基于多步长梯度特征的红外弱小目标检测算法

针对低信噪比红外图像中弱小目标检测难的问题,在分析红外弱小目标各向梯度特征的基础上,提出了一种新的红外弱小目标检测算法.该算法基于红外弱小目标各向梯度均快速下降的特征,首先根据目标大小在待检测点上、下、左、右选取4个参考点,根据多步长下待检测点与参考点之间的最大梯度特征,判定潜在目标;然后通过连续3帧检测信息的融合,确...     

一种云天背景下单帧红外弱小目标检测新方法

针对复杂背景下单帧红外图像中的弱小目标检测问题,提出了一种级联的改进Asymmetric AdaBoost算法。该算法通过提取红外小目标梯度对比度、邻域灰度分布等多个有效特征,充分利用多个红外特征的互补作用,对Asym-metric AdaBoost在仿真中出现的问题进行了相应的改进。通过对实测数据进行仿真,结果表明该方法达到了高检测概率和低虚警率,能有效地检测红外弱小目标。     

基于多特征融合的复杂背景下弱小多目标检测和跟踪算法

针对红外弱小多目标的检测和跟踪难题,提出一种基于多特征融合的复杂背景下弱小多目标检测和跟踪算法.融合红外弱小运动目标的灰度特征、梯度特征、运动特征等多个典型特性,进行复杂背景下弱小多目标的检测和跟踪.实验证明:该算法应用于复杂背景下低信噪比的红外弱小多目标图像序列能得到较理想的结果,算法检测概率高、检测速度快、具有较强鲁棒性.     

基于分块速度域改进迭代运动目标检测算法的红外弱小目标检测

提出一种基于分块速度域的迭代红外运动目标检测算法来解决传统算法计算量巨大这一难题.首先,采用二维最小均方差滤波器对红外序列图像进行滤波,获得包含弱小目标以及残差的红外序列图像.然后,通过在序列图像块的速度域上应用改进的迭代运动目标检测算法进行能量累积,从而将弱小目标的运动速度在速度域进行累积增强,达到检测弱小运动目标的目的.最后在解算出的速度值附近进行搜索,得到弱小目标运动的精确速度.利用此速度进行空域能量累积,得到叠加图像,在此图上进行目标检测.与传统方法相比较,几组实验结果显示,本文提出的方法大大缩短了检测的时间,而且本文方法的检测效果也较好.     

深度学习的空间红外弱小目标状态感知方法

针对当前空间红外弱小目标状态感知方法存在判别准确率低、人工干涉较多、对数据质量要求较高等问题,提出了一种全新的基于深度学习的判别算法。首先,对空间红外弱小目标状态变化进行了分析,并建立了专用数据集;然后,建立了目标状态感知任务专用的卷积神经网络框架,并在局部标注及自适应阈值等方面进行了创新;最后,应用实验室采集的目标辐射强度信息制作的仿真数据对本算法进行了训练和测试,建立了目标状态感知评估指标体系,并对实验结果进行评估。实验结果表明:在输入连续完整的辐射强度信息时,判别准确率为98.27%;输入片段辐射强度信息时,各状态判别准确率皆大于90%。本算法弥补了现有方法对空间弱小目标状态感知虚警率高和目标信息不完整时不敏感的缺陷,提高了检测速度和精度,可以更好地满足空间红外弱小目标感知任务的需求。     

融合多异构滤波器的轻型弱小目标检测网络

针对红外图像信息维度单一且弱小目标因特征不明显而难以检测的问题,将不同结构的多滤波器融入YOLOv5n网络,根据增强弱小目标和抑制背景干扰的不同特性分别选择三个异构滤波器作用于网络的多通道输入图像,从而丰富原始图像的信息维度,有效提升后端网络对复杂背景下弱小目标的适应能力;通过添加注意力模块、采用小锚框策略、裁剪网络深层分支等改进措施,在增强YOLOv5n网络弱小目标检测能力的同时,进一步减少了计算和存储资源需求。实验结果表明,所提出的算法能够有效检测红外复杂背景中的弱小目标,同时占用存储和计算资源更少,为算法部署在资源受限的嵌入式设备上提供了基础。     

