首先对图像进行中值滤波预处理,计算图像光流场,提取特征点,估算背景光流;然后设置阈值,判断提取备选目标特征点集合;最后通过特征点光流矢量角度、目标灰度值区间、目标特征点区域边缘检测的方法,排除备选目标特征点集合中的背景特征点,实时准确检测旋转复杂背景中红外运动小目标。实验结果表明,该算法能够准确地检测出红外多个运动小目标,检测率93.8%,平均虚警率0.126次/帧,平均每帧耗时15.53 ms,每帧图像处理的最大时间为20.45 ms,能够满足运动目标检测对实时性的要求。     

分块鲁棒主成分分析的撞击坑图像检测识别

针对遥感图像地形背景复杂的问题,提出分块鲁棒主成分分析的撞击坑候选区域自动提取方法.基于图像分块,采用交替方向乘子算法进行结构稀疏的低秩分解,低秩成分表示冗余相似的背景,稀疏成分代表包含潜在撞击坑的显著区域.针对显著的区域图采用数学形态运算分割获取候选的撞击坑图像,并通过对候选图像进行稀疏表示的分类,识别出真实撞击坑.基于火星和月球图像的实验结果表明,该方法能有效去除复杂地形和光照的干扰,检测率达到91.7%.     

基于靶场红外图像的弱小目标检测技术研究

分析红外测量图像中背景和弱小信号目标特性,研究用于靶场红外图像中弱小目标检测技术,采用合适的图像预处理算法,通过Kalman预测算法以及目标匹配进行预测和跟踪,并利用靶场真实红外测量图像序列进行了图像信噪比、检测概率、虚警率测试。通过结果分析,该方法对红外弱小目标具有高的目标检测概率。     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.     

一种基于变分辨率机制的机坪目标检测算法

多目标检测任务存在目标尺寸变化范围大的情况。通过采集高分辨率图像,可以保证对小目标的观测效果,但是在原始图像中进行滑动窗口扫描式检索,会造成计算成本的显著增加;大尺度目标的检测通过对原始高分辨率图像压缩快速完成,但压缩过程会导致小目标的大量细粒度特征丢失:因此,文章提出一种基于变分辨率机制的YOLO检测 (multiple resolution mechanism based YOLO,MRMY) 算法,并用深度可分离卷积进行优化。该算法考虑特定场景下不同尺寸目标间的位置关系,采用多分辨率机制,先对高分辨率图像进行压缩,对大目标进行快速检测,再根据大目标位置信息确定小目标的搜索空间,并在原始高分辨率图像的局部区域进行小目标识别。由于在任一分辨率下目标尺寸较为明确,因此可对检测模型基于归一化层剪裁掉网络中不重要通道。尽管检测任务需要2次模型运算才能完成,但通过该检测模型可提高算法的速度。在网络公开数据集和自建数据集上的测试结果表明,MRMY算法的全类平均正确度（mAP）比YOLO V4算法提升约21%,检测速度为84帧/秒与YOLO V4的83帧/秒相近。     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.