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.     

红外图像中弱小目标检测前跟踪算法研究综述

文中分析了低信噪比复杂背景中红外弱小目标检测与跟踪的难点,比较了DBT与TBD两种检测与跟踪算法的性能,分析了TBD的检测机理,总结了典型的TBD方法,展望了TBD的发展.     

基于粒子滤波的复杂背景红外弱小目标跟踪

针对红外弱小目标跟踪过程中背景复杂、目标过小导致检测困难以及跟踪不连续的问题,提出一种基于粒子滤波的鲁棒红外弱小目标跟踪方法。首先,考虑弱小目标位置、灰度以及目标量化直方图等特征,建立目标状态以及量测模型。根据量测各分量相互独立的特性,将量测相应分量的多特征似然函数集成于粒子滤波的框架中对低信噪比下的弱小目标状态进行自适应更新,改善由漏检引起的跟踪不连续问题。最后,采用平滑算法提升目标在运动学特征上的精度。仿真实验表明,所提算法能有效跟踪复杂背景下的红外弱小目标。     

基于多传感器的弱小目标检测与跟踪方法

弱小目标检测与跟踪是一个具有挑战性的研究课题,传统的数据处理方法主要是基于单传感器的备类检测前跟踪算法,其中由粒子滤波实现的算法因其稳健性高、适用范围广,受到了越来越多的关注。本文正是试图将该类算法推广应用于多传感器的目标检测与跟踪,以提高系统对弱小目标的检测概率与跟踪精度。仿真试验验证了所提方法的有效性。     

基于自适应背景预测的红外弱小目标检测算法

文章在已有的背景预测的算法基础上,提出了一种自适应的背景预测算法。实验结果 表明,该算法不但能够准确的检测出弱小目标的位置,还具有更快的速度,对于实时性检测,有很好的效果。     

基于非线性量化概率模型的弱小目标跟踪

针对红外弱小目标跟踪问题,提出一种基于非线性量化概率密度模型匹配的快速跟踪方法。首先分析了红外弱小目标的灰度特性和多帧运动相关特性,引入α-β滤波对红外目标进行运动相关跟踪,并预测下一帧图像中目标的质心位置,然后提出一种适合红外弱小目标的非线性量化概率密度模型,通过在预测邻域内进行模板匹配来跟踪真实目标。实验结果表明该方法用于红外弱小目标的跟踪精度和处理速度明显优于现有算法,工程意义显著。     

基于偏微分算法的弱小目标检测

针对复杂背景中弱小目标检测难的问题,提出一种偏微分算法。该算法对红外图像进行理论分析、偏微分方程法背景抑制、图像分割进行分析,并在DSP硬件平台上,完成背景抑制、目标聚类等功能。     

基于TBD方法的弱小目标预警研究

运用了检测前跟踪(TBD)方法对多普勒警戒雷达中的弱小目标早期预警问题进行了研究.根据入侵目标的轨迹特点,分析了它在距离-多普勒平面中的转移规律,设计了新的建立在距离一多普勒域上的基于Viterbi搜索算法的帧间能量积累方法.最后,比较了该方法与传统的先检测后跟踪方法的检测性能,并给出了TBD方法的理论检测性能.     

星空背景下红外弱小目标的快速检测

为了实时检测天基平台上超远距离成像的星空背景下红外弱小运动目标,提出了一种基于时空域方向滤波和最小二乘预测的算法。首先,介绍了传统的方向滤波及时序上的双向滤波两者的频域理论推导,并经过对比说明了双向滤波的优点。接着,在双向滤波基础上,提出了一种新型方向滤波算法,并分析了新型算法在时耗方面的优势。然后,在分析新型方向滤波算法性能的基础上,说明了基于过门限率的图像分割方法。最后,介绍了最小二乘预测的理论,并给出了相应的跟踪算法。实验结果表明:目标的位置跟踪偏差平均约为1个像素,在图像大小为256×256像素的情况下,20帧图像的检测跟踪时间平均约为1.137 s。检测跟踪效果满足精度要求,检测时间也基本能满足超远距离成像红外系统的实时性要求。     

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。     

弱小目标检测预处理算法对比研究

针对弱小目标检测与处理问题,对比研究了帧问差分法、背景预测法和小波分析法三种典型的弱小目标检测预处理算法.理论分析和实验验证表明,背景预测法的综合性能较好,只是在时间复杂度上较差,如果硬件资源允许,则是首选的算法;小波分析法在检测精度和抑制噪声方面较差,但其运算速度较快,如果对检测精度要求不高,则是首选的算法;帧间差分法检测率较低,综合性能最差,较少使用.研究为弱小目标检测预处理算法的选择提供了依据,为弱小目标检测预处理算法的研究和设计提供了重要的参考,具有重要的现实意义.     

