鲁棒的红外小目标视觉显著性检测方法

鲁棒的红外(IR)小目标检测是自动目标检测的关键技术,低信噪比条件下的红外小目标检测一直是业内研究热点.为了能有效地检测红外小目标,对红外小目标若干表观特征及其视觉显著性进行了分析,提出一种基于多尺度图像块统计序对比度(MOCIP)的红外小目标视觉显著性鲁棒检测方法,采用两步级联多尺度图像块统计序对比度算法抑制背景和噪声,提升目标强度,获得红外小目标显著性图,并利用自适应阈值实现目标检测.本文详细给出了红外小目标视觉显著性的检测算法,使用红外小目标图像对检测性能进行了实验验证,并与其他检测方法进行了对比.实验结果表明,所提出的方法能够在低信噪比条件下克服噪声和复杂背景的影响,有效地对红外小目标视觉显著性进行检测.      

热红外视频监控下行人目标前景区域提取

在热红外视频监控环境下,针对热红外图像因周围环境温度变化而导致热红外图像灰度值反转的问题,提出了一种通过热红外图像的边界特征和运动特征的融合来提取行人目标前景区域的方法。首先,利用行人目标和周围环境存在的显著性差异来提取行人目标的边界特征,对所提取的边界特征进行边界填充,并利用热红外行人目标分类器来排除误检目标,从而获取最终的边界特征提取结果;其次,利用相邻帧之间的运动信息来获取行人目标的运动特征,对所获取的运动特征进行形态学处理,并利用热红外行人目标分类器来排除误检目标,从而获取最终的运动特征提取结果;最后,对所获取的边界特征提取结果和运动特征提取结果进行融合来获得最终的检测结果。实验证明,在公开的OSU和LSI热红外图像行人目标检测数据集中,所提方法能够有效地降低环境温度变化的不利影响,并提高行人目标前景区域提取的精度。      

一种结合惯导信息的红外弱小目标检测方法

为了筛除红外制导导弹视场中的各种背景干扰,提出了一种基于惯导信息提取目标运动特性、辅助图像系统检测目标的方法。该方法首先根据惯导数据提取出海天线的位置、缩小检测目标的范围,然后预估出导弹对目标的视线角速度,并与图像系统的测量结果相比较以筛选目标。研究中通过仿真实验对该方法进行了验证,发现导弹在飞行时其视场中的目标会迅速穿过海天线,从空背景移动到海背景上,而且导弹对目标与干扰的视线角速度的差值始终处在较明显的水平,因此这种结合惯导与红外信息排除背景干扰的方法是可行的。该方法解决了传统红外目标检测方法中目标与干扰红外特征相似、运算量大以及检测效果易受环境影响等问题。     

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%。     

基于注意力机制和改进YOLOv3的红外弱小目标检测

红外弱小目标检测技术是红外探测系统的核心技术之一。针对远距离复杂场景下红外弱小目标对比度低、信噪比低和纹理特征稀疏分散导致目标检测率低的问题,提出一种融合注意力机制和改进YOLOv3的红外弱小目标检测算法。首先,在YOLOv3的基础上,用更大尺度的检测头替换最小尺度的检测头,在保证推理速度的基础上有效提升了红外图像中小目标的检测概率。然后,在检测头之前设计了Infrared Attention模块,通过通道间的信息交互,抽取出更加关键重要的信息供网络学习。最后,用完全交并比损失(Complete IoU Loss)替代交并比损失(Intersection over Union Loss)来衡量预测框的检测能力,通过梯度回传实现更好的模型训练。实验结果表明,提出的YOLOv3-DCA能完成多种场景下红外弱小目标的检测任务,且检测准确率、召回率、F1和平均准确率分别达到91.8%、88.8%、93.0%和88.8%,平均准确率比YOLOv3基线提升约7%,与主流的SSD、CenterNet和YOLOv4模型对比平均准确率也取得了目前最优。     

