基于海天线的舰船弱小目标检测

针对复杂海天背景下,远距离成像的舰船弱小目标检测问题,提出一种基于海天线的检测方法。该方法首先采用基于全卷积网络的方法提取海天线,确定目标潜在区域,排除海天线区域外干扰,接着采用基于四向梯度的方法来检测舰船弱小目标。仿真结果表明:文中所提出的基于全卷积神经网络的海天线检测方法可以克服传统Otsu和行均值梯度法的缺点,在复杂海面背景中精确地检测出海天线;采用基于四向梯度的检测方法有效滤除了海面白色噪点,降低了虚警率,可以较好地实现舰船弱小目标的检测。     

基于卷积神经网络的无人机遥感影像农村建筑物目标检测

将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.     

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。     

基于卷积神经网络的目标检测

为了完成视频图像中人体检测,将卷积神经网络和梯度算法结合.将YOLO网络模型结构以及算法函数进行了优化调整.为了保留视频时间信息,引入了卷积神经网络反馈时间维度.采用长短记忆卷积神经网络(LSTM)进行训练,通过将迭代过程的最优解保留,加快了梯度算法中的搜索速度,并且保证收敛于全局最优解.     

基于背景预测的红外弱小目标检测新算法

针对复杂背景中弱小目标检测难的问题,提出一种改进的双边滤波背景预测算法．该算法在双边滤波中引入梯度算子,自适应地对背景进行预测,将原始图像与预测图像相减可以抑制背景细节、增强目标信息,同时利用梯度的统计特性减少算法的计算量,提高了弱小目标检测性能．仿真和实验表明,与双边滤波的检测算法相比,该算法能够更加有效地从复杂背景中检测弱小目标．     

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．     

改进Faster-RCNN的低空小型无人机检测方法

低空空域中小型无人机具有尺度小、数量多等特点,导致其纹理特征难以提取,现有的深度学习经典检测算法对此类目标的检测精度较低。针对该问题,提出一种改进的Faster-RCNN模型。以ResNet50为前置特征提取网络,对原图逐层进行特征提取,得到多层特征图;再对特征图使用双线性差值方法进行上采样,并将各层特征图对应融合;最后输入RPN层进行二分类与边框回归,同时在感兴趣区域层利用soft-nms算法优化冗余锚框,调整待检测物的位置信息,减少漏检情况。实验结果表明,Faster-RCNN算法优化后,在自主采集的无人机数据集上针对小目标的查准率和查全率分别提高了11.2%和27.9%。     

基于深度神经网络的井下无人机视觉位姿估计

无人机将在未来少人或无人采矿中发挥重要作用,而位姿估计则是实现井下无人机自主巡检的关键.针对井下巷道照度分布不均匀和动态复杂环境的特点,提出采用慕尼黑工业大学深度图像(TUM RGB-D)数据集对深度神经网络模型进行预训练的方法,提取巷道特征路标点.为实现具有真实尺度信息的位姿估计,首先利用机载相机三维深度数据流恢复网络特征点深度,然后建立帧间匹配巷道路标点最小二乘模型,最后采用奇异值分解的方法获得无人机位姿.开发了手持移动传感器数据采集系统,完成传感器相对位置标定,采集真实巷道环境数据并进行实验.实验结果表明,相比ORB-SLAM2位姿估计结果,提出的无人机位姿估计方法针对巷道复杂环境数据其定位精度可提高71%以上,定位误差约为13 cm.     

压缩SSD低空小目标检测算法研究

采用SSD模型对低空飞行目标进行检测,为提高模型检测速度,进行SSD模型压缩。首先,在SSD模型的激活层后添加批量归一化(BN)层,为各通道引入比例因子;然后,联合训练比例因子,使其数值与通道的重要性相关联,再采用正则化方法对比例因子进行稀疏化处理;最后,通过衡量比例因子的大小,剪除重要性低的通道,以70%的剪枝率对检测模型进行通道剪枝。实验结果显示,模型压缩率达到18.4%,检测精度值提高了0.3%,检测速度由原来的每秒28帧提升至每秒61帧。     

基于Kalman滤波的红外弱小目标检测前跟踪算法

红外弱小目标检测跟踪问题具有重要的军事意义和广阔的应用前景,检测前跟踪算法是解决这一问题的有效途径。提出了一种基于Kalman滤波的检测前跟踪算法：首先对红外图像进行形态学top-hat算子滤波预处理;然后利用恒虚警率阈值提取单帧候选目标,并利用目标灰度模板进行灰度核密度估计,初步剔除大部分虚假目标,累积处理若干帧后,利用Kalman滤波器筛选出最优轨迹;最后依据一定的判断准则从当前帧候选目标中提取出真实目标。与一种典型的基于管道滤波的算法进行对比,仿真实验结果表明,该算法对目标运动速度和信噪比的变化有较强的适应能力,同时能用于目标遮挡或消失等情况。     

一种基于局部特性的红外弱小目标检测方法

针对红外图像弱小目标检测程序复杂和虚警率高的问题,提出了一种基于局部特性检测红外弱小目标的方法.该方法主要根据待检测像素点局部灰度比、局部灰度差、局部能量比以及局部能量差值的大小进行目标检测,避免了传统方法需对红外图像进行背景预测、图像增强等处理,有效地改善了低信噪比下红外图像小目标的检测性能.通过仿真实验对该方法与2种传统方法进行了测试和对比,证明了该方法的有效性和优越性.     

