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FPGA的红外图像运动补偿滤波算法实现

针对运动场景和噪声混叠的红外图像,提出一种基于现场可编程门阵列(FPGA)的红外图像运动补偿滤波算法。首先,算法设计采用运动补偿滤波算法,通过帧间相关性和阈值判断等方法,有效实现图像区域检测分类;其次,对分类后的区域选定不同参数的滤波处理,有效抑制噪声,改善图像显示质量;最后,硬件使用流水线结合并行处理的解决方案,能够有效提高图像处理的速度。实验结果表明:基于FPGA的红外图像运动补偿滤波算法设计资源消耗低,将运行优化算法耗时降低到了1 ms内,为红外图像实时处理应用提供了基础。     

基于帧间特征点匹配的红外弱小目标检测

高空下、视复杂背景下弱小目标的检测一直是红外弱小目标跟踪的难点,提出了一种基于帧间特征点匹配的红外弱小目标检测的方法,将复杂背景下的动态弱小目标检测问题看作是帧间复杂背景的运动估计补偿问题,消除了背景杂波对红外目标的影响,进而达到了抑制背景的目的。做出了该算法与现在常用的频域高通滤波、形态学Top-hat滤波两种小目标检测算法的对比,并将目标局部信杂比和目标检测的虚警率作为算法的有效性评价指标。试验结果表明,通过准确的地补偿复杂背景的帧间位移量,再结合帧间差分的方式,后红外弱小目标检测的信杂比提升了2倍以上,检测得到的虚警率低于20%。     

一种基于“熵图”的红外海天目标潜在区域选取方法研究

为后续能更快地识别目标,对一种基于"熵图"的红外海天目标潜在区域选取方法进行了研究。分析了红外海天背景图像灰度值分布特点,引入熵图概念。进一步分析了红外海天背景图像的熵图特点,提出了一种能适当选取海天背景中目标潜在区域的方法。先用半径为R像素的圆形窗口在原始图像上滑动,将窗口中心点的灰度值用该窗口的局部方差加权信息熵替代求取熵图,初步确定海天线区域;对所得熵图再求取一次熵图,以消除天空云层边缘、海平面波浪、海天线部分的干扰;将两次求得的熵图的对应元素相乘得到新熵图,增大目标潜在区域的灰度值,减小其他干扰部分的灰度;寻找亮度最大点为中心的圆形区域就是目标潜在区域。实验表明:用该方法选取目标潜在区域有较强的适应性,选取的目标区域范围较小,可显著减小后续目标识别中的计算量。