RBNSM:一种复杂背景下红外弱小目标检测新方法

弱小目标检测是红外探测与跟踪任务中的经典难题。针对复杂背景下红外弱小目标普遍存在检测率低、虚警率高的问题,提出一种基于区域双邻域显著图（Regional Bi-Neighborhood Saliency Map,RBNSM）的复杂背景红外弱小目标检测新方法。利用弱小目标的局部先验特性定义滑动窗口并划分为多个单元,计算中心单元前若干个最大灰度的均值来凸显弱目标;分别构建中心单元的相接邻域和相隔邻域并计算各自的灰度均值,进而,从不同方向上提取两邻域显著图并点乘二者以进一步抑制杂波背景、增强弱小目标;最后,通过自适应提取准确检测目标。多种典型红外复杂背景图像和SIRST数据集检测结果表明:与7种代表性方法相比,RBNSM在复杂背景下具有更好的检测性能与杂波抑制能力。     

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。     

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.     

双邻域差值放大的高动态红外弱小目标检测方法（特邀）

针对现有红外弱小目标检测方法背景抑制不充分、计算复杂度高,导致红外侦察预警系统虚警率高、响应速度慢的问题,提出一种基于双邻域差值放大的高动态红外弱小目标检测方法。首先,分析真实红外图像中目标与邻域的均值特性;然后,计算出目标区域与内外双层邻域的差异,从而提升亮、暗弱小目标的局部对比度并抑制复杂背景和噪声;最后,利用自适应阈值分割算法获取目标的位置。针对信杂比增益和背景抑制因子难以客观评价红外图像序列的目标增强和背景抑制性能的问题,提出一种目标轨迹显著图评价方法,有效评价红外图像序列目标检测性能。实验结果表明:与同类检测方法相比,该方法的信杂比增益与背景抑制因子分别提高了12%与10%,运行时间约缩短了34 ms,是一种有效可行的高动态红外弱小目标检测方法。     

基于多向背景预测的红外弱小目标检测

杂波背景中的弱小目标检测是红外图像处理中的一个重要问题。普通的二维滤波背景预测方法可以用来检测图像中的小目标,但是也存在对复杂场景的适应性差,杂波边缘虚警高的问题。通过分析二维最小均方滤波背景预测算法的方向特性,在对图像四邻域滤波残差进行像素级加权融合后,得到了一种基于多方向融合自适应滤波背景预测的弱小目标检测方法。对构造图像和实际红外云杂波场景中的小目标检测仿真表明,该方法对不同背景适应性较强,在保持目标检测概率的同时显著抑制了杂波边缘虚警,有效提高了杂波背景中小目标的检测性能。      

一种基于背景预测的红外弱小目标检测方法

介绍了一种新的基于背景预测的空中红外弱小目标检测方法,以提高对复杂背景预测的准确性,减小云层边缘预测不准确形成的虚警.该方法对云层边缘处的点根据其不同尺度邻域上的亮暗点分布特点进行预测;对非边缘点采用基本背景预测法进行预测,最后经过背景对消,将弱小目标检测出来.实验结果表明,与已报导的其它方法比较,该方法能够更有效地抑制云层边缘引起的虚警.     

时空域滤波方法在红外弱小目标检测系统中的应用

针对远距离红外弱小目标低信噪比的特点,提出一种空域滤波与粒子滤波相结合的目标检测方法.首先在空域进行形态滤波Tophat变换,抑制背景和背景杂波,得到了滤除背景的目标图像,再通过滑窗累积方法进一步增强目标,提高目标的信噪比,增大检测概率.然后根据目标时域运动的连续性和规则性,采用基于粒子滤波预测的邻域目标检测判决方法,达到弱小目标检测的目的.实验结果表明:该方法能够有效地检测出幅度信噪比约为1.7的弱小目标,对背景变化情况下的弱小目标检测具有较好的适应性.     

基于多向差异度的红外弱小目标检测算法

在分析红外图像中弱小目标的特征后,针对目前经典的红外弱小目标检测算法性能不足的问题,提出了一种基于多向差异度的红外弱小目标检测算法.该算法利用待检测像素点在各方向上的差异度来判决其是否为目标,无需背景预测、图像增强等处理,因此其构造简单,计算量小,易于实现,并能有效改善复杂背景环境下红外弱小目标的检测性能.通过大量的仿真实验证明了该算法的有效性和优越性.     

基于序列图像分组决策算法

针对红外运动弱小目标检测中单帧图像检测率低的问题,在分析了红外图像中运动弱小目标特性的基础上,提出了一种基于序列图像分组决策检测红外弱小目标的方法。该方法利用图像差分法进行目标信息的提取,对图像进行扩边,选取连通域质心来构建滑动邻域块,最后充分利用目标航迹的连续性和噪声的随机分布特性进行目标位置的决策。实验证明,序列图像检测方法对红外弱小目标的检测率要高于单帧图像检测率。     

一种基于自适应背景预测的红外弱小目标检测方法

针对目前典型的基于背景预测的红外弱小目标检测方法中无法较好消除噪声的问题,提出了一种基于自适应背景预测的红外弱小目标检测方法。该方法不同于传统方法,在对红外图像进行背景预测时,不仅考虑邻域内像素点的灰度值,同时还通过自适应处理的方法将待预测像素点灰度值也考虑其中,能有效改善低信噪比下红外图像弱小目标的检测性能。通过大量的仿真数据对本文和传统方法进行了对比和分析,证明了该方法的有效性和优越性。     

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。     

利用局部灰度特征分析实现红外弱小目标检测

提出了一种利用局部灰度特征分析进行红外弱小目标检测的新方法.该方法通过判断图像局部灰度包络曲面是否具备二维高斯函数曲面特征实现红外弱小目标检测,不需要进行传统的背景预测.设计了新的目标局部灰度特征提取方法和适合工程计算的自动目标检测算法.实验结果证明了算法参数选择策略的有效性,验证了算法对复杂背景边缘良好的杂波抑制能力...     

