采用动态分割与自适应滤波的弱小目标检测

为了增强红外或者可见光图像数据中的弱小目标检测,提出了一种采用模糊C均值（FCM）聚类与迭代最小二乘（RLS）自适应滤波相结合的背景抑制方法。假设待检测目标在图像帧上具有极小的空域扩展度,且受到强背景杂波的干扰。对输入的图像首先采用FCM聚类划分为灰度准平稳的子域,再将整帧图像均匀划分为相同的子块,然后在每个子块中针对每类子域利用RLS滤波估计背景杂波并另以去除,结果只剩下目标信号与残留噪声。大量仿真试验表明与其它传统方法相比具有更好的检测性能。     

基于深度卷积神经网络的慢动目标检测

针对强杂波背景下慢速运动目标检测性能不足的问题,设计了一种基于深度卷积神经网络(DCNN)的目标检测方法.主要将雷达回波信号距离—多普勒谱作为输入,送入设计的DCNN中,通过学习回波信号中杂波特征,并隐含的去除回波信号中目标成分,得到回波信号的残差谱.然后利用残差谱与回波信号R-D谱进行背景对消以抑制杂波,进而实现对回...     

结合分块的改进三帧差和背景差的运动目标检测

针对运动目标检测易受背景影响及帧间差分易产生空洞的问题, 提出了一种基于分块的改进三帧差分和背景差分相结合的运动目标检测算法. 该算法利用边缘检测法和均值法建立初始背景模型, 将视频图像划分成多个子块, 对利用改进的三帧差分和背景差分获取的图像的各个子块进行自适应阈值检测, 获取图像中的运动前景目标, 背景图像采取自适应更新方法. 实验结果表明, 该算法能完整的提取运动目标, 背景适应性强, 具有较高的准确性和效率.     

基于区域卷积神经网络的空中飞行物识别算法

针对飞行物检测中,由于目标背景复杂、姿态不一导致的识别准确率低的问题,提出改进的基于区域卷积神经网络Faster R-CNN的空中飞行物识别算法,使用消色差折射式望远镜ETX80和个人电脑(PC)构建空中飞行物识别系统。首先,构建包含无人机、飞机和飞鸟三种飞行物的数据集,对数据集进行标注和划分;然后,利用ResNet101深度残差网络提取图像特征,并输入构建的深度学习网络模型进行训练,网络模型包括区域建议网络、感兴趣区域池化层和分类层。测试结果证明:该方法能够在不同背景下的无人机、飞机、飞鸟三类空中飞行物的识别上达到良好的效果,检测平均准确率为96.7%,比FasterR-CNN算法提高3.1%。     

联合形态滤波和MRF模型的红外小目标检测

针对复杂背景下红外弱小目标检测难题,提出一种基于自适应形态滤波和Markov随机场(MRF)模型的小目标检测算法。设计基于图像局部熵优化的自适应形态滤波器,采用该滤波器进行背景杂波抑制和目标增强,利用MRF理论描述图像像素间关系,构造新的势函数和能量函数,建立目标检测识别模型,通过模型计算自动识别出红外图像中的小目标。理论分析和实验结果表明,该算法可在复杂背景下自适应地抑制背景杂波,成功检测出红外小目标。     

基于LBP与码本的视频分层背景建模和目标检测

针对单纯基于块或像素对图像进行背景建模在目标检测中存在高误检率,提出了一种新的分层背景建模和目标检测方法.首先利用基于局部二值模式的纹理信息进行第一层分块背景建模,然后缩小建模粒度,在第一层上选取代表点进行第二层码本背景建模;目标检测时,不同粒度从上到下与所得背景模型分层匹配.对比实验表明了分层背景建模算法的实用性和鲁棒性,不但有效避免了像素背景建模中目标颜色和背景相似导致的误检,也弥补了分块背景建模在边缘处背景信息过多的问题.     

一种基于深度网络的显著性目标检测算法

针对目前已有显著性目标检测算法精度不高以及目标边缘模糊等问题,给出一种基于深度网络的显著性目标检测算法.该算法设计一个端到端的多尺度全卷积网络,在原始输入图像中运行一次即可直接得到像素级的显著性图像;通过基于图像四边的边界先验知识改进GMR流形排序算法,根据前景与背景是相对的这一理论提出背景计算;采用基于完全连接的C RF像素显著性细化模型提高相邻像素之间显著值的一致性,使生成的显著性目标突出.定性和定量的实验结果表明:该算法不仅提高了显著性目标检测的精确度,也可以有效解决目标边缘模糊问题.     

