红外序列图像中小目标实时检测系统设计与实现

针对天空背景下红外序列图像中小目标检测实时性以及工程化的要求,设计了一种基于FPGA+双DSP的实时检测系统,用硬件方式实现了红外图像高通滤波、自适应阈值分割、管道滤波的组合检测算法.通过对实测红外序列图像进行实验表明,该系统能实时、有效的检测25帧/s的低信噪比红外序列图像.     

红外警戒系统小目标实时检测方法

研究了一种用于红外警戒系统的小目标检测新方法。考虑实际检测图像中的目标具有低对比度、小尺寸和运动连续性以及背景包含复杂的地面场景等特点，该方法以序列图像中的连续三帧为一组进行对称差分运算，既保证了系统要求的目标检测概率和虚警率指标，又便于硬件的实时实现。本文详细讨论了该算法的软、硬件实现原理，并进行了实时性分析。     

红外舰船小目标的检测

检测红外小目标常用的方法是先使若干帧图像叠加达到能量积累的效果,能量积累达到一定程度后,目标因能量较高而凸现出来.这种方法比较适合于对加性噪声不敏感或信噪比较高的情况.实验表明,当图像信噪比较低、对比度很差时不宜采用该方法.针对低信噪比小目标的检测问题,提出了两种方法：在天水线以下图像内相邻行、列分别差分结合Kapur最大熵分割目标的检测方法;在时域内用模板平滑结合Kapur最大熵分割目标的检测方法.实验证明,这两种方法简单易行,效果较好.     

基于中心点的实时红外目标检测方法

针对仅配备CPU的红外成像系统,本文提出了一种基于中心点的实时目标检测方法。遵循轻量化的设计原则,首先引入了低计算成本的特征提取网络,并在此基础上设计了相应的特征融合模块以充分利用不同阶段提取的空间和上下文信息。同时为了进一步提高网络的表征能力,提出了一个背景抑制模块以完成对前景区域的特征增强,并最终通过轻量检测网络实现对目标中心点及其相应属性的预测。在红外空中目标数据集上的实验表明,本文所提方法能够在CPU上以21.69 ms每帧的速度达到90.24%的检测精度。与经典的Tiny-YOLOv3相比,在计算量和参数量仅为前者21%和11%的前提下,检测精度提高了10.94%,并且检测速度提高了10.02 ms,证明了方法在实时红外系统中的巨大应用潜力。     

红外序列图像中运动小目标的检测

文中介绍了红外图像背景以及运动小目标的特性,将检测算法分为两大类,概述了红外图像中运动小目标检测的一般方法和流程,并具体介绍了几种典型的检测算法,分析了它们各自的特点。     

复杂海面背景红外小目标自动检测方法

采用维纳自适应滤波，抑制随机噪声和高斯噪声；利用Otus阈值法分割图像，确定海天线和目标潜在区；利用Top—Hat算子进行形态滤波处理，抑制平缓变化背景并保留高亮度区的目标和强噪声；选择结构元素进行形态开运算，去掉细小的背景杂波干扰；针对远距离舰艇小目标总是出现在海天线附近以及红外目标灰度高于其邻域背景的特点，确定阈值即可分离出真正的目标。实验结果表明，该方法可以较好地抑制海浪、云层等背景的干扰，能有效检测复杂海面背景中的红外小目标。     

基于粗糙集理论的红外小目标检测

红外图像处理中的点目标检测技术是近年来信息处理研究的热点和难点之一,而粗集是一种用于处理含糊和不确定性问题的新的数学工具。本文提出了基于粗集理论的红外小目标检测算法,该检测算法可按红外图像模型的频域属性、灰度值属性和相关性属性,把目标从背景中分离出来。实践结果表明,该算法能够对小目标进行可靠的检测。     

基于形态滤波的红外小目标检测方法

针对空背景下红外小目标图像信噪比低,背景和杂波干扰严重的特点,提出了一种基于数学形态学的红外小目标检测算法。算法首先利用灰度形态学Top2Hat变换,完成复杂空背景下的背景抑制和候选目标提取,然后通过开运算处理进一步去除虚假目标和噪声干扰,完成目标分割;最后结合管道滤波的方法,可快速检测出红外图像序列中的小目标信号。实验表明,该算法能够有效的提高图像信噪比,快速有效地检测出目标信号。     

海面红外小目标检测算法研究

针对海面红外图像中出现的海面杂波和孤立噪声点的问题,采用了一种将空间域的滤波结果在时间域进行二次滤波的方法,实时地检测海面图像中的小目标.在空间域上,根据海面杂波具有一定方向性的特点,设计了4种方向的结构元素分别进行形态学运算来抑制海面杂波,再使用均值融合准则进行融合.在时间域上,利用目标在帧间的运动具有连续性而噪声点不具有该性质的特点,采用均值加权滤波的方法来滤除孤立噪声点,最后使用自适应门限分割检测出小目标.实验结果表明,本文算法在复杂海面环境下,能有效地抑制海面杂波和孤立噪声点的影响,减小虚警率,是一种有效的海面小目标检测方法.     

