模糊决策融合的红外弱小目标序列检测

针对红外序列图像中运动弱小点目标的检测问题,重点研究序列关联检测算法.在多帧关联检测的基础上,引入决策融合概念,建立了基于模糊决策融合的序列关联检测方法.基于贝叶斯最小风险准则建立分布式决策模糊融合方法,有效融合单帧检测的结果,提高序列检测算法的性能.实测数据的实验结果验证了基于贝叶斯最小风险准则的分布式决策模糊融合方法的可行性和有效性.     

一种智能化的红外弱小目标检测方法

针对复杂背景下的远距离红外弱小目标检测问题,提出了一种基于自适应结构元素形态学和BP神经网络的智能化检测方法。该方法首先将图像按一定大小分成子图像,通过统计子图像的特征确定候选目标区域,然后基于自适应结构元素的灰度形态学顶帽变换,实现红外空中复杂背景的抑制并突出待检测的小目标。接下来,以像素的灰度、水平、垂直和对角梯度、邻域均值和方差6个特征为输入量,构造三层BP神经网络,最终实现红外复杂背景下的弱小目标检测。仿真实验结果表明,该方法可以实现对红外复杂背景的有效抑制,稳定准确地检测出信噪比大于2的红外弱小目标。     

基于形态学和高阶统计量的弱小运动目标检测

为检测复杂背景中的红外弱小运动目标,提出了一种基于形态学滤波和三阶累积量分析的检测方法。该方法采用形态学背景估计方法对红外图像序列进行预处理,提高图像信噪比,并消除高亮度大尺寸背景和图像边缘对高阶累积量估计造成的影响。利用高阶累积量对高斯噪声是"盲的"这一特点,基于红外图像序列构造三阶累积量作为统计判据检测图像中的弱小运动目标。仿真实验表明,该方法能够连续有效地检测红外弱小运动目标。     

低空复杂场景红外弱小目标快速精准检测

针对低空复杂场景下红外弱小动目标检测难度大、虚警率高等问题,面向探测系统中高帧频图像实时处理应用需求,提出基于全卷积网络的弱小目标精准检测方法和基于现场可编程逻辑门阵列(field programmable gate array, FPGA)的低时延并行处理方法。采用轻量化全卷积网络对红外图像中弱小目标进行空域检测,对相邻图像帧疑似目标进行时域轨迹关联以进一步降低虚警率。实验结果表明:上述方法相比于五种传统方法在检测率和虚警率性能方面均有显著提升,并在单片FPGA上完成100 Hz图像实时处理,处理时延低于1.8 ms,实现低空复杂场景弱小目标高精度高鲁棒快速实时检测。     

一种基于Wiener滤波的红外背景抑制方法

红外图像序列中小目标的检测问题是当前的研究热点。为了检测起伏背景中的弱小目标,在理论分析的基础上提出了用Wiener滤波器去除起伏背景,然后进行自适应目标检测的小目标检测方法。采用连续采集的长波红外图像序列进行了实验研究,并给出了目标检测结果及其分析。结果表明,该算法能够从信噪比大于2.0的图像序列中检测出目标轨迹。     

隶属度信息辅助的红外多目标模糊关联算法

针对红外多目标跟踪,利用红外序列图像中目标隶属度信息建立改进的多目标关联算法。该算法是基于模糊c均值聚类方法,以红外目标运动状态和背景环境变化引起的红外目标隶属度信息变化为选择门限,适时切换算法赋值策略,以提高特殊环境下多目标关联的适应性。通过仿真对比证明了该方法具有更好的跟踪精度和稳定性。     

基于人类视觉机制的红外目标检测方法

针对红外小目标图像信噪比低,背景复杂等特点,提出一种基于人类视觉系统对比机制的红外小目标检测方法。该方法充分模拟人眼视觉系统对比机制,通过图像局部视觉对比度显著图及自适应阈值选取,锁定感兴趣目标区域,实现对红外图像中弱小目标的精确检测。与Top-hat和逐个像素对比度计算的检测方法进行了对比,实验结果表明所提出的方法能够在低信噪比条件下更有效地检测红外弱小目标。     

一种有效的红外图像融合算法

给出了一种基于átrous算法红外与可见光图像融合算法,该算法主要针对光谱差异较大以及配准精度较低的这类图像的融合算法。该算法首先对融合图像源进行átrous算法分解;随后,对分解的低频信息利用取加权法进行融合;高频信息首先利用边缘检测技术对不同尺度不同方向的高频信息进行边缘点的加强,然后以区域的空间频率为度量标准得到新的高频系数;最后进行átrous算法重构得到最终的融合图像。通过两组红外和可见光图像的融合实验,结果表明该方法能有效地突出边缘细节,提高图像分辨效果和人眼对场景目标的发现和识别概率。     

树状小波与多尺度估计理论的图像融合技术

针对红外和可见光图像的特点及相互融合的应用,提出一种基于树状小波多尺度估计理论的红外与可见光图像融合算法.首先对源图像进行树状小波多尺度分解,依据子图像的信息量得到塔式结构子图像;然后基于不同子图像对应层上的对应像素,根据EM算法估计模型参数,采用SAGE迭代算法优化估计参数得到融合子图像;最后根据小波逆变换获得融合图像.实验结果表明:该融合算法能够更好地综合利用红外图像较好的目标指示特性与可见光图像较清晰的场景信息;性能评估显示:该算法得到的融合图像互信息较文献[5,6]分别提高了49.60%和24.90%,均方根误差分别减小了66.40%和56.00%.     

基于可变卷积与迁移学习的小样本检测方法

针对主流方法对弱小目标识别效率低的问题,提出了一种基于可变卷积与迁移学习的小样本检测方法。基于可变卷积思想改进特征提取主干网络,实现在少量数据上达到和普通卷积在大量数据上相等的学习能力。设计一种Soft-NMS共同作用的方法降低多目标重叠容易出现的漏检问题。通过在公开数据集PASCAL VOC和实测弱小目标数据集上的实验表明,所提算法实现小样本条件下对实测弱小目标的检测与识别,且与原始方法相比性能有显著提高,在公开数据集上较原算法提高了5.5%,在实测数据集上较原算法提高了8.3%。