沙漠背景下红外偏振图像目标检测方法

红外偏振成像探测同时探测目标的强度辐射与反射偏振态,可以获取传统光学无法获取的目标。偏振探测获取的偏振度、偏振角等信息反映不同的物理特性,与强度图像有较强的互补性。针对该特性,提出一种沙漠背景目标红外偏振图像检测方法。使用一种改进的核模糊聚类算法对红外图像和偏振图像进行聚类处理;利用稀疏融合方法将聚类后的红外图像和偏振度图像中的物体信息充分结合,以区分目标与背景,以达到目标检测的目的。实验表明,提出的检测方法相对小波融合和拉普拉斯金字塔融合结果噪声更低、细节更清晰。     

红外偏振图像的目标检测方法

红外偏振成像探测通过对目标辐射和反射偏振态的探测,针对传统光学无法解决的问题,在目标检测方面取得高精度的结果,特别是在军事探测中,能够快速地将混杂在自然背景下的人造目标检测出来,以增强对目标的识别。偏振探测中所依据的强度、偏振度及偏振角信息反映出的不同物理特性,具有很强的冗余性和互补性。针对该特性,提出一种红外偏振图像的目标检测方法:首先使用Mean-Shift算法对红外图像和偏振度图像进行聚类处理;然后利用DS证据理论将聚类后的红外图像和偏振度图像中的物体信息充分结合,以区分目标与背景,达到目标检测的目的;最后通过仿真实验图像与小波融合图像结果的对比表明该算法的优势。     

基于网络解析的像元耦合偏振成像目标检测算法

偏振成像目标检测对于人造目标检测有着重要意义。像元耦合是以四个方向的偏振强度数据作为一个超像元的偏振成像方法。对超像元进行偏振参量解析,会使图像的分辨率变为原始图像的四分之一,不利于小目标的检测。像元耦合图像的偏振参量解析会产生噪声,对小目标的检测造成干扰。本文提出了一个以YOLOv5s为网络基础,添加偏振信息解析模块(Covcat)的目标检测算法。该算法实现了端到端进行像元耦合偏振成像的目标检测,用网络实现偏振解析,利用多卷积信息融合提高特征提取能力,提高目标的平均检测精度(mAP)。使用对空无人机数据集对算法进行验证,实验表明,相比于使用偏振参量解析出的强度图、偏振度图和偏振角图,该算法的平均检测精度分别提升了4个百分点、5个百分点和12个百分点。     

基于改进YOLOv4的红外行人车辆检测算法

智能设备对行人和车辆的目标检测对于建设智慧城市有着重要的意义。随着红外技术的发展和普及,红外成像科技具有强抗干扰和全天候的特性,被越来越多地用于解决可见光受限环境带来的问题。论文提出了一种改进YOLOv4深度学习算法对红外图像下的行人车辆进行检测。改进的YOLOv4算法加入了CA注意力机制模块,将位置信息嵌入到通道注意中,增强了对感兴趣区域的表示。此外还设计了CSP2-DBL模块,替换了原本简单的卷积模块叠加,对高分辨率特征性信息的做出了弥补。为了进一步提高网络计算速度,减少计算量,针对红外图像特性,对Head部分进行了裁剪。实验结果表明改进后的模型在FLIR红外数据集上较YOLOv4模型在mAP上提高了0.85个百分点,检测速度提升了2 f/s。     

简易分时型长波红外偏振成像系统研究

为了开展红外偏振成像技术研究工作,本文设计搭建了一个长波红外偏振成像系统,实现了目标分时成像。提出了一种改进的基于单像元非均匀性差分图像校正方法去除冷反射,基于Sobel边缘检测方法对图像进行配准,并对目标场景的偏振特性进行了分析。结果表明,设计搭建的系统能够获取目标场景的红外偏振信息,预处理后的图像能够满足实验需要,经过Stokes矢量方法得到的目标场景偏振图像边缘轮廓与细节信息更加丰富。为了进一步衡量实验系统的性能,对强度图像和偏振度图像进行了融合,融合后的图像与红外强度图像相比,图像评估质量得到明显提升,验证了实验系统的可行性。该技术在未来的复杂环境下提高目标探测效率具有应用价值。     

基于偏振成像的红外图像增强

针对红外图像对比度低,细节纹理较弱的特点,利用物体偏振特性提出基于偏振成像的红外图像增强方法,即获取红外偏振度图像并与源光强图像融合。首先,分析了偏振成像理论,利用偏振成像技术获取偏振图像。其次,为了能够充分获取偏振度图中的信息,运用剪切波变换对图像进行多尺度分解。最后,采用区域特征匹配融合策略,得到增强图像。为测试方法的有效性,搭建实验装置,进行实拍图像实验。主观与客观评价结果均表明,增强后的图像较原图像具有更加丰富的图像细节与偏振目标信息,对目标识别与探测具有重要意义。     