基于FPGA的红外目标自动检测系统

红外成像在军民监控领域广泛应用,红外自动目标检测能减少人工参与,有效提高效率.本文实现了基于FPGA的红外目标检测系统,首先对系统的硬件资源需求进行评估,并设计了以FPGA为核心处理器的系统硬件平台.其次,开发了基于FPGA的红外目标自动检测处理流程,经过两点校正与盲元补偿等预处理后的红外图像信号,通过混合高斯背景建模的方法建立背景模型,自动检测前景目标,再将目标区域周围高亮标识出来.实测结果表明,该系统可有效检测出高亮背景下的红外目标.     

红外凝视成像系统弱点目标检测的实时实现

为了解决红外点目标检测算法的复杂性与系统实时性之间的矛盾,设计了一套基于DSP的实时处理硬件实施方案.首先,介绍了基于高性能DSP的实时处理系统的原理结构,在此基础上,从硬件和软件两方面提出了系统实时实现的关键技术,包括大容量图像数据的双缓冲交互访问机制、图像预处理算法的FPGA快速实现,以及基于多媒体指令集等技术的代码级优化策略.实践结果证明,优化后的实时处理实现方案有效地提高了系统的实时性和稳定性,能够满足红外点目标检测算法大数据量高速传输、复杂运算的实际需求.     

高分辨航拍相机实时图像存储系统的关键技术

简要分析了DSP + FPGA + FLASH实时图像处理系统的特点和优越性,并结合高分辨率航拍数码相机的实例,介绍了用于图像实时存储系统的设计;提出了系统设计中需要注意的全局时钟和数据交互等几个关键性问题,结合实际工作给出了具体的分析和解决方案。     

基于ANN的声目标识别系统及其DSP实时实现

介绍了一种基于人工神经网络(ANN)的声目标识别系统,概述了用MATLAB专用工具箱对神经网络权值进行训练及仿真的过程,叙述了ANN目标识别系统的数字信号处理器(DSP)实时实现过程,并着重分析定点实现过程中程序变量的定标、非线性运算的实现、溢出的处理等关键步骤.对不同字长的识别结果进行比较表明,基于定点实时实现的系统数据保持很高的精度,可以得到与浮点处理相同的识别率.     

基于DSP+FPGA的红外视频实时处理系统

介绍了一种高速实时红外视频信号处理系统的原理、结构.系统采用FPGA DSP的结构,FPGA完成系统的时序控制和低层算法,而由DSP实现高层算法.给出了实验结果,验证了本系统能够满足实时红外视频成像系统的要求.     

实时红外成像跟踪处理器的研究

研究了一种基于DSP FPGA结构的跟踪系统,实现了对红外成像目标的实时跟踪。硬件上以DSP为主控制器件,大规模现场可编程逻辑器件(FPGA)为辅助控制器件;软件算法以经典相关匹配算法为基础,建立了相关置信度评估,模板更新,目标丢失判断以及目标再捕获等准则,有效地提高了跟踪的稳定性和抗干扰能力。试验表明,该系统能够较好的实现复杂背景下目标的稳定跟踪。     

一种基于DSP的弱小目标实时检测算法研究

针对天文CCD图像的特点,讨论了天文图像处理中小目标检测算法,采用DSP FPGA的硬件架构来实现低信噪比情况下小目标的实时检测与跟踪。针对系统不同的工作状态提出了在引导状态下使用基于图像对称差分运算的方法来检测跟踪目标,而在定位状态下使用基于形态学滤波的检测方法实现多目标的检测,同时保存感兴趣的目标图像,实验的结果表明可以实时有效地检测到SNR≈2的运动小目标。     

一种基于DSP的弱小目标实时检测算法研究

针对天文CCD图像的特点,讨论了天文图像处理中小目标检测算法,采用DSP＋FPGA的硬件架构来实现低信噪比情况下小目标的实时检测与跟踪.针对系统不同的工作状态提出了在引导状态下使用基于图像对称差分运算的方法来检测跟踪目标,而在定位状态下使用基于形态学滤波的检测方法实现多目标的检测,同时保存感兴趣的目标图像,实验的结果表明可以实时有效地检测到SNR≈2的运动小目标.     

基于DSP和FPGA的实时信号处理系统

针对DSP和FPGA相结合的处理机结构进行了研究，分析了现行SIMD和MIMD结构下的数字信号处理机制的优劣，在此基础上提出了一种实时信号处理的线性流水阵列，通过实例证明了该结构的优越性能。     

Infrared Small Target Detection Using PPCA

Probabilistic PCA (PPCA) is an extension of PCA which reformulated PCA in a probabilistic framework. In this paper we propose a infrared small target detection algorithm using PPCA analogous to the face detection scheme using PCA, or known as “eigenface”. By computing the parameters of PPCA, we map the input vector from the image onto a subspace. After reconstructing the vector, the distance between the original vector and the reconstructed one will indicate the possibility of the input being a target. Experimental results show the effectiveness of this algorithm compared with other methods.