一种新的红外弱小目标检测与跟踪算法

针对低信噪比下红外序列图像中弱小目标的检测与跟踪问题,提出了一种新的基于双边滤波的方法.首先将传统的二维双边滤波扩展为空-时三维双边滤波,由于同时利用了红外序列的空域信息和时域信息,该三维双边滤波能在抑制噪声的同时增强目标和背景之间的对比度.用其实现红外图像的预处理,再用门限分割检测出红外序列中的弱小目标.同时,用序贯蒙特卡洛方法对检测到的弱小目标进行跟踪.实验中,用实际红外序列图像对算法进行了验证,结果表明,在低信噪比下,所提算法能对红外弱小目标进行实时检测和跟踪.     

基于YOLO-IDSTD算法的红外弱小目标检测

针对复杂背景下红外弱小目标难以准确快速检测的问题,提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先,为提高检测速度,重新设计了特征提取部分的网络结构,并在输入层后使用Focus模块以减少推理时间;其次,为增强检测能力,特征融合部分采用路径聚合网络,添加了改进的感受野增强模块;最后,目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明,相较于经典轻量化模型YOLOv3-tiny,文中提出的模型召回率提升了7.57%,平均检测精度提高了1.92%,CPU推理速度提升了36.1%,可较好地兼顾精度和速度,计算量与参数量明显减少,模型尺寸压缩至7.27 MB,减少了对硬件平台运算能力的依赖,实现了红外弱小目标准确又快速的检测。     

多尺度匹配的红外变分辨率弱小目标检测

针对云层背景下红外变分辨率小目标的成像特性,提出一种基于尺度空间理论的红外弱小目标检测方法。首先建立高斯小目标参数模型,以高斯核生成待检测图像的尺度空间,进而对尺度空间进行最佳尺度匹配,提取目标感兴趣区域（ROI）。然后构造ROI尺度自适应对比度作为检测判据,剔除虚警,实现小目标最终检测。实验结果显示,算法不仅能够准确检测目标,且可以估计目标像尺寸,同时具有较高的检测概率和执行效率。可有效地实现对变分辨率弱小目标的检测。     

一种红外弱小目标检测方法

提出了一种红外弱小目标检测算法,该算法通过“区域最小化背景模型”,来减小背景起伏对背景预测的影响,从而实现对背景更准确的预测,达到提高弱小目标检测性能的目的,算法适用于强对比度云层的空背景、目标与背景对比度比较低的空背景,是背景预测算法的一个重要扩展,针对实际红外图像的试验仿真表明,提出的算法是有效的。     

一种红外弱小目标检测新方法

研究天空背景下红外运动弱小目标的检测。对红外序列图像进行累积后进行小波分析，再采用自适应门限处理，使用小波反变换将背景中低频分量和高斯噪声去除，再采用非线性滤波，最后再使用累积的方法找出目标，并得到目标航迹。实验结果表明，该方法能有效地检测定位运动红外弱小目标，并具有很强的抗噪声性能。     

一种改进的自适应背景预测红外弱小目标检测算法

文章改进了自适应最小均方误差(LMS)算法,将基于历史检测效果的自适应最小二乘(RLS)算法应用于连续帧运动红外弱小目标检测.在已知n-1时刻滤波器抽头权系数的情况下,通过简单的更新,求出n时刻的优化滤波器抽头权系数.计算机仿真实验证明该算法能较大地提高图像信噪比,并以较低的虚警率在2～3帧内较为准确地检测出运动红外弱小目标.     

一种基于背景预测的红外弱小目标检测方法

介绍了一种新的基于背景预测的空中红外弱小目标检测方法,以提高对复杂背景预测的准确性,减小云层边缘预测不准确形成的虚警.该方法对云层边缘处的点根据其不同尺度邻域上的亮暗点分布特点进行预测;对非边缘点采用基本背景预测法进行预测,最后经过背景对消,将弱小目标检测出来.实验结果表明,与已报导的其它方法比较,该方法能够更有效地抑制云层边缘引起的虚警.     

