舰船目标红外图像特性研究

针对成像型反舰导弹所获红外图像的特点,分析了舰船目标和海天背景的红外辐射特性,得知舰船目标红外图像有一重要特征-海天线,它可以确定目标的所在区域。为了舰船目标的跟踪定位,对舰船目标红外图像中的海天线特征进行研究,提出一种基于预处理和直线拟合法提取海天线特征的算法,首先对图像进行边缘检测得到梯度图像,进而二值化并细化,最后利用Hough变换提取海天线。结果表明,在低对比度和有云团干扰的情况下,该算法与改进的直线拟合法相比,能够有效地、准确地提取舰船目标红外图像中海天线特征。     

高分辨率合成孔径雷达图像舰船目标几何特征提取方法

针对高分辨率合成孔径雷达图像设计了一种舰船目标几何特征提取算法.通过视觉注意机制检测目标区域的算法,通过频谱残差视觉显著计算模型求取显著图,完成显著区域的检测以实现舰船目标的初步定位,基于获得的视觉显著图采用最大熵算法完成阈值分割筛选出舰船区域.在提取的舰船切片的基础上,采用针对几何特征的提取算法,经图像预处理、方位角估计、旋转获取最佳表征舰船目标几何轮廓的外接矩形,相对有效准确地提取几何特征;最后,采用典型的TerraSAR-X数据进行仿真实验.结果表明,与传统方法相比,本文提出的频谱残差视觉模型完成合成孔径雷达图像舰船切片的区域分割能够有效降低虚警率,舰船目标的检测速度提高了25%~50%.该方法能够快速稳定地提取舰船目标的几何特征,也更加符合实际高分辨率图像舰船目标检测的应用需求.     

一种基于轮廓形变度的光学伪装效果评价方法

针对光学伪装效果评价中的目标轮廓变形问题,提出了一种基于轮廓形变度的二值统计矩算法。首先,对伪装目标的原始背景图像进行二值化处理,然后对背景图像均匀分割,提取目标的轮廓特征,以此构造一个轮廓特征向量的二值统计矩阵。最后,采用欧氏距离与余弦归一化的方法对二值统计矩进行计算,获得目标的轮廓形变度值。实验结果表明,提出的二值统计矩算法可以有效地提取目标的轮廓特征;轮廓形变度指标达到了0.905±0.004和0.77±0.80;与传统Hu矩算法相比,主成分因子分别提高了27%和7%,算法效率提高了69.8%。该方法能够从目标轮廓的角度有效地评估光学迷彩伪装效果。     

一种提高可见光遥感图像黑极性舰船目标检出率的方法

针对遥感卫星和高空无人机在海上航拍的可见光遥感图像中黑极性舰船目标检出率低的问题,提出了一种基于暗原色先验和恒虚警率原理的舰船目标检测方法。这种方法先对目标图像进行预处理,得到其暗原色图(Dark Channel Image,DCI);再将DCI作为二维恒虚警(2-D CFAR)检测法的输入,以局部统计灰度均值和方差作为目标检测特征,通过选择合适的目标判定阈值及目标空间分布信息完成疑似目标定位;疑似目标集合可以有效地被舰船目标特征矢量进行检验,根据得到的结果判定虚警是否去除,最后得到最终目标检测结果。实验结果表明,该方法对于可见光遥感图像中的舰船目标有较为准确的检测效果,总检出率可达96.07%,并且对人眼视觉不易判别的黑极性目标有着类似“放大镜”的作用,对黑极性舰船目标的检出率可达86.71%,较大地提高了可见光遥感图像中黑极性舰船目标的检出率,对优化黑极性目标检测方法创新有一定的指导意义,也为暗原色先验原理的应用提供了新思路。     

