改进的SAR图像双参数CFAR舰船检测算法

双参数CFAR检测中设置了目标窗口、保护窗口和背景窗口3个窗口,并且窗口的大小,滑动步长都要进行经验训练得到,效率低,对距离很近的舰船SAR图像会产生漏检。针对这些不足, 该文提出了一种改进的双参数CFAR检测算法,该算法只取目标窗口和背景窗口,通过把泄露到背景窗口中的舰船部分去除并对背景窗口中的剩余部分进行均值和方差估计来检测舰船,并且将窗口滑动步长取为目标窗口尺寸。相对双参数CFAR算法,结构得到了简化,检测结果的虚警率减小, 对距离很近的舰船不会产生漏检, 计算效率得到了改善。仿真结果表明了方法的有效性。     

Isomorphic model-based initialization for convolutional neural networks

Modern deep convolutional neural networks(CNNs) are often designed to be scalable, leading to the model family concept. A model family is a large (possibly infinite) collection of related neural network architectures. The isomorphism of a model family refers to the fact that the models within it share the same high-level structure. Meanwhile, the models within the model family are called isomorphic models for each other. Existing weight initialization methods for CNNs use random initialization or data-driven initialization. Even though these methods can perform satisfactory initialization, the isomorphism of model families is rarely explored. This work proposes an isomorphic model-based initialization method (IM Init) for CNNs. It can initialize any network with another well-trained isomorphic model in the same model family. We first formulate the widely used general network structure of CNNs. Then a structural weight transformation is presented to transform the weight between two isomorphic models. Finally, we apply our IM Init to the model down-sampling and up-sampling scenarios and confirm its effectiveness in improving accuracy and convergence speed through experiments on various image classification datasets. In the model down-sampling scenario, IM Init initializes the smaller target model with a larger well-trained source model. It improves the accuracy of RegNet200MF by 1.59% on the CIFAR-100 dataset and 1.9% on the CUB200 dataset. Inversely, IM Init initializes the larger target model with a smaller well-trained source model in the model up-sampling scenario. It significantly speeds up the convergence of RegNet600MF and improves the accuracy by 30.10% under short training schedules. Code will be available.     

基于概率估计的运动目标检测算法

针对现有智能视频中运动目标检测算法存在的问题,提出一种新的对称差分及背景减除相融合的算法。该算法基于子块操作,首先利用高斯分布的概率特性,分离出运动变化区域和静止区域,对分割阈值的选取进行了改进;然后背景重构;最后通过背景和变化区域相差分得到精确运动目标分割。实验结果表明,该方法能够对监控场景中运动目标进行有效的分割,对光线变化、背景干扰不敏感,具有较好的鲁棒性和实用性。     

背景杂波对经典人眼目标获取性能模型的修正

背景杂波严重干扰到观察者的目标获取性能,当前的性能模型在背景杂波的表征方面存在诸多不足.本文基于边缘概率（POE）背景杂波量化尺度,利用人眼视觉搜索探测特性领域的最新研究成果,提出了一种对经典的NVESD模型进行修正的新方法,并对修正模型进行了初步的验证.     

空中目标红外特性的计算方法

文中建立了空中目标红外特性的物理模型,讨论了目标红外辐射强度和对比强度的计算方法,考虑了太阳、天空、地面等背景辐射和大气衰减作用对目标红外辐射的影响。本文应用了LOWTRAN7软件计算太阳辐射、大气辐射和大气透过率等参数。     

基于视频检测的卡口系统

通过背景差、投影分割、块跟踪以及基于环境亮度的二值化阈值调整,该文描述的卡口系统可捕捉到经过特定区域的车辆图像.卡口系统采用的运动物体检测算法相对简单、可靠并且运算效率高.该系统可用于治安监控、小区管理等多种地方,具有广阔的应用前景.     

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。     

化学烟雾红外光谱识别的背景压缩

被动式傅里叶变换红外光谱仪用于远距离遥感几种烟雾红外发射谱的监测，其目的是为找一种有效的方法从几种混合的光谱中区分出特殊成分。建立了化学烟雾的红外辐射传输方程。谱的模式识别技术可用于强变化的背景压缩和提取化合物极为弱小的发射特征。它可用于从多种干扰物和化学物光谱中鉴别出某种特殊成分。     

基于帧差与统计法的运动目标背景图像提取算法

针对一般背景提取算法运算复杂、实时性差等缺点,提出了一种新的基于帧间差分与选择性统计相结合的背景提取算法.通过帧间差分和统计,对图像进行分块选取,削弱了运动物体和噪声对于像素分布的影响.实验表明,上述算法所取得的背景效果良好,并可快速有效地对背景进行提取和更新.     

1064 nm波段白天背景噪声分析及应用研究

卫星激光测距(SLR)是目前卫星单点距离测量精度最高的技术,已成为高精度测量领域不可或缺的手段。国际上大多数SLR台站采用532 nm的工作波长,在白天测距中存在天空背景噪声大、有效回波识别困难等问题,影响了台站的白天测距数据产出。鉴于白天1064 nm 波段天空背景亮度低,理论上对比分析计算了1064 nm波段与532 nm波段的系统噪声强度。并在晴好白天开展了1064 nm波段的噪声测量,并与532 nm波段的测距系统噪声进行了比较,数据结果与理论分析基本一致。在此基础上,开展了晨昏时段的1064 nm卫星激光测距实验,并获得了多圈次卫星的有效回波数据,为1064 nm的白天卫星激光测距打下了技术基础。