基于对比度和梯度分布的红外弱小目标检测

红外弱小目标检测技术是目标自动检测系统中的核心技术之一。在复杂背景以及强杂波存在的情形下,红外弱小目标检测往往会有高虚警率的问题。对于这一问题,提出了一种基于多尺度局部对比度与局部梯度分布的红外弱小目标检测算法,具有重要意义。相比于以前的算法,该方法利用多尺度局部对比度机制增强红外图像中的疑似红外弱小目标的区域,再利用红外图像的局部梯度分布信息对这些疑似红外弱小目标的区域进行判别,剔除其中的虚警区域,得到有低虚警率红外弱小目标检测结果。实验结果表明:该算法结果可靠,检测准确率高。可见,新算法可以有效地提高在复杂背景以及存在强杂波情形下红外图像中弱小目标的检测准确率。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

基于粒子滤波的红外弱小多运动目标检测

针对低信噪比条件下红外图像序列中的多个弱小运动目标检测问题,提出了一种基于粒子滤波的多目标检测前跟踪方法.首先分析了红外图像的状态及观测模型,然后将弱小运动目标的检测转化为贝叶斯滤波框架下的检测前跟踪,并利用多个粒子滤波器予以实现.为了评估该算法的有效性,采用人工合成的红外图像序列对其进行测试,结果说明该算法可同时处理低信噪比条件下的多个弱小运动目标,检测和跟踪性能良好.     

基于改进式YOLOv2的红外图像目标识别方法

针对智能化导引头信息处理算法设计验证需求，本文对多类型目标、海陆空背景辐射特性数据进一步挖掘，提出引入深度学习算法应用于外场红外数据二次分析挖掘的方法。选择采集得到的包括车、船、无人机(UAVs)、客机等类型的红外数据，针对红外图像与可见光图像不同的成像特性，利用改进式YOLOv2红外目标检测与分类算法，融合多级特征，增加一个重组特征图，实现对红外弱小目标智能化快速分类研究，对提取的海量视频库中的目标红外辐射特征进行分类整理。     

复杂背景中红外多光谱目标检测算法研究

针对多光谱红外探测器,对复杂背景条件下红外弱小目标检测算法进行了研究。根据弱小目标缺乏纹理等相关信息的特点,给出了一种用于多光谱图像的弱小目标检测算法。对多光谱图像,构建数据立方体,对多光谱信息建立稳定的目标特征向量,用多光谱背景抑制滤波器以提升图像信噪比,将一种基于统计判别的低信噪比条件下红外序列图像弱小目标检测算法与传统多级假设检验跟踪(MHT)算法综合,形成了改进的连续帧目标检测跟踪算法,对波门内疑似目标点用引入多光谱信息建立的特征向量进行目标的非监督检测判决。实验结果证明:在低信噪比下该算法能有效检测跟踪弱小目标,在保证检测概率前提下可有效抑制虚警,极大地降低了后续跟踪算法的计算爆炸风险。     

一种基于全变分理论的红外背景杂波抑制算法

针对复杂背景下的小目标检测问题,提出基于全变分理论的单帧红外图像空域背景杂波抑制算法.分析红外图像背景抑制的最大后验概率模型,引入全变分的概念作为背景图像的先验信息,描述估计背景的平滑度约束,从而转化为泛函极值问题进行求解.估计背景在满足对观测图像数据依赖的同时,能够保留背景图像的边缘信息,有效降低复杂背景灰度值起伏较大处的虚警.通过仿真实验验证了算法的可行性和有效性,分析结果表明其背景抑制性能较传统算法有较大提高,算法架构适用于大数据图像并行处理的工程实现.     

基于局部能量比的空中红外弱小目标检测方法

提出了图像局部能量比的概念,并针对空中目标图像特点,给出了一种基于局部能量比的红外弱小目标检测方法。该方法基于单帧图像即可实现红外点目标检测,算法简单,耗时较短,可以实时检测;图像局部能量比对图像噪声不敏感,故该检测方法对图像信噪比要求较低,具有强抗干扰性,便于工程实现。文中给出了检测算法的具体实现过程,并用真实空中红外弱小目标图像进行了检测试验。试验结果表明该方法对空中红外弱小单目标和多目标均具有令人满意的检测效果。     

基于变邻域变步长LMS背景预测检测红外小目标

在分析强起伏背景信号的基础上,利用背景局部信号统计特征和目标运动特性,提出了一种基于变邻域变步长LMS自适应背景预测的红外弱小目标检测方法.首先将两类背景交界处像素的邻点按最大类间平均离差准则分成两类,和中心像素点相近的一类构成预测邻域,而背景内部区域采用固定预测邻域;然后提出了一种改进的变步长LMS自适应算法,在所得预测域上进行背景预测,由实际值和预测值相减得到残差图像;最后采用二维Tsallis-Havrela-Charvat熵阈值选取方法对残差图像进行分割,并根据目标运动的连续性和一致性确认真实小目标.针对实际红外图像序列的实验结果表明:该算法能有效地抑制强起伏杂波,增强目标能量,降低虚警率,对强起伏背景下弱小目标具有很好的检测性能.     

一种基于红外序列图像的弱小目标检测方法

针对天空背景下红外运动弱小目标的检测问题,提出一种结合小波变换和管道滤波的序列图像的检测算法。首先对红外序列图像采用小波变换,再采用全局门限法进行阈值分割提取出潜在目标,用形态开运算去除噪声点,以减少候选目标数目,最后再使用管道滤波的方法确定真实目标。实验结果表明,该方法能有效地检测运动红外弱小目标,显著提高红外弱小目标的检测概率,并易于硬件实现。     

反对称双正交小波在红外图像小目标检测中的应用

在给出利用反对称双正交小波进行图像多尺度边缘提取的相关理论基础上,针对海空背景下远距离小目标的特点,提出了一种海空背景下红外图像小目标检测方法。首先应用反对称双正交小波变换的多尺度边缘检测方法,确定目标的潜在区域,进一步在潜在区域内采用形态学方法提取目标,从而实现了在小波塔式分解数据上的图像边缘特征提取和小目标检测。与采用二进卷积型小波的检测方法相比,具有图像处理数据量小,实现速度快的特点。实验结果表明,该方法能够有效抑制杂波干扰,准确检测出小目标。