基于深度学习复杂环境的偏振成像技术研究进展

偏振成像技术通过偏振信息的获取和解译,可以有效抑制复杂环境干扰,提升成像质量,增强目标感知能力,对于复杂环境下的光学成像探测具有独特优势。然而,在散射、低照度等复杂环境下,偏振图像退化机理呈现非线性特征,偏振信息解译方法复杂度高。深度学习方法具有强大的特征提取和学习能力,通过学习大规模数据隐藏的映射规律获得偏振信息的复原效果,特别适合偏振成像这种多维度、相互关联的复杂信号处理问题。文中基于偏振成像的基本原理以及复杂环境偏振成像技术的范式,针对散射和噪声这两类典型的成像环境,介绍了深度学习偏振成像技术的研究进展,同时阐述了深度学习赋能复杂环境偏振成像任务的优势,最后对该领域的未来发展方向作以展望。     

基于主动偏振光的潜指纹偏振成像检测方法研究

作为一种无损检测方法,光学检验法是多种潜指纹检测方法中的首选。在面对越来越复杂的应用场景时,传统光学检验法往往效果不佳。然而偏振成像探测技术不仅能够获得目标的强度和光谱等信息,而且还能够得到偏振度和偏振角等反映目标表面细节特征的偏振信息,因此可以提高潜指纹检测效果。利用偏振成像技术的优势,开展了基于主动偏振光的潜指纹偏振成像检测实验研究,获取了指纹图像数据并对其进行了分析。结果表明,与一般的强度成像相比,本文方法所得到的潜指纹偏振参量图像质量更高,获取的图像更清晰,细节信息更丰富。     

基于数据挖掘的偏振光成像目标检测研究

为提升偏正光图像目标识别技术水平，研究基于数据挖掘的偏振光成像目标检测方法。使用阈值分割法对偏振光图像实施分割预处理；使用斯托克斯参量、方差等方法获取偏振光图像的偏振态特征、目标边缘特征和直线特征；利用深度学习神经网络模型输出偏振光成像目标检测结果。实验结果表明：该方法可有效分割偏振光图像内的目标和背景，提取偏振信息能力较好；提取偏振光图像特征像素点的最低精度为0.98左右，提取其特征能力较强；特征信息提取效率较高，对于偏振光图像的特征信息提取最低耗时为0.257 s,应用性能较好。     

红外偏振感知与智能处理

红外偏振成像在抗干扰目标检测、复杂环境下人造物识别中具有潜在优势,同时能够获取目标表面理化特性。分时、分振幅、分孔径红外偏振成像方式由于体积、重量、功耗等的不足限制了其应用,而小型化、集成化、实时成像设备是红外偏振成像广泛应用的前提,而对于所获取数据的智能分析是其应用的基础。介绍了所研制的红外偏振智能感知系统,通过分焦平面式成像技术实时采集目标场景的红外偏振数据,通过深度学习与分焦平面偏振成像紧密融合,实现高质量偏振图像恢复与典型场景下运动目标的智能感知。     

典型背景和目标的长波红外偏振成像实验研究

红外成像可以获得目标的强度信息,偏振成像可以获得目标的偏振信息,二者结合更有利于目标的探测识别。实验选用天空中飞机、海面上船只、草地上车辆三种典型自然背景下的典型目标作为研究对象,并利用自行研制的四通道同时长波红外偏振成像系统实现图像采集。实验结果表明,相对于传统的长波红外成像,长波红外偏振成像具有以下优势:长波红外偏振度图像在一定情况下具有更高的图像对比度,有利于目标的探测识别;长波红外偏振角图像可以突出目标细节,有利于观察者对场景内容的理解;长波红外偏振度和偏振角图像在一定情况下可以抑制杂波干扰,有利于杂波情形下的目标成像研究。     

基于深度学习的轻量化红外弱小车辆目标检测算法研究

伴随高速飞行器的不断发展,目标检测识别作为精确制导的关键一环,需要更高实时性、高准确性地进行目标定位和识别。当前,针对装甲车辆、车辆阵地等时间敏感目标精确检测识别的需求日益迫切,深度学习算法在特征提取及分类器设计上具备优势。文中以特定复杂背景下的小尺寸红外车辆目标为研究对象,针对样本数据少、平台资源受限、实时性要求高、检测精度高等需求,开展基于红外弱小车辆目标检测识别的轻量化深度学习算法研究。项目基于YOLOv5算法进行轻量化剪裁,减小模型的结构,提高实时性;提出了混合域注意力机制模块EPA,该模块通过不降维的局部跨信道交互策略使算法更快速有效地关注重要通道,抑制无效通道,并将通道注意力机制与空间注意力机制结合,使得算法更关注与目标相关的像素信息。提出了残差密集注意模块（RDAB）,该模块由密集残差块与注意力机制EPA构成,通过密集卷积层来提取充分的局部特征,通过注意力机制获取更有效的通道与像素信息,可以使得算法以较小的模型结构获得较好的检测效果。运用设计的网络对数据增广后的小尺寸红外车辆目标数据进行检测识别,并与多种典型算法进行对比实验。由实验结果可知,文中提出的JH-YOLOv5-RDAB网络检测识别效果优于其他网络,权重大小仅为6.6 MB,仅为YOLOv5s算法模型权重的一半,但算法检测效果更优,与93.7 MB的YOLOv5l算法的检测效果接近,mAP50达到95.1%。实验结果表明:该网络在红外弱小车辆目标检测上的优越性和可行性。     