基于频域映射与多尺度Top-Hat变换的红外弱小目标检测算法

提出了基于频域映射与多尺度Top-Hat变换的红外弱小目标检测算法。通过分割经典Top-Hat的单一结构元素,获得多尺度膨胀结构元素,对红外弱小目标进行增强,有效抑制杂波与噪声背景;基于Butterworth低通滤波与截止频率,构建Butterworth差异带通滤波,联合Fourier变换,建立粗显著性检测机制,通过提取其幅度与相位频谱,基于2D高斯平滑滤波,定义细显著性检测机制,在频域中凸显弱小目标,并将红外目标的空间与强度相关性作为识别标准,精确定位候选目标;根据红外目标运动与虚警的速度差异特征,定义弱小目标连续帧速度模型,在帧间充分抑制候选区域中的虚假目标,检测出完整的弱小目标。实验结果显示:与当前红外弱小目标检测技术相比,面对复杂背景干扰,提出的算法具有更高的检测精度,可精确定位出完整的弱小目标,呈现出更好的ROC特性曲线。     

基于多特征融合的复杂背景下弱小多目标检测和跟踪算法

针对红外弱小多目标的检测和跟踪难题,提出一种基于多特征融合的复杂背景下弱小多目标检测和跟踪算法.融合红外弱小运动目标的灰度特征、梯度特征、运动特征等多个典型特性,进行复杂背景下弱小多目标的检测和跟踪.实验证明：该算法应用于复杂背景下低信噪比的红外弱小多目标图像序列能得到较理想的结果,算法检测概率高、检测速度快、具有较强鲁棒性.     

多维特征点空间的红外弱小目标检测方法

将人工智能算法引入目标检测，空间红外弱小目标的检测也可归为模糊检测的二分类问题。依据空中红外弱小目标的探测模型，建立了信号电压比光谱模型，仿真分析表明电压比变化趋势与目标的速度、姿态和两机态势有关，可用以检测目标。采用动态特征构建理论，构建了红外弱小目标的双色比特征空间，基于该特征空间，优化最小二乘分类算法，用于从光谱信号层级检测目标。该方法不仅缩小了样本数据量，而且防止了高斯核函数参数选择引起的“过拟合”现象，既保证了分类精度，又使分类速率提高近1倍，为人工智能算法用于红外弱小目标检测提供了参考依据。     

基于多特征的快速红外弱小目标检测算法

为了从全向红外搜索和跟踪系统采集的海量大视场高分辨率红外图像中快速准确地检测出红外弱小目标,本文提出了一种基于由粗到细的分阶段检测策略和时空域特征融合的红外弱小目标检测算法.首先,通过引入基于频域的快速显著性检测算法预先检测出目标可能存在的候选区域;其次,对候选区域进行角点检测以判定是否存在候选目标;最后,通过结合帧间时空域特征对候选目标进行进一步判定,以提取真实目标、删除虚假目标.多种实际场景的实验结果表明,该目标检测算法不仅运算量小而且探测概率高、虚警率低,是一种工程实用性能很好的红外弱小目标检测算法.     

红外序列图像中运动弱小目标检测

为检测红外序列图像中的运动弱小目标,分析了目标在序列图像中的运动特性和概率分布特性,以及目标和噪声在序列中的能量分布特性。提出连续M帧高阶累积方法来增强运动弱目标能量,用假设检验对目标和背景进行分割,通过搜寻序列运动能量中心来实现目标的多帧关联检测。通过仿真实验证明了算法对红外弱小目标检测有效性。     

基于改进SSD的车辆小目标检测方法

地面车辆目标检测问题中由于目标尺寸较小，目标外观信息较少，且易受背景干扰等的原因，较难精确检测到目标。围绕地面小尺寸目标精准检测的问题，从目标特征提取的角度提出了一种特征融合的子网络。该子网络引入了重要的局部细节信息，有效地提升了小目标检测效果。针对尺度、角度等的变换问题，设计了基于融合层的扩展层预测子网络，在扩展层的多个尺度空间内匹配目标，生成目标预测框对目标定位。在车辆小目标VEDAI(vehicle detection in aerial imagery)数据集上的实验表明，算法保留传统SSD(single-shot multibox detector)检测速度优势的同时，在精度方面有了明显提升，大幅提升了算法的实用性。     