基于中心点的遥感图像多方向舰船目标检测

针对目前基于深度学习的舰船目标斜框检测方法存在计算量大、效率低的问题,提出一种基于目标中心点的单阶段检测模型.由于舰船中心点不受舰船分布方向影响,模型主要思想是以目标中心点检测为基础,回归中心点处目标斜框的尺度和方向.首先设计特征提取网络,将卷积神经网络细节信息丰富的底层特征与语义信息丰富的高层特征融合起来形成特征图;然后将特征图输入到三个检测分支,分别预测目标中心点、中心点偏移值以及斜框的尺度与方向;设计组合损失函数对网络进行训练,并改进非极大值抑制算法以适应目标斜框检测的需要.在公开的SAR图像舰船目标检测数据集与光学遥感图像上进行了实验,实验结果表明,测试集平均准确率达0.906,检测精度与速度均优于其它检测模型,充分验证了所提算法的有效性.     

基于特征融合的遥感图像舰船目标检测方法

针对常用的目标检测算法对遥感图像中的舰船目标进行检测时存在检测精度与实时性兼顾不佳的问题,提出了基于特征融合的遥感图像舰船目标检测算法来检测复杂场景下的多尺度舰船目标.该算法以多尺度单发射击检测框架为基础,增加反卷积特征融合模块和池化特征融合模块,增强网络特征提取的能力.同时设计聚焦分类损失函数来解决训练过程中正负样本失衡的问题.在高分遥感舰船目标数据集上的实验结果表明,所提方法能够有效地增强复杂场景下舰船目标的检测精度.此外,该算法对遥感图像中的模糊舰船目标的检测效果也优于多尺度单发射击检测框架.     

基于边缘线分析与聚合通道特征的港口舰船检测

针对可见光学遥感图像港口舰船检测过程中,人造目标造成检测结果准确率低、虚警率高的问题,提出了一种基于边缘线梯度特征定位和聚合通道特征的舰船检测方法。基于多尺度多结构元素形态学滤波实现海陆分割;并结合遥感图像中港口的矩形形状特点,定义边缘梯度正切角和港口凹凸度特征以对港口进行定位,获取港口感兴趣区域集合。提取舰船目标的聚合通道特征,并通过聚合通道特征构建的样本训练库和AdaBoost算法完成分类器的训练,利用训练完成后的分类器完成舰船目标的最终判别确认。实验结果表明该算法相较于传统的HOG特征和Haar特征,检测效果良好,准确率和召回率得到较大的提升。     

基于多特征的复杂场景运动目标检测

为提高复杂场景下运动目标检测的完整性和准确性,提出了一种多特征结合的运动目标检测方法。提出了一种自适应的高斯混合建模算法对颜色特征进行建模;通过滞后多阈值建模的方法,同时利用颜色和改进的局域二值模式纹理特征对环境背景进行了建模,并采用邻域补偿策略将基于两种特征提取得到的目标区域进行了结合;采用结合Canny思想改进的Kirsch方法进行了边缘提取,消除了鬼影误识别像素,改善了前景目标边缘。实验结果表明,所提方法在运动目标检测的完整性、准确性等指标上优于传统算法的,实时性也较好。     

基于边缘链码高阶分形特征的舰船目标检测算法

针对舰船目标和海杂波轮廓结构的不同,提出了基于边缘链码高阶分形特征的舰船目标检测算法,算法利用相对链码对5类舰船目标轮廓进行编码,分别计算分形维和缝隙,得到了舰船目标的4个分形特征的范围。实验结果表明边缘链码的4个分形特征能有效区分舰船目标和海杂波。     

大口径反射镜表面颗粒污染物暗场检测算法研究

针对大口径反射镜表面污染物的成像特点,研究了污染物的暗场检测算法,包括图像采集过程中的自动聚焦算法,图像处理过程中的畸变校正与污染物提取算法等。就自动聚焦算法提出了粗-精结合的峰值搜索策略,并采用Tenengrad函数作为清晰度评价函数,获得了较高的聚焦精度。畸变校正算法在所建畸变模型的基础上,基于标定板角点的射影变换性质,求解畸变模型系数,实现了图像畸变校正,校正结果的方均根误差为3.3092 pixel。污染物提取算法采用顶帽变换去除图像背景,对去除背景的图像采用拉普拉斯算子加权自适应二值化算法提取污染物,该算法针对光照不均的小尺寸污染物图像的处理效果较好,检测结果数量误差为7%,检测精度优于全局阈值算法以及均值算子加权自适应二值化算法。该检测算法可以为反射镜表面洁净状态评估提供技术支撑。     