基于深度卷积神经网络的航空器检测与识别

针对军用机场大尺寸卫星图像中航空器检测识别的具体应用场景,建立了一套实时目标检测识别框架,将深度卷积神经网络应用到大尺寸图像中的航空器目标检测与识别任务中。首先,将目标检测的任务看成空间上独立的bounding-box的回归问题,用一个24层卷积神经网络模型来完成bounding-box的预测;然后,利用图像分类网络来完成目标切片的分类任务。大尺寸图像上的传统目标检测识别算法通常在时间效率上很难突破,而基于卷积神经网络的航空器目标检测识别算法充分利用了计算硬件的优势,大大缩短了任务耗时。在符合应用场景的自采数据集上进行测试,所提算法目标检测实时性达到平均每张5.765 s,在召回率65.1%的工作点上达到了79.2%的精确率,分类网络的实时性达到平均每张0.972 s,Top-1错误率为13%。所提框架在军用机场大尺寸卫星图像中航空器检测识别的具体应用问题上提出了新的解决思路,同时保证了实时性和算法精度。     

基于卷积神经网络的遮挡目标图像检测识别技术研究

为了尽可能降低图像目标的重复识别概率、错误率,提出了利用卷积神经网络算法对图像识别信息的重复识别进行分析的实验研究。遮挡目标的数据集经过图像增强后输入给卷积层卷积,初始化得到的图像数据经过卷积层卷积后,提交至池化层进行进一步处理,提取图像特征数据,将提取的图像特征数据经过池化层处理后进行压缩,提取遮挡目标的关键特征信息。最后经过TensorFlow深度机器学习框架的实验测试,进一步证明使用注意模块后可以通过引导网络去关注被遮挡目标图像上的可视细节部分,并完善对遮挡目标图像检测进行验证研究。     

利用高斯混合模型的SAR图像目标CFAR检测新方法

SAR（合成孔径雷达）图像杂波分布模型种类繁多且对实际地物的建模能力有限。在使用基于杂波统计模型的CFAR(恒虚警率)算法对SAR图像进行目标检测时,杂波统计模型的失配会导致检测结果产生较大的CFAR损失,算法精度不高。提出了一种基于高斯混合模型的CFAR检测新方法。该方法以理论上可以拟合任意形状概率密度分布的高斯混合模型对实际SAR图像的背景杂波进行拟合,利用拟合后得到的分布模型,根据CFAR检测的原理推导出目标检测阈值的计算公式完成目标的检测。新方法对服从不同分布模型的背景杂波,使用形式上统一的模型进行描述,克服了CFAR检测高度依赖背景杂波分布的缺点,提高了CFAR的通用性。实验结果表明,即使在背景杂波类型未知的情况下,新方法依然得到了良好的目标检测效果。     

基于堆叠双向LSTM的雷达目标识别方法

现阶段雷达目标检测识别主要依赖人工算法提取目标的特征,难点在于环境自适应能力弱,高强度杂波背景下难以有效检测到目标;针对上述问题,结合深度学习在图像识别等领域表现出的强大的学习表示能力,提出基于堆叠双向长短期记忆网络的雷达目标识别方法;网络模型以雷达多普勒维的回波数据构建数据集,采用双向LSTM提取雷达回波数据在时间序列上的正向和逆向信息,通过RMSProp优化算法对神经网络参数迭代训练,实现了对无人机这种低空慢速小目标的有效识别;实验结果表明,基于堆叠双向LSTM的雷达目标识别方法优于传统的SVM分类算法和卷积神经网络分类算法.     

基于特征融合卷积神经网络的SAR图像目标检测方法

针对合成孔径雷达图像目标在背景复杂、场景较大、干扰杂波较多情况下检测困难的问题,设计一种层数较少的卷积神经网络,在完备数据集验证其特征提取效果后,作为基础特征提取网络使用。在训练数据集中补充复杂的大场景下目标训练样本。同时设计一种多层次卷积特征融合网络,增强对大场景下小目标的检测能力。通过对候选区域网络和目标检测网络近似联合训练后,得到一个完整的可用于不同的复杂大场景下SAR图像目标检测的模型。实验结果表明,该方法在SAR图像目标检测方面具有较好的效果,在测试数据集中具有0.86的AP值。     