Detection of infrared small target based on fusion of multi-filters北大核心CSCD

Aiming at solving accuracy problem of infrared small target detection in sky and ocean background scenarios of infrared image sequences, a novel infrared small target detection based on multi-filters algorithm fusion method is presented in this paper. Firstly infrared small target and imaging, time and space characteristics of the corresponding background noise are analyzed. Tophat algorithm with improved Robinson guard filter are then integrated to highlight target and suppress clutter background by using infrared small target imaging features. Adaptive threshold segmentation is used to extract candidate targets, while Unger smoothing filter and multi-objects association filter are used to eliminate random noise and false targets in the candidate targets. Multiple experiments of infrared small target image sequences are implemented, and experimental results show that proposed method can detect infrared small targets at 99% detection rate with high reliability and good real-time performance. © 2017, Editorial Board, Journal of Applied Optics. All right reserved.     

面向嵌入式平台的轻量化神经网络手势识别方法

针对传统基于图像分割和特征提取的手势识别算法在复杂背景下识别准确率低、灵活性差的问题,基于目标检测神经网络的手势识别算法可以有效提高复杂环境下手势识别的准确性。受嵌入式处理器体积和功耗的限制,常用的目标检测神经网络在嵌入式上的识别速度较低,不能满足实时手势识别的要求。在SSD目标检测的基础上对其进行优化,使用MobileNetv3网络实现特征提取,目标检测方面则是使用SSD-lite结构,其使用深度可分离卷积替代普通卷积,实现了轻量化MobileNetv3-SSDLite手势识别算法的设计。针对手势识别的要求,制作了包含不同手势的数据集,利用它在服务器上完成了模型的训练。为了满足嵌入式的算力限制,通过模型的量化压缩将float64的网络参数量化为int8,并压缩网络结构,提高网络在嵌入式上的推理速度,实现基于嵌入式的手势识别。实验结果表明,基于嵌入式的MobileNetv3-SSDLite手势识别算法可以达到平均准确率99.61%,且识别速度达到每秒50帧以上,满足实时手势识别的要求。     

改进YOLOv4的铁路沿线遥感影像地物检测方法

近年来,高分遥感影像技术的快速发展为铁路沿线地物检测提供了一种重要技术手段。基于回归的一阶段目标检测方法YOLOv4具有检测精度高、速度快等优点,但用于遥感影像检测时仍然存在部分细节特征信息丢失导致的小目标漏检,以及进行大面积地物检测时效率低的问题。为此,提出改进YOLOv4网络模型对遥感影像铁路沿线地物进行检测。首先,设计由卷积、批量归一化和Mish激活函数组成的CBM(convolution batch normalization mish)模块,并采用DCBM(double CBM)模块作为密集连接网络(DenseNet)的传输层用于YOLOv4网络特征提取以实现地物特征传递和信息重用,增强小目标地物的检测能力,降低漏检率;然后针对YOLOv4在大面积检测时效率不高和模型参数空间较大的缺陷,将压缩激励SE(squeeze excitation)通道注意机制用于骨干网中跨阶段局部单元(cross stage partial, CSP)的每个残差单元之后,减少SE注意模块的重复调用次数,使其能够在提高网络性能的同时降低模型参数量从而提高检测效率;最后,针对长条形状的铁路目标提取困难问题,在网络结果输出之前引入改进的通道空间注意力机制ICBAM(improved convolutional block attention module) 保留原始特征信息,解决铁路目标特征提取能力差的问题,提高铁路中大尺度目标的检测效率。为验证所提方法的有效性,选取2 048张分辨率为1 920×1 080的某段铁路沿线遥感影像地物样本数据,将其中的铁路、房屋、楼宇建筑、农田和水池作为检测目标进行实验,并与当前流行的目标检测方法进行对比。结果表明,改进方法不仅增强了对小目标地物的检测能力,提高了地物检测精度和速度,而且提高了大尺度目标的检测效率。与YOLOv4算法相比,mAP提高了2.11%,准确率提高了2.93%,召回率提高了3.79%,模型大小减少了8.53%。所提方法为当前应用高速铁路沿线遥感影像地物快速精准检测提供了有效方法。     