基于YOLOv5的红外目标检测算法

针对红外图像的特点,提出了一种YOLOv5-IF算法,使用了基于残差机制的特征提取网络,实现了不同特征层之间信息的高效交互,能够得到更丰富的目标语义信息。通过改进YOLOv5的检测方案,增加更大尺度的检测头,有效提升了红外图像中小目标的检测概率。针对计算平台资源有限、算法实时性等问题,设计了Detection Block模块,并由此构建了特征整合网络,该模块不仅能提升算法检测精度,还有效缩减了模型参数量。在FLIR红外自动驾驶数据集上,本文算法的平均准确率（mAP）为74%,参数量仅19.5MB,优于现有的算法。     

双波段红外目标检测综述

红外成像系统具备优秀的夜间可视能力,并且具备良好的抗干扰能力、识别伪装的能力,在军事领域的应用日益广泛。可见光成像系统易受光照强度的影响,无法在封闭空间或夜间等弱光条件下工作,而物体的红外辐射能量仅与物体温度和物质特性有关,所以红外成像不需要考虑光照强度,可以在全天候时段工作。红外目标检测可以应用单波段和多波段的方式进行探测,单波段探测由于目标信息有限,往往目标会存在小、弱、暗等问题,导致检测能力不理想,而多波段检测通过利用不同波段信息的冗余性、互补性,大幅度提高目标检测和识别的概率,提高识别伪装的能力。但双波段目标检测中存在很多技术难点,对红外小目标检测技术进行了分类,分析了技术难点,按不同的方法进行了总结描述。再对双波段目标检测技术进行了详细的描述,并选取了常见算法进行了性能比较和原理分析,突出了双波段目标检测的优势。     

一种红外小目标图像质量的评定方法

提出了一个新的红外小目标图像质量评定标准——背景干扰程度,定义了"目标混淆度"和"目标遮隐度"两个指标,它们分别体现了背景噪声引入虚警的能力和背景噪声遮隐目标的能力,设计实现了利用两个指标对背景干扰程度的定量描述.实验证明,与传统的小目标图像评定标准信噪比相比,利用该标准评定的结果与实际情况更加符合,更准确地描述了研究者所关心的检测识别目标难易程度的信息,同时,该标准对于无目标信息情况下小目标图像的质量评定也是有意义的.      

利用H.264中运动矢量实现运动目标检测

针对视频压缩和运动目标跟踪同时实现的应用,通过研究H.264压缩标准中运动矢量包含的图像运动信息并分析运动估计原理,提出了一种利用视频压缩中的运动矢量信息实现运动目标检测的方法,确立了H.264编码流中运动矢量与场景中物体运动状态的对应关系.将运动目标从背景中分离是检测算法的核心.对于双门限值的设置,可分离不同运动速度的目标;同时,算法排除了背景运动的干扰,因而可应用于摄像机运动的场合;由于检测算法所用的运动矢量直接来源于H.264编码过程,而大大降低了计算复杂度,利于硬件实现.     

基于Pos-FCN的红外图像背景抑制方法

红外图像背景抑制可以为红外目标检测识别任务提供支撑。在实际的应用场景中,红外图像中的目标多为弱小目标,其特征不明显,一般背景抑制算法难以将其从背景中分离,而达不到背景抑制的最佳效果。针对上述问题,提出使用Pos-FCN网络实现红外图像背景抑制的方法,该方法使用特征卷积结构,依靠高分辨网络结构获取弱小目标的特征信息,通过大尺寸卷积特征图的前向传播方式实现了高维度特征中弱小目标信息的保留,使用卷积降采样特征提取和上采样图像恢复方式实现了端到端的处理,并在前置训练阶段引入了位置信息强化网络骨干特征提取效果。结果表明,该方法处理后的红外图像中信杂比提高至3.877,对比度提高至0.297,检测率达到了93.6%,因此,该方法可以实现良好的背景抑制效果。     