A neural network filter to detect small targets in high clutterbackgrounds

The detection of objects in high-resolution aerial imagery has proven to be a difficult task. In the authors' application, the amount of image clutter is extremely high. Under these conditions, detection based on low-level image cues tends to perform poorly. Neural network techniques have been proposed in object detection applications due to proven robust performance characteristics. A neural network filter was designed and trained to detect targets in thermal infrared images. The feature extraction stage was eliminated and raw gray levels were utilized as input to the network. Two fundamentally different approaches were used to design the training sets. In the first approach, actual image data were utilized for training. In the second case, a model-based approach was adopted to design the training set vectors. The training set consisted of object and background data. The neuron transfer function was modified to improve network convergence and speed and the backpropagation training algorithm was used to train the network. The neural network filter was tested extensively on real image data. Receiver operating characteristic (ROC) curves were determined in each case. The detection and false alarm rates were excellent for the neural network filters. Their overall performance was much superior to that of the size-matched contrast-box filter, especially in the images with higher amounts of visual clutter.     

基于多结构形态学的港口船舶检测方法

针对港口监控摄像机与船舶目标距离远,船舶目标成像小,海面噪声干扰大等特点,采用一种基于多结构元素形态学滤波的背景抑制算法.根据船舶的几何特征,采用多组结构元素的加权形态学滤波,将船舶目标与海面背景分离,然后利用基于邻域的自适应快速中值滤波滤除脉冲噪声,最后根据海面杂波在帧间运动不连续且面积较小等特点,利用连通域计算建立船舶的形态特征模型,来排除海面杂波对船舶检测的干扰.实验结果证明,该检测方法在实际港口获取的视频中,可以有效的抑制背景噪声和海面杂波,快速的检测出船舶目标.     

复杂背景下利用聚类决策的弱小目标提取方法

在背景为强杂波环境并且系统噪声影响比较小时,采用传统概念上提取弱小目标点方法的探测系统会主要被背景中的突变点和起伏干扰;针对复杂背景下的弱小目标图像提出了一种基于特征提取和理解的用于经过欧氏距离与灰度级均连续化处理后中间图像的聚类面积决策方法;算法利用直方图修正方法的结合来实现弱小目标图像背景中大面积对象干扰的类相似化,运算精度和实时性都比较高;实验结果表明,该方法大大减少了提取目标点时被复杂背景假点干扰的机会,提高了小目标探测的准确性。     

基于深度展开模型的毫米波稀疏成像算法

针对传统压缩感知算法的高计算成本问题,从稀疏信号的恢复角度出发,提出一种基于深度展开模型的稀疏成像算法。首先构建复数稀疏重建网络VAMP-Net,在该网络中,复数形式的降采样回波信号被拆分成实部和虚部作为输入,接着代入到基于VAMP算法的迭代块中,最后通过卷积神经模块进行最优非线性稀疏变换,得到恢复的实部和虚部信号,两者进行合并后得到恢复的目标图像。对于所提算法,采用人工合成的数据集在不同目标密集程度、迭代次数和噪声环境下进行仿真实验,并与传统的迭代收缩阈值算法和深度学习重构算法进行比较。再使用不同程度稀疏性的数据进行实测验证。实验结果表明,该算法重构的图像在NMSE、TBR、重构耗时以及内存使用上有更好的表现。     

改进的基于Parzen窗算法的SAR图像目标检测

传统的Parzen窗检测算法假设目标占整个背景中较小的一部分,将SAR图像中的所有像素用于估计杂波概率密度函数,容易造成检测阈值的增大从而对不太明显的SAR图像舰船目标产生漏检。对此,提出了一种改进的Parzen窗检测算法,该算法通过自适应地设置目标窗口,将潜在的目标从检测图像中剔除,对剔除后的杂波背景采用Parzen窗进行非参数化的杂波模型估计,进而确定检测阈值,完成目标的检测。相比传统的Parzen窗检测算法,提出的SAR图像舰船目标检测算法减少了漏检数量,改善了检测性能。实测SAR图像的检测结果表明了该方法的有效性。     

融合注意力机制的孪生网络目标跟踪算法研究

在全卷积孪生网络跟踪算法（SiamFC）的基础上,提出一种融合注意力机制的孪生网络目标跟踪算法。在网络模板分支,通过融合注意力机制,由神经网络学习模板图像的通道相关性和空间相关性,进而增大前景贡献,抑制背景特征,提升网络对正样本特征的辨别力;同时,使用VggNet-19网络提取模板图像的浅层特征和深层特征,两种特征自适应融合。在OTB2015和VOT2018数据集上得到的实验结果表明,与SiamFC相比,所提算法能够更好地应对运动模糊、目标漂移和背景多变等问题,取得了更高的准确率和成功率。