多波段红外图像的海面舰船目标检测

现有的基于单个红外宽波段的海面舰船目标探测系统在面对复杂海天背景、岛岸背景、恶劣天气、亮带干扰或诱饵弹干扰等情况时,系统的探测率、虚警率、探测距离等性能指标均会受到严重的影响;为此,开展了基于多波段红外图像的海面舰船目标检测方法的研究。通过中波红外多波段数据采集系统实际采集107组五个中波红外波段的图像;波段1-5分别为3.7～4.8,3.7～4.1,4.4～4.8,3.7～3.9和4.65～4.75 μm;对多波段图像进行手动标注构建样本数据集,其中,正样本舰船目标298个,负样本非舰船目标353个。对于多波段红外图像,首先进行PCA降维并采用选择性搜索算法生成初始目标候选区域;针对候选区域中存在大量明显的非舰船目标区域的问题,利用积分图像计算候选区域的局部对比度,依据红外舰船目标的几何和灰度特征从初始目标候选区域中筛选出舰船目标可能性大的区域作为舰船目标候选区域。然后对舰船目标候选区域进行拓展以融入局部上下文信息,对于候选区域对应的5波段红外图像,分别提取每个波段图像的稠密SIFT特征,并将128维SIFT特征向量降为64维,融入SIFT特征的空间和波段位置分布信息得到新的特征向量,基于高斯混合模型对候选区域的特征向量集合进行编码融合得到舰船目标候选区域的费舍尔向量表示,最后利用线性SVM分类器识别出舰船目标。对多波段图像进行舰船目标候选区域生成实验,所提出的基于红外舰船目标的几何和灰度特征的约束方法可以有效地克服选择性搜索算法的不足,从初始目标候选区域中快速定位出舰船目标候选区域,对25组多波段图像进行实验,舰船目标候选区域生成的整体耗时为0.353 s,定位舰船目标区域耗时0.005 s。对100个正负样本进行目标识别测试,所提出的目标识别算法融合了目标的多波段图像特征信息,通过引入费舍尔向量挖掘了多波段图像梯度统计特征的深层次信息,算法的识别率达到了0.97,显著高于单波段红外图像的目标识别率。对25组多波段图像进行舰船目标检测实验,所提出的舰船目标检测方法能够在海天背景、岛岸背景以及亮带干扰等不同场景下完成海面舰船目标的检测工作,舰船目标定位准确,舰船目标召回率达到了0.95,每组多波段图像的平均检测耗时为1.33 s。研究结果表明,充分考虑海面舰船目标在红外图像中与局部海洋背景的辐射差异以及有效地融合舰船目标在多个红外波段图像中的辐射特征,可以增强舰船目标的可分性,提高舰船目标的识别率以及检测率,为基于多波段红外图像的海面舰船目标检测提供了新的技术支持。     

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。     

基于图像区域Lyapunov指数的海面舰船目标检测

为了检测海面背景中的舰船目标,分析了目标存在时背景信号混沌特征的变化,提出了一种基于图像区域Lyapunov指数的目标检测新方法. 新方法定义了图像灰度距离的概念,基于改进的Wolf方法将一维信号Lyapunov指数提取方法扩展到图像信号,利用图像区域最大灰度距离Lyapunov指数的变化检测淹没在混沌背景信号中的目标信号. 实验结果表明海面背景图像信号具有一定的混沌特征,利用新方法能有效检测出海面背景下的舰船目标,检测结果优于基于统计分析的方法. 关键词： Lyapunov指数 灰度距离 混沌特征 目标检测     