红外弱小目标检测方法综述

红外弱小目标检测系统可灵活部署在不同的平台中,在红外预警、制导等领域具有重要实用价值。但是,由于复杂场景下存在信噪比低、背景变化剧烈等问题,导致复杂背景下的红外弱小目标检测非常困难,一直是目标探测领域的研究难点和研究热点。根据红外图像数据使用方式的不同,将现有目标检测方法划分为单帧型（含局部信息类与非局部信息类等）和多帧型（含关联校验类与直接求取类等）两大类,并分别进行了简要梳理,分析了不同方法的原理、优势及不足。最后,对本领域的发展趋势做出了预测。该工作既可以帮助初学者快速了解本领域的研究现状和发展趋势,也可作为其他研究者的参考资料。     

一种红外弱小目标图像增强的新算法

针对红外弱小目标图像的特点,本文提出了一种新的增强算法。该算法首先通过设置平台阈值对背景的增强进行抑制,然后将直方图在灰度密度和灰度间距两个方向进行均衡处理。该算法简洁,实时性强,图像增强效果好。     

基于深度学习的红外弱小目标检测算法研究综述

目标检测技术是安防监控、预警探测、遥感成像等装备的核心要素,也是当前深度学习研究领域的热点之一。红外探测系统通过被动接收物体发射的红外电磁波进行成像,具备温度灵敏度高、探测距离远、被动探测隐蔽性强等优点,在目标探测领域有广泛的应用。文中从红外弱小目标图像的特点出发,针对基于深度学习的视觉图像目标检测算法进行分类描述,并对深度学习在红外弱小目标检测中的有效手段进行总结,最后对未来的发展趋势做出展望。     

基于SCNN的红外弱小目标检测算法研究

提出了基于结构化特征卷积神经网络(Structural Feature convolution neural network,SC-NN)的红外弱小目标检测算法.通过将红外弱小目标结构化特征引入CNN网络中,去除CNN网络的池化层、改变卷积扩展性、并加入分层融合机制,克服了CNN会损失小目标本身的信息和无法检测弱纹理小...     

基于混合融合策略的双波段红外小目标检测方法

双波段红外图像的小目标融合检测是红外自动寻的系统的关键技术和研究热点之一。为了建立有效的融合检测结构,对基于布尔逻辑的融合检测方法进行了分析,并从小目标红外成像原理出发,提出了一种基于与逻辑和局部灰度的混合融合检测算法。首先,分别对单波段的红外图像进行阈值分割;其次,对两个波段的检测结果进行与融合;再次,对与融合之外的目标点进行局部灰度判别,进一步提高检测概率;最后,根据融合结果调节第一步中局部检测器的分割阈值,以优化局部检测器。实验仿真结果表明,该算法有效地提高了双波段红外的检测能力,且算法结构简单、运算速度快,具有较强的实用性。     

强噪声背景红外微弱动目标集成检测

微弱运动目标检测一直是红外成像识别、跟踪领域中的重要课题.我们提出了一种新的基于强复杂噪声背景的红外微弱运动目标集成检测算法.针对复杂噪声,提出一种新的基于邻域梯度累积平方误差最小原则的自适应滤波算法.该算法,对各种加性、乘性噪声的滤波性能优异且均衡,适合对复杂噪声进行滤波.针对微小目标检测,我们提出一种基于运动平台的微小目标运动场集成检测算法.该算法,改变传统微小目标检测算法,要求提前对运动背景进行精确全域运动估计及补偿的模式,而只对图像运动场进行估计及补偿,提高了算法的可实现性.     