背景自适应的多特征融合的弱小目标检测

针对红外复杂背景下的弱小目标检测难题,提出一种基于背景自适应的多特征融合的复杂背景下弱小目标的检测算法。首先,通过对红外图像进行空域滤波去除孤立噪声点,并利用恒虚警率分割消除大面积平稳背景,获得疑似目标集。然后融合红外图像的背景信息、弱小运动目标的灰度特征、目标与周围像素的方向梯度特征等多个典型特征,消除疑似目标集中的大部分假目标,最后运用运动特征获取真实目标的轨迹,最终实现复杂背景下的红外弱小目标的检测。实验表明:该算法能实现复杂背景下低信噪比的红外弱小目标快速检测,具有检测概率高,算法速度快,鲁棒性好的特点。     

基于改进加权增强局部对比度测量的红外小目标检测方法

红外弱小目标检测技术是红外搜索与跟踪系统的重要组成部分(IRST)。一般来说,在复杂背景环境下,红外弱小目标检测往往会有高虚警率和低检测率的问题。为了解决这一问题,提出一个改进的加权增强局部对比度测量（IWELCM）检测框架,具有重要意义。首先,通过将局部对比度机制与信杂比(SCR)的计算相结合,提出一个增强的局部对比度测量方法,在增强图像中疑似红外弱小目标区域的同时也提高图像的SCR。其次,通过利用红外图像中弱小目标的特性,以及目标与周围背景的统计差异,提出一个改进的加权函数来进一步增强目标和抑制背景。最后,采用一个自适应阈值分割的方法去获取检测的目标。在不同场景的数据集上的对比实验表明,与七种现有流行的方法相比,提出方法在复杂背景下能够有效地从干扰对象中提取真实的红外弱小目标,具有更好的检测性能。     

红外单帧弱小目标检测算法研究综述北大核心CSCD

随着红外预警探测技术的发展以及军事化作战需求的提高,满足低虚警、高检测精度的红外弱小目标检测算法一直是国内外研究重点。本文首先从成像特点、数学模型构建以及背景杂波干扰等方面阐述了弱小目标的特征与检测难点。然后分类介绍了近些年来提出的单帧弱小目标检测算法,并对算法的优势和不足进行了分析。最后结合当前红外预警探测领域的实际应用需求,分析了红外弱小目标检测算法未来的发展趋势。     

基于改进顶帽变换的红外弱小目标检测

天空背景下的红外弱小目标检测技术较为成熟,但在近地复杂背景下,红外弱小目标的检测存在准确率不高、虚警目标多、实时性差的问题。针对以上问题,该文提出一种基于改进顶帽变换的红外弱小目标检测算法(OTHOLCM)。该算法采用基于改进顶帽变换的图像预处理算法(OTH),通过对不同灰度值的图像采取不同的策略针对性地处理图像,达到目标增强、背景抑制的效果。并在此基础上,采用基于改进多尺度局部对比度的红外弱小目标检测算法(OLCM),通过针对目标尺寸特点进行尺度设计,使得在保证算法实时性的基础上扩大目标尺寸检测范围。实验证明：OTHOLCM算法可以保证实时性并明显提高目标检测准确率、减少虚警目标数量。与3层模板局部差异度量算法(TTLDM)、基于边角感知的时空张量模型(ECASTT)等先进算法相比,OTHOLCM算法可使真阳性率分别提高近79%, 61%,假阳性率分别降低近77%, 73%,目标检测速度达到每秒25帧。     

Infrared dim and small target detection based on U-Transformer

Infrared dim and small target detection is a key technology for space-based infrared search and tracking systems. Traditional detection methods have a high false alarm rate and fail to handle complex background and high-noise scenarios. Also, the methods cannot effectively detect targets on a small scale. In this paper, a U-Transformer method is proposed, and a transformer is introduced into the infrared dim and small target detection. First, a U-shaped network is constructed. In the encoder part, the self-attention mechanism is used for infrared dim and small target feature extraction, which helps to solve the problems of losing dim and small target features of deep networks. Meanwhile, by using the encoding and decoding structure, infrared dim and small target features are filtered from the complex background while the shallow features and semantic information of the target are retained. Experiments show that anchor-free and transformer have great potential for infrared dim and small target detection. On the datasets with a complex background, our method outperforms the state-of-the-art detectors and meets the real-time requirement. The code is publicly available at https://github.com/Linaom1214/U-Transformer.     

基于改进LCM的红外小目标检测算法

如何在复杂背景和低信杂比条件下准确检测到小目标对于精确制导武器的发展和红外预警等具有重要意义。为了在复杂背景条件下提高图像信杂比并有效地检测出小目标,提出一种基于中心域与邻域灰度对比度的红外小目标检测方法。通过计算输入图像的对比度图和显著度图,提高了目标对比度同时抑制背景杂波;在此基础上自适应设定阈值分离出小目标。实验结果表明:与传统LCM（Local Contrast Measure）方法相比,所提出的方法能够取得更高的检测率和较低的虚警率,尤其是对于复杂背景下的弱小目标检测,相对于对比算法,优势更明显。