一种基于面源黑体的某型红外动态模拟靶标研制

基于某型导引头对目标体红外辐射特性和运动特性的仿真需求,研制了基于面源黑体的红外动态模拟靶标,用于模拟无穷远处的设定目标与背景温差,以及目标体在视场中的动态变化。介绍了该红外动态模拟靶标的基本原理、主要组成以及硬件系统设计和软件实现情况,并对其红外成像辐射特性以及动态性能指标进行了实验验证。     

基于脊波变换的一种红外图像增强技术

在研究红外图像特性的基础上,提出了一种基于多尺度脊波变换的红外图像增强方法。脊波变换特别适合于具有直线或超平面奇异性的高维信号的描述,在导引头红外图像处理中使用脊波变换来检测图像的边缘和跟踪是一种有效的方法,而且具有较高的逼近准确度。首先,利用脊波变换技术对红外图像进行处理。然后,对脊波变换系数进行增强。最后用脊波逆变换对红外图像重构。结果表明,该方法对导引头的红外自动目标识别是快速和有效的。     

一种空间视觉测量子系统用半导体 激光器驱动电路设计

针对面阵静态红外地球敏感器的现场标定,提出基于规则小孔平面靶标的现场标定方法.将小孔平面靶标固定放置于面源黑体前方,在光学视场测量空间内,多次调整红外地球敏感器的摆放位置,以采集多幅不同位置、不同角度的红外靶标光点图像.使用等高层最小二乘椭圆拟合方法精确提取靶标红外光点的中心坐标,获得特征点信息.利用红外靶标图像和图像特征点计算面阵静态红外地球敏感器光学系统的焦距和主点坐标.试验结果表明,该标定方法简单灵活有效,便于调试现场操作.目前,该方法已在面阵静态红外地球敏感器研究中得到应用.     

基于非下采样轮廓波变换的红外和SAR图像融合算法

针对现有红外和合成孔径雷达(Synthetic Aperture Radar,SAR)图像的融合算法融合质量差、边缘轮廓不清晰、效率低下、可视性差,目标检测效率低等问题,提出一种基于非下采样轮廓波变换的融合算法。首先采用非下采样轮廓波变换对预处理的红外和SAR图像进行分解,获得各自低频和带通方向图像,接着根据红外和SAR图像的特征选取其含重要目标信息的频带进行低频图像和带通方向图像融合。为了检验本文所提出算法性能的优越性,采用两组红外和SAR图像进行融合实验,与其他图像融合算法进行对比,并对融合图像进行目标检测,证明了该融合算法能有效提高多源图像目标检测率。     

基于GAN网络的红外图像生成技术

当将人工智能技术应用于军事领域中的目标识别任务时,针对由红外图片采集的局限性而造成的训练数据不足的问题,提出了基于生成对抗网络以生成红外图像的方法,实现了数据集的扩充。对基本的生成对抗网络进行了改进,将网络的输入由随机噪声变为真实图片,使之实现了图片到图片的风格转换,即彩色图片转变为红外图片。经过网络模型的搭建和训练,实验结果表明,该方法能够有效生成清晰和高质量的红外图片,解决了由红外数据不足而造成的网络训练不充分的问题。     

基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究

红外诱饵对抗技术的发展使得空战环境日益复杂化,对红外成像制导空空导弹抗干扰目标识别技术提出了更高的要求。红外诱饵的投放使得目标特征的完整性、显著性及稳定性遭到破坏,基于特征融合匹配的统计模式识别方法无法准确识别目标。提出了一种基于朴素贝叶斯分类器的抗干扰目标识别方法,该方法对空战对抗仿真图像数据集进行了特征挖掘,利用实验拟合方法构建了典型特征的概率密度函数模型,构造了朴素贝叶斯分类器,实现了飞机目标和干扰的分类识别。仿真实验结果表明,该方法在已测试的弹道图像数据集下的平均识别正确率达到了81.82%,且能够解决假目标、目标遮挡等抗干扰目标的识别难题。