基于改进YOLOv5的复杂场景下SAR图像船舶检测方法

针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题,本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中,通过将特征向量筛选加权后,使重要的目标特征占有更大的网络处理比重,以此增强网络对目标区域的特征学习能力。然后根据SAR图像特性优化了检测模型的损失函数,提升了预测框的置信度,最终降低了复杂场景区域的目标漏检率。实验表明,相比传统YOLOv5算法,本文算法显著提升了召回率。对于复杂场景下的SAR图像船舶目标检测,平均准确率达到了79.8％,相比于传统YOLOv5算法和Faster R-CNN算法分别提高了26.1%和17.3%。      

基于改进YOLOv5的复杂背景红外弱小目标检测算法

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5（You Only Look Once）的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上,添加注意力机制提高算法的特征提取能力和检测效率,同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集,将这些图像数据集进行标注并训练,得到红外弱小目标检测模型,然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明:改进的YOLOv5算法训练出来的模型,检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升,平均精度均值（mean Average Precision,mAP）可达99.6%以上,在不同复杂背景下均可有效检测出红外弱小目标,且漏警率、虚警率低。     

基于YOLOv3锚框优化的侧扫声呐图像目标检测

利用侧扫声呐图像来探查海底目标对海洋资源开采和海上军事防护都有重大意义。目前人为提取图像特征进行目标检测的传统机器学习方法逐渐被深度学习取代。深度学习技术在降低算法复杂度的同时提高图像目标检测效率,极大地推动了目标检测技术地发展。将深度学习检测算法应用到侧扫声呐图像目标检测领域时,锚框作为目标检测网络中较为重要的先验信息会影响最终的检测性能,考虑到声呐数据集的真实目标框与网络设定的锚框未必贴合的问题,本文在YOLOv3的基础上对锚框进行了优化,给出了一种能够获取有效先验锚框的策略。首先使用K-Means算法对真实目标框进行聚类,获得比较贴合于声呐数据集的锚框,然后设计了一种超参数锚框映射关系对聚类后的锚框进行拉伸变换,这样获得的锚框既包含了声呐数据集的目标框信息,也能利用到YOLOv3的多尺度特性。实验结果表明,所提锚框优化策略能够让YOLOv3网络获得更优的检测性能,适用于侧扫声呐图像的目标检测问题。     

高分辨力极化SAR图像城市区域车辆目标检测

研究基于高分辨力极化合成孔径雷达(SAR)图像的城市区域车辆目标自动检测方法。城市区域具有复杂的地物,这给在城市区域进行车辆目标检测工作带来困难。首先采用Freeman-Durden分解、极化白化滤波器(PWF)和相似性参数3种方法来提取图像数据的极化信息;在此基础上,采用深度卷积神经网络来对车辆目标和其他地物进行二分类,实现对城市区域车辆目标的检测。基于机载分米级分辨力极化SAR数据的实验结果验证了该方法的有效性,在较低的虚警率下获得较高的检测率。将3种极化特征融合时,能够在虚警率为2.82%时获得95.65%的检测率。     

基于改进SSD的特种车辆红外伪装检测方法

在目标检测领域,基于深度学习的SSD目标检测网络同时具有实时性好和准确性高两大优点。由于特种车辆红外图像难以获取,以小轿车和公交车红外图像为研究对象,构建了红外图像Pascal VOC数据集,训练了SSD网络,并利用训练好的网络检测了红外目标图像。结果表明,红外目标的特征信息越多,检测精度越高,但红外图像中信息残缺的车辆存在漏检的问题。针对该问题,通过添加残缺窗口模块优化数据集结构,有效解决了车辆漏检问题,同时目标整体的检测准确率也明显提升。将改进数据集后的红外目标检测结果作为评价指标,能够较准确评估复杂背景下特种车辆红外隐身伪装效果。     

基于像素偏振片阵列的实时水下目标成像技术

借助偏振成像可以增强水下目标的探测效果。传统的偏振成像方法需要光学检偏器的机械转动来实现,这限制了其在水下的实时探测性能。采用基于像素偏振片阵列图像传感器开发的相机设计了一种水下实时成像系统。系统通过阵列上排布的四向微偏振片一次性捕获四向偏振图像,从而全局估算背景杂散光的偏振角和偏振度。然后利用偏振信息反解得到杂散光光强,最后借助水下成像物理模型得到去散射后的目标增强图像。实验结果表明,将像素偏振片阵列图像传感器应用到水下成像能够有效增强水下图像的对比度,且成像处理过程实时快速,进一步提高了水下目标的探测效率。