天空背景下红外弱小目标检测算法研究

针对天空背景下红外弱小目标检测困难的情况,首先通过改进的形态学滤波目标增强方法对图像进行背景抑制与噪声去除,而后采用恒虚警检测方法(CFAR)对滤波后图像进行分割,获得候选点目标,然后采用行程目标标记的方法得到候选目标的位置信息、面积信息等,单帧图像检测之后,复杂的天空背景仍然会存在虚警。为了提高检测概率、降低虚警率,结合目标运动特性(包括运动轨迹、速度、加速度等)、灰度变化、面积变化等帧间相关性采用移动式管道滤波方法对序列图像候选目标做进一步判断。实验结果表明,该方法能有效地从复杂背景中检测出真实目标。     

基于深度学习的轻量化红外弱小车辆目标检测算法研究

伴随高速飞行器的不断发展,目标检测识别作为精确制导的关键一环,需要更高实时性、高准确性地进行目标定位和识别。当前,针对装甲车辆、车辆阵地等时间敏感目标精确检测识别的需求日益迫切,深度学习算法在特征提取及分类器设计上具备优势。文中以特定复杂背景下的小尺寸红外车辆目标为研究对象,针对样本数据少、平台资源受限、实时性要求高、检测精度高等需求,开展基于红外弱小车辆目标检测识别的轻量化深度学习算法研究。项目基于YOLOv5算法进行轻量化剪裁,减小模型的结构,提高实时性;提出了混合域注意力机制模块EPA,该模块通过不降维的局部跨信道交互策略使算法更快速有效地关注重要通道,抑制无效通道,并将通道注意力机制与空间注意力机制结合,使得算法更关注与目标相关的像素信息。提出了残差密集注意模块（RDAB）,该模块由密集残差块与注意力机制EPA构成,通过密集卷积层来提取充分的局部特征,通过注意力机制获取更有效的通道与像素信息,可以使得算法以较小的模型结构获得较好的检测效果。运用设计的网络对数据增广后的小尺寸红外车辆目标数据进行检测识别,并与多种典型算法进行对比实验。由实验结果可知,文中提出的JH-YOLOv5-RDAB网络检测识别效果优于其他网络,权重大小仅为6.6 MB,仅为YOLOv5s算法模型权重的一半,但算法检测效果更优,与93.7 MB的YOLOv5l算法的检测效果接近,mAP50达到95.1%。实验结果表明:该网络在红外弱小车辆目标检测上的优越性和可行性。     

基于改进YOLOv7的机载红外弱小目标检测算法

随着现代化战争的技术升级,机载红外探测领域对更快更远更准地发现目标的需求日益强烈。为满足机载环境下对红外弱小目标高精度高帧率的检测,本文提出了一种基于YOLOv7改进的目标检测算法,以YOLOv7目标检测算法为基础,进行了修改网络结构和加深卷积层数来使特征提取更多的小目标信息特征；并对骨干网络获取的特征层引入注意力机制来提高神经网络对小目标的感知能力以及提高小目标所在区域的权重占比；使用EIOU损失函数替换原本的CIOU损失函数,提高了收敛速度和定位精度。实验结果表明,相较于原算法YOLOv7,在极小损失帧率的情况下,改进后的算法mAP可以达到9849,相较原始算法提升了124,有助于提升对机载红外弱小目标的检测准确率。     

红外弱小目标多组独立检测方法

针对红外序列图像中运动弱小点目标的检测问题,提出了一种多组独立检测方法。首先,利用神经网络优化的形态学算子进行背景抑制,基于自适应门限实现单帧目标检测。在多帧检测中,先将可能的航迹观测序列进行分组累加,然后进行似然比检验。由于多组独立检测考虑了信噪比过低或者强噪声干扰的影响,一定程度上加速了航迹的确认和删除,提高了多帧检测的性能。基于此提出了多组独立检测方法,并对算法性能进行了详细分析。实测数据结果证明:在相同虚警概率情况下,多组独立检测法的检测性能优于截断序贯处理算法的检测性能。     

基于粗糙集的红外弱小目标检测方法

提出了利用粗糙集理论处理不完整信息的能力对红外弱小目标的运动轨迹进行辨识的检测方法。首先利用形态学滤波算法,分离出每帧图像中候选目标并提取其特征属性。把提取到的特征属性作为条件属性,把每帧图像中候选目标作为个体,构成知识决策系统。通过对决策表进行约简,得到决策系统的最小决策算法,并利用序列图像中目标运动的连续性和轨迹一致性来实现小目标的识别。实验表明,该方法能够有效解决目标跟踪过程中目标短暂丢失以及重现的问题,实现弱小目标的稳健检测和跟踪。