采用尺度空间理论的红外弱小目标检测方法

为了检测红外场景中尺寸大小变化的弱小目标,针对传统滤波方法中固定大小滤波核对此类特性目标检测表现出的不足,提出一种基于尺度空间理论的红外弱小目标检测方法。首先对弱小目标特性进行分析,提出采用点扩散函数形式的目标模型来描述弱小目标;采用固定自适应邻域的方法对原始红外图像进行预处理,抑制背景杂波,增强目标能量;依据尺度规范化后的拉普拉斯尺度空间对图像不同元素滤波响应的不同,获取图像中的可疑目标,利用可疑目标点与其周围像素的梯度关系得到可疑目标点的中心坐标,并据此得到其在图中的尺寸大小;对每个可疑目标划分一个自适应大小窗口,获取分割阈值,分割出真实目标。实验结果表明,该方法能较好地检测出弱小目标,且具有较低的虚警率。     

采用剪切波变换的红外弱小目标背景抑制

提出了一种将剪切波变换与贝叶斯统计机理相结合的背景抑制新方法来解决红外搜索跟踪系统探测复杂空中和地面背景杂波中的弱小目标这一难题.根据红外图像中目标和背景杂波的不同分布特性,首先,采用剪切波变换对原始红外图像进行多尺度和多方向分解,获得原始图像的多尺度和方向细节特征,然后,通过应用高斯尺度混合模型进行处理,从而将红外图...     

基于改进的奇异值分解和形态滤波的弱小目标背景抑制

红外弱小目标的复杂背景抑制一直是弱小目标检测与跟踪的一个难点。提出一种改进的奇异值分解和形态滤波Tophat变换相结合的红外弱小目标背景抑制算法。首先通过奇异值分解得到原红外图像的奇异值矩阵和左右奇异矩阵,然后通过对奇异值进行对数非线性变换,利用优化后的奇异值矩阵进行重构得到增强对比度的红外图像,最后利用形态滤波中的Tophat变换进行滤波达到背景抑制的目的。实验结果表明,该算法能够很好地实现红外弱小目标图像的背景抑制,并能使目标信号得到保存和增强。     

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。     

基于元学习的红外弱小点状目标跟踪算法

为了在研究红外弱小点状目标的特征基础上有效解决训练数据不足的问题,采用了基于改进的元学习红外点状目标跟踪算法.首先将元学习通过预训练跟踪模型运用到卷积神经网络中,采用离线训练的方式在静态红外图像数据集上训练得到目标的通用表示,再通过在线训练的方式利用初始帧的目标位置学习得到目标的特定表示;通过卡尔曼滤波算法预测目标运动...     

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。     

一种改进的红外弱小目标快速检测方法

针对复杂背景下红外弱小目标检测率低、目标跟踪困难的问题,提出一种改进的红外弱小目标快速检测方法。该方法采用改进的形态学滤波抑制背景噪声,对处理后的多帧图像进行方差估计初步突出目标像素,然后对其进行信噪比估计得到整个图像序列像素得分,图像中像素信噪比高的被标记为目标像素,再对标记过的图像进行分块分析,最终准确提取出连续图像序列中的目标像素。检测出的目标像素作为Hough变换的目标跟踪算法的输入,设置双阈值实现目标的有效跟踪。实验结果表明,在复杂背景下的红外弱小目标提取中,基于噪声方差估计的目标检测拥有较高的检测概率和较低的虚警概率,将其获得的目标像素作为Hough变换的输入,不仅可以有效跟踪目标,而且简化了算法的复杂度,实现目标的快速提取和跟踪,具有很高的应用价值。