基于改进SSD的车辆小目标检测方法

地面车辆目标检测问题中由于目标尺寸较小，目标外观信息较少，且易受背景干扰等的原因，较难精确检测到目标。围绕地面小尺寸目标精准检测的问题，从目标特征提取的角度提出了一种特征融合的子网络。该子网络引入了重要的局部细节信息，有效地提升了小目标检测效果。针对尺度、角度等的变换问题，设计了基于融合层的扩展层预测子网络，在扩展层的多个尺度空间内匹配目标，生成目标预测框对目标定位。在车辆小目标VEDAI(vehicle detection in aerial imagery)数据集上的实验表明，算法保留传统SSD(single-shot multibox detector)检测速度优势的同时，在精度方面有了明显提升，大幅提升了算法的实用性。     

基于核独立成分分析的舰船光尾流信号提取

舰船尾流的激光探测是一种新的鱼雷制导手段。水体的后向散射光信号是舰船尾流后向散射光信号检测的常见干扰,由于其在频域十分接近且信号强度大于尾流信号,因此难以用传统方法提取有用的尾流信号。针对这一问题,提出了一种基于盲源分离的处理方法,将核独立成分分析技术应用于舰船尾流后向散射光信号的提取。介绍了核独立成分分析的基本原理和具体算法,进行了仿真计算,并与传统独立成分分析算法进行比较。结果表明在盲源信号分离中,基于核空间的独立成分分析与其他独立成分分析算法相比更具有准确性。最后应用该方法对海上实验数据进行处理,提取出了舰船尾流信号,取得了良好的效果,验证了该算法的有效性。     

基于模型匹配的舰船螺旋桨噪声特征精细分析

在双螺旋桨舰船噪声包络建模的基础上,研究了双桨目标调制谱谐波族特征的结构问题,并对海试中发现的"伪桨"现象进行了分析,从理论上解释了谐波族结构发生畸变的原因。进一步采用模型基特征提取技术,研究了基于模型匹配的舰船螺旋桨噪声特征精细分析方法,提取了舰船噪声包络波形精细结构特征。海试信号分析表明,舰船螺旋桨噪声特征精细分析有助于提取更多的螺旋桨物理特征及周期性调制信息,进而提高舰船目标的识别率。      

基于FPGA联合Sobel算法的实时图像边沿检测系统的设计与实现

边沿检测技术作为数字图像处理领域的重要一支,在目标匹配,交通管控,国防安全等多个领域有着广泛的应用,能够精确高效地实现边沿检测对于后续进行更高层次的图像识别以及图像处理有着密切的联系。为了实现实时有效的图像边沿检测提出了基于FPGA结合Sobel算法的实时图像边沿检测系统,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;算法设计采用Sobel算法,不但简化了运算同时获得了不错的检测效果。实验结果显示,系统可高效地达成实时图像边沿检测的设计目的,而且提升了图像的处理效率与边沿检测的效果,便于满足后续图像处理的要求。     

Motion detection in moving background using a novel algorithm based on image features guiding self-adaptive Sequential Similarity Detection Algorithm

A novel efficient algorithm for motion detection in dynamic background was proposed. In image registration step, a feature-based and self-adaptive Sequential Similarity Detection Algorithm (SSDA) algorithm was proposed, which searches for matching position under constraints induced by image features with variational threshold. Then perform change detection by calculating and classifying the Mean Absolute Difference (MAD) around detected features in the middle frames of three consecutive images. Moving objects position was determined according to the rule that the feature from moving regions shows a lager MAD. Experiments on data sets of four typical scenes show that the improved registration algorithm is accurate and costs less than 0.4 s in computation, much faster compared with other four methods, and the proposed Dual Maximum Mean Absolute Difference Algorithm (DMMADA) can obtain a robust set of moving object features. Our algorithm can be used for fast detection of moving targets in dynamic background as well as change detection.