一种基于深度学习的禁飞区无人机目标识别方法

随着科学技术的迅速发展,中小型无人机逐步走向民用市场。但由于监管技术的缺失,无人机擅闯禁飞区事件屡见不鲜,严重扰乱了空域交通安全。针对传统无人机探测方法成本高、效率低和适应性差等问题,引入深度学习这一新技术,提出了一种基于深度学习的禁飞区无人机目标识别方法。通过对Le Net-5模型进行结构改进,构建一个无人机特征学习网络,经过训练后得到效果良好的模型,实现无人机目标的自主识别。其识别结果可以为禁飞区的监控预警系统提供重要信息,进一步有效保障重要空域的交通安全。实验结果表明,该方法可以有效实现禁飞区无人机目标识别,且误差率比直接应用经典Le Net-5模型减小0.36%。     

红外运动弱小目标的动态规划检测

针对动态规划方法在对红外序列图像运动弱小目标进行检测时的能量扩散问题,提出了一种新的检测方法。该方法以目标的运动特性为基础,构造出一个高斯模板来描述目标在下一帧可能出现的位置,利用概率来描述目标可能的运动而不是直接的硬约束,能很好地克服目标运动的随机性。将该方法应用于实际的红外序列图像的运动弱小目标检测,实验结果表明,可以大幅降低动态规划方法的能量扩散问题。     

深度神经网络下的SAR舰船目标检测与区分模型

合成孔径雷达(SAR)舰船目标检测在海洋监测中发挥着越来越重要的作用。针对SAR图像中舰船目标尺寸较小,传统方法易受外部干扰无法提取精细目标特征等问题,基于深度学习技术提出一种改进的SAR图像舰船小目标检测模型,主要由候选区域提取网络(RPN)和目标检测网络组成。首先设计并训练一个能精确识别舰船小目标的CNN模型,然后利用该模型对目标检测模型共享特征提取层进行参数初始化,最后利用自采集的Sentinel-1 SAR图像舰船小目标数据集对其进行训练。实验结果表明,提出的目标检测模型对SAR图像中舰船弱小比例目标有较好的检测区分性能和抗干扰能力,对SAR图像小目标检测领域研究具有一定的参考价值。     

基于特征融合的深度学习目标检测算法研究

通过研究卷积神经网络中的特征层级,发现高层特征图的分辨率低、语义信息强,低层特征图的分辨率强、语义信息较弱等问题.针对上述问题提出一种二次特征融合的目标检测算法,该算法在特征金字塔网络(Feature Pyramid Networks,FPN)的基础上对过渡特征重复使用并进行二次特征融合,使丰富的低层特征信息补充到高层...     

海空背景下红外弱小目标检测方法

针对在海上搜救中弱小目标难以被发现的情况,提出了一种海空背景下红外弱小目标的检测方法.该方法首先进行背景预测,然后将原图像和背景预测后的图像差分进行目标提取,使用Top-Hat变换对目标提取后的差分图像进行滤波处理以去除残余波浪噪声影响,最后使用自适应阈值检测,检测出弱小目标所在的方位.通过和传统的对单帧图像采取Top-Hat变换滤波做法的比较,可以看出来该方法可以较好的去除海浪的影响,检测出亮度较高的红外运动弱小目标,辅助海上搜救工作的完成.     

U-net分割网络雷达弱小目标检测方法

常规雷达检测方法难以满足当前弱小目标检测需求,而检测前跟踪(TBD)方法在雷达弱小目标检测中存在计算复杂度高、复杂场景性能严重退化的问题．为此,本文提出了一种U-net分割网络的雷达弱小目标检测方法．首先,利用过低门限的多圈检测点形成待分割的图片;然后,利用U-net网络对实体目标进行分割,实现对弱小目标的有效探测．雷达实测数据测试结果表明,本文提出的方法能够大幅提升雷达对远距离小目标的跟踪距离,有效抑制虚假短航迹,为解决雷达弱小目标检测提供了新的解决思路．     

基于小波变换图像融合的镁熔液弱小目标检测

针对镁熔液图像中第一气泡不易检测的问题,提出1种基于小波图像融合与罗宾逊滤波法相结合的检测算法。利用小波变换将第一气泡析出前后的各2帧图像分别分解为多尺度的低频分量和高频分量,根据融合规则对所获得的低频分量和高频分量分别进行处理,获得融合图像;对2帧融合图像分别进行罗宾逊滤波,再通过形态学开运算处理,检测弱小目标。对比分析融合图像与原图像,结果表明融合图像一定程度上可弥补信息缺失,补充图像细节,信噪比得到提高。并将罗宾逊滤波效果与加权均值滤波效果和中值滤波效果进行对比分析,结果表明,采用罗宾逊滤波后的图像信噪比提高了1倍以上,对比度提高了约13倍。实验结果验证了本文方法检测镁熔液第一气泡的有效性。