基于复滤波器组的红外弱小目标检测算法

 为了有效抑制复杂背景的干扰,降低复杂背景所带来的虚警,提高目标检测的信噪比,提出了一种基于复滤波器组的红外弱小目标检测算法。分析了复杂背景下带有弱小目标的红外图像中复杂背景和弱小目标图像各自的频谱特性,并引入了分频段处理的思想。比较了各种滤波器的性能,并选用了基于复小波的滤波器组,用该滤波器组将红外弱小目标图像分解到各个子频域;对分解后的各频段图像分别进行基于罗宾逊滤波的目标检测处理,提取各频段图像中的奇异点;根据目标图像和背景图像的频谱特性的定量分析结果,选取合适的权值,将各频段检测的结果进行加权融合,得到最终的处理效果。实验结果表明:弱小目标检测方法较之于传统的不分频段的高通滤波处理方式可以获得更高的信噪比,目标得到明显的增强,背景杂波得到更有效的抑制,各项探测指标均更优。     

基于局部峰值的红外弱小目标快速检测

针对红外图像的小目标检测问题,提出了一种基于局部尖峰特性的检测方法.首先分析红外小目标的局部灰度特性,提出了一种红外目标的峰值特性判据;然后依据目标的峰值特性判据和时域特性,设计了一种目标检测的快速算法,算法先基于子块预选出局部极大值点,把后续运算限于各极大值点处以减少运算量,再根据极大点值在各方向上的灰度下降判断其尖峰特性;最后利用帧间的连续性滤去噪音引起的伪目标.实验表明本文的算法具有很快的处理速度,且能有效滤去图像中的随机噪音.     

复杂红外背景中运动小目标快速跟踪技术

在地面、海面、天空复杂背景下对红外小目标稳定跟踪是亟需解决的难题。为兼顾鲁棒性和实时性,以判别尺度空间跟踪算法为基础,应用可有效表征目标区域灰度突变特性和目标形状信息的广义结构张量算法作为特征提取方法。改进后的算法更适用于红外图像快速处理,能提高跟踪鲁棒性,且计算量小、效率高,目标特征维度低。为提高跟踪稳定性,依据置信度决定跟踪模型更新,避免模型被错误样本干扰。与判别尺度空间跟踪算法相比,所研究算法在准确性、实时性、鲁棒性方面均具有显著优势,且实现300 fps的跟踪速度@256×256像素图像。     

基于改进YOLOv3网络的无人车夜间环境感知

环境感知是无人车夜间行驶中的一项关键任务，提出一种改进的YOLOv3网络，以实现夜间对无人车获取的红外图像中行人、车辆的检测，将判断周边车辆的行驶方向问题转化为预测车辆位置的角度大小问题，并与深度估计信息进行融合对周边车辆行驶的距离和速度作出判断，从而实现夜间无人车对周边车辆行驶意图的感知。该网络具有端到端的优点，能实现整张图像作为网络的输入，直接在输出层回归检测目标的边界框位置、所属的类别和车辆的角度预测结果，并和深度估计信息融合得到周边车辆的距离和速度信息。实验结果表明，使用改进的YOLOv3网络对夜间无人车获取的红外图像进行目标检测的时间为0.04 s/帧，角度和速度预测效果较好，准确性和实时性达到了实际应用要求。     

基于轻量化卷积神经网络的光伏电池片缺陷检测方法研究

光伏电池片中的缺陷会影响整个光伏系统使用寿命及发电效率。针对现有电池片自动检测中尺寸弱小缺陷漏检率高的问题,建立了一种特征增强型轻量化卷积神经网络模型。针对性地设计了特征增强提取模块,提高了弱边界的提取能力,同时根据多尺度识别原理,增加了小目标预测层,实现了多尺度特征预测。在实验测试中,该模型平均精度均值（mAP）达到87.55%,比传统模型提高了6.78个百分点,同时检测速度达到40帧/s,满足精准性与实时性的检测要求。