天空背景下红外弱小目标检测算法研究

针对天空背景下红外弱小目标检测困难的情况,首先通过改进的形态学滤波目标增强方法对图像进行背景抑制与噪声去除,而后采用恒虚警检测方法(CFAR)对滤波后图像进行分割,获得候选点目标,然后采用行程目标标记的方法得到候选目标的位置信息、面积信息等,单帧图像检测之后,复杂的天空背景仍然会存在虚警。为了提高检测概率、降低虚警率,结合目标运动特性(包括运动轨迹、速度、加速度等)、灰度变化、面积变化等帧间相关性采用移动式管道滤波方法对序列图像候选目标做进一步判断。实验结果表明,该方法能有效地从复杂背景中检测出真实目标。     

弱小目标检测预处理算法研究

针对光电探测系统、告警系统，讨论了复杂背景下图像中的弱小目标检测预处理算法，并针对特定的图像给出了算法的处理结果。     

红外空域弱小目标探测系统中恒虚警技术研究

对空域中弱小目标的探测是红外成像防御与制导的关键技术。由于空域中弱小目标距离较远,在红外探测器上呈现为无纹理特征的弱小点。由于红外探测器噪声与视场中杂波干扰,很难将目标从红外图像中提取出来。在红外空域弱小目标探测系统中,虚警率与探测率是一对矛盾的概念。针对这一问题提出了一种基于杂波模型估计理论的恒虚警(CFAR)检测技术。该CFAR技术是建立在对红外图像背景杂波分析建模的基础上,根据Neyman-Pearson准则设计CFAR检测器,实现在恒定虚警的前提下最大化追求系统的探测率,以此提高红外空域弱小目标探测系统的探测距离和目标识别能力。     

基于稀疏环决策的天空背景红外弱小目标检测算法

针对天空背景红外图像中弱小目标检测的难题,分析了红外目标检测的模型,提出了基于稀疏环决策的目标检测算法。利用数学形态学滤波目标增强方法对图像进行背景抑制,而后采用恒虚警检测方法对滤波后图像进行自适应分割,从而获得候选目标点,然后计算各个候选目标点的局部自相似性描述子,对自相似性描述子归一化、分块之后得到稀疏环表示,利用相应的判断准则可以判别目标点与虚警点。实验结果表明,该算法应用于复杂云层背景弱小红外目标图像能够得到较理想的结果,与移动管道滤波方法相比,能有效区别目标点与固定云层杂波干扰,并且虚警率低,易于实现。     

一种基于HMM模型的弱小点目标的检测算法

讨论复杂背景、强干扰条件下移动平台下弱小目标的检测，提出一种基于隐Markov模型的快速检测算法，该算法通过计算摄像机视场的运动，消除背景的干扰，通过计算模型中的目标转移概率和似然函数，确定点目标的运动轨迹，实验表明了该算法的有效性。     

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。     

基于局部对比度测量的红外弱小目标恒虚警检测

鲁棒有效的弱小目标检测算法是光电跟踪系统成功的关键.本文针对空中远距离红外弱小目标检测的实际问题,在人类视觉对比机制基础上提出了一种检测率高、误报率低、处理时间短的红外小目标检测方法.首先,利用基于恒虚警率的Top-hat滤波和自适应阈值操作对原始图像进行预处理,得到疑似目标区域,该步骤可大大减少计算时间,同时保持恒定的虚警概率和可预测的检测概率;然后,定义了一种新颖有效的局部对比度测量算子,并引入图像局部的自相似性计算局部显著图,该过程不仅可以增强图像目标的视觉显著性,同时还可以抑制噪声,提高区域目标的信噪比;最后,在显著图基础上,利用简单的阈值操作就可以获得真实目标.定性定量实验结果表明,本文提出的方法与4种现有检测算法相比,具有更高的检测率、更低的虚警率和更少的检测时间,是复杂背景下红外弱小目标检测的有效方法.     

基于FPGA的红外弱小目标检测算法

传统的红外弱小目标检测算法一般采用DSP(digital signal processing)处理器实现,算法复杂且实时性差,本文提出了一种基于FPGA(field programmable gate array)的自适应阈值的FAST(features from accelerated segment test)算法对红外弱小目标进行检测,利用FPGA并行处理的特点,采用流水线设计实现了算法的硬件加速.改进的自适应阈值方法可以根据不同的环境生成合适的阈值,避免了由于阈值选择不当造成的红外弱小目标的丢失或冗余.最后采用4组不同的实测红外图像进行实验,结果表明:该算法能实时地检测出红外图像中的弱小目标,并且能够取得较高的检测率和较低的虚警率,满足实时性和有效性的要求.     

基于偏微分算法的弱小目标检测

针对复杂背景中弱小目标检测难的问题,提出一种偏微分算法。该算法对红外图像进行理论分析、偏微分方程法背景抑制、图像分割进行分析,并在DSP硬件平台上,完成背景抑制、目标聚类等功能。     

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.     

红外弱小目标检测与识别一体化方法研究

针对天基红外预警卫星获得的红外图像的特点,分析了传统的红外弱小目标的检测与识别方法并指出了其存在的检测时间长,虚警概率高等不足之处。根据导弹预警系统对目标检测的实时性、快速性和准确性需求及导弹尾焰红外辐射光谱特性,提出了一种窄带高光谱的红外弱小目标检测与识别一体化方法。仿真实验采用了一个典型的红外背景图像,根据两类典型导弹尾焰在2.7～2.9mm 波段范围内的红外辐射信息,生成了20幅 SNR 为2.0～2.5的红外图像,结果验证了该方法能快速准确的检测并识别导弹目标。     

云杂波背景弱小目标自适应时-空域滤波检测研究

针对复杂云背景成像弱小目标实时检测的需要,提出一种检测能力强、易实现的自适应时-空级联滤波目标检测算法,其中时域滤波采用改进的可递归实现的方差滤波器预检测出包含目标和少量杂波点在内的可疑目标点集,而后通过一种自适应像素空域边缘强度滤波器剔除剩余杂波点。算法两级滤波器的参数均实时更新,因此算法对场景变化适应能力强。对五组实际红外图像序列目标检测的实验结果表明,算法能稳定检测出多类天空背景中的目标。     

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。     

基于局部二元模式算子的红外弱小目标检测

文中针对在传统红外弱小目标检测中,需要进行背景抑制滤波所带来的图像性质改变和检测速度不理想的问题,提出了一种基于局部二元模式(local binary pattern,LBP)算子的红外弱小目标检测方法.该方法对传统LBP算子进行了改进,使其提取的LBP编码值可以有效地描述红外弱小目标的灰度分布特性,达到了在不进行背景抑制滤波的条件下有效检测弱小目标的目的.结合改进的LBP算子和红外弱小目标灰度的"尖峰"特征,建立了灰度自适应快速扫描机制,有效提高了检测速度,降低了重复告警的出现概率.通过实录红外图像序列检测实验,证明本文方法在检测性能和检测速度方面的有效性和优越性.     

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.     

基于局域灰度概率分布的小目标检测方法

文章将红外图像目标与背景的灰度差转换为局部范围内的灰度概率差,在局域概率分布图像上实现小目标的检测,然后通过多帧累加判决的方式将真实目标从噪声点和伪目标中检测出来,仿真实验表明,该方法能有效检测像素占1~3个的小目标,同时具有良好的实时性能。     

基于多向梯度背景预测的红外目标检测算法

为解决复杂空中背景下红外弱小目标的检测,提出一种新的基于多向梯度的背景预测方法。该方法根据云层边缘区域、平缓背景区域及弱小目标所呈现的不同梯度特点,采取不同方法分别进行预测;基本保留云层边缘区域和平缓背景区域的点,而对弱小目标区域采用邻域低灰度值点进行预测。然后经过背景消除和阈值分割,将弱小目标检测出来。仿真结果表明,该算法对复杂空中背景预测有很高的准确性,能够更加有效地抑制云层边缘引起的虚警,将红外弱小目标点检测出来。     

基于复杂度和方向梯度的红外弱小目标检测方法

为解决天空背景下红外弱小目标检测问题,提出了一种基于图像复杂度和方向梯度的检测方法。利用信息熵对图像复杂度进行描述,引入了图像方差和像素局部变化率对信息熵进行加权,使云内部和云边界区域得到抑制。以复杂度为描述对象,建立多级多方向梯度模型,在背景局部复杂度高于目标复杂度的情况下,仍能够有效分割出目标。实验证明,该方法能够在复杂云背景情况下检测出弱小目标。     

基于各向异性背景预测模型的弱小目标检测算法

探讨了红外图像中的弱小目标检测问题.当目标处于复杂背景中时,弱小目标的检测将变得更加困难.提出了一种基于各向异性的背景预测模型(ABPM),并使用这种模型进行复杂背景的抑制.同时将各向异性背景预测模型的检测结果与各向同性背景预测模型(IBPM)的结果进行了比较.仿真结果表明,各向异性背景预测模型的检测效果普遍优于各向同性背景预测模型.