基于改进粒子滤波算法的红外小目标检测跟踪

将粒子滤波算法引入到红外小目标的检测跟踪领域,为解决重要性函数选择和粒子退化问题,结合蚁群搜索算法与粒子群优化算法改进标准的粒子滤波.改进后的粒子滤波能有效减少粒子数,降低运算量,避免了粒子迁移线性化,且无需重采样.分析论证了该算法的基本原理,着重叙述了粒子迁移的过程.通过跟踪实拍红外图像以及仿真图像验证,表明该算法能够成功跟踪信噪比低,背景复杂,运动非线性强的红外小目标,对目标消失、遮挡情况也有一定的适应能力.     

基于局部均值的红外小目标检测算法

复杂背景条件下红外小目标检测是红外自动寻的、红外预警系统的关键技术和研究热点之一。为了能有效地检测出小目标,对红外图像中的小目标与背景特性进行了分析,在充分利用小目标与其局部背景差异的基础上,提出一种基于局部灰度均值确定红外小目标尺寸和位置信息的算法。首先,给出判断像元属于小目标的必要条件,该条件判定图像中哪些像元可能属于红外小目标;其次,基于可能属于小目标的像元给出小目标可能的尺寸值;再次,对所得结果进行优化,排除虚警;最后,根据前三阶段所得结果确定小目标的尺寸和位置。Matlab 仿真结果表明,对复杂云层背景的红外图像,Top-Hat 检测算法虽然检测速度快,但当虚警和目标的灰度值相等时不能很好地对目标进行检测;新算法在选择合适参数的基础上能准确给出目标的位置信息,并能较好地估算小目标尺寸,然而新算法在检测速度上仍有待进一步提高。     

基于局部熵的红外图像小目标检测

文中采用红外图像的局部熵变化为检测准则,确定红外图像小目标位置,对较大的红外图像目标,局部熵突变发生在目标边缘,用本方法也可确定目标边缘。文章给出了算法的实现过程,最后,用海上红外小目标真实图像进行了实验,得到了满意的结果。     

基于局部对比度的自适应Top-Hat红外小目标检测

Top-Hat的检测性能受限于固定单一的结构元素,导致对复杂背景的抑制能力差。针对该方法的不足,提出两种具有递进关系的改进Top-Hat算法。首先依据小目标与其邻域灰度值差异,改进了Top-Hat变换,提出了一种具有双结构元素的Top-Hat算法,分别为膨胀和腐蚀操作设计了各自的结构元素,并且调整了开运算的运算顺序,以提高对红外小目标的检测性能。在此基础上,又提出一种基于局部对比度的自适应双结构Top-Hat红外小目标检测方法,通过计算局部对比度得到显著图,获得先验信息,自适应地改变双结构元素的大小,利用目标区域及其邻域的灰度值差异来抑制背景和增强目标。与同类方法和非同类方法进行对比实验研究,结果表明,所提基于局部对比度的自适应Top-Hat方法在5种评价指标中均表现突出。     

基于局部对比度机制的红外弱小目标检测算法

针对复杂背景和低信杂比条件下的红外弱小目标检测难题,提出了一种基于局部对比度机制的红外弱小目标检测方法。该方法提出了一个包含中心层、中间层和最外层的3层窗口,可以使用单尺度计算完成不同尺度弱小目标的检测。首先,对中心层引入匹配滤波思想,有针对性地增强真实目标;同时,提出最接近滤波原则,对最外层进行背景估计,以缓解目标靠近边缘时的检测难题;然后,在目标增强结果与背景估计结果之间进行比差联合的对比度计算,达到同时增强目标和抑制背景的目的;最后,通过自适应阈值分割,提取真实目标。实验结果表明,相比现有算法而言,该算法可更好地增强目标、抑制复杂背景,且原理简洁易实现,可有效减少运算量。     

基于图像稀疏表示的红外小目标检测算法

基于超完备字典的图像稀疏表示是一种新的图像表示理论,利用超完备字典的冗余性可以有效地捕捉图像的各种结构特征,从而实现图像的有效表示.针对红外小目标检测问题,提出了一种基于图像稀疏表示的检测方法,该方法采用二维高斯模型生成样本图像,继而构造超完备目标字典,然后依次提取测试图像的图像子块并计算其在超完备字典中的表示系数,背...     

基于新Top Hat变换局部对比度的红外小目标检测

复杂场景下由背景物体产生的虚警是红外小目标检测中的难点,在目标信号微弱时问题尤为突出.为了抑制虚警,提出一种基于局部对比度特征的小目标检测算法.首先,利用一种新型Top Hat变换检测出图像中的潜在目标区域;然后分析潜在目标区域及其邻域特性,计算本文提出的局部对比度特征;最后基于此特征提取目标区域.对合成图像和实际红外图像的实验表明,本算法能有效地抑制背景景物造成的虚警,取得很高的检测率,并且对目标强度的变化以及目标所在背景的变化均具有一定的适应性.     

基于粗糙集理论的红外小目标检测

红外图像处理中的点目标检测技术是近年来信息处理研究的热点和难点之一,而粗集是一种用于处理含糊和不确定性问题的新的数学工具。本文提出了基于粗集理论的红外小目标检测算法,该检测算法可按红外图像模型的频域属性、灰度值属性和相关性属性,把目标从背景中分离出来。实践结果表明,该算法能够对小目标进行可靠的检测。     

红外序列图像中运动小目标的检测

文中介绍了红外图像背景以及运动小目标的特性,将检测算法分为两大类,概述了红外图像中运动小目标检测的一般方法和流程,并具体介绍了几种典型的检测算法,分析了它们各自的特点。     

一种用于红外小目标检测的改进Canny算法

针对红外小目标检测问题,分析了Canny算法存在的不足,将子波理论引入到Canny算法中,提出了基于子波去噪的改进Canny算法,最后用实例证明该算法具有良好的红外小目标检测性能。     

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。     

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。     

基于偏微分方程的红外弱小目标检测技术研究

针对复杂背景下红外弱小目标信杂比低,容易淹没在背景中,无法分离的特点,利用图像的二阶微分信息,依据偏微分扩散方程预测背景。首先利用高斯模板平滑图像,弱化强边缘对目标检测的影响,随后通过偏微分方程预测背景,得出残差图,根据统计直方图的像素数确定分割阈值,分离目标,最后多帧确认剔除虚警点,输出目标运动轨迹。结果显示该方法成功地将背景的二维熵抑制到原始背景的1/4,目标的检测概率保持在94.6%。     

Infrared dim and small target detection based on U-Transformer

Infrared dim and small target detection is a key technology for space-based infrared search and tracking systems. Traditional detection methods have a high false alarm rate and fail to handle complex background and high-noise scenarios. Also, the methods cannot effectively detect targets on a small scale. In this paper, a U-Transformer method is proposed, and a transformer is introduced into the infrared dim and small target detection. First, a U-shaped network is constructed. In the encoder part, the self-attention mechanism is used for infrared dim and small target feature extraction, which helps to solve the problems of losing dim and small target features of deep networks. Meanwhile, by using the encoding and decoding structure, infrared dim and small target features are filtered from the complex background while the shallow features and semantic information of the target are retained. Experiments show that anchor-free and transformer have great potential for infrared dim and small target detection. On the datasets with a complex background, our method outperforms the state-of-the-art detectors and meets the real-time requirement. The code is publicly available at https://github.com/Linaom1214/U-Transformer.     

基于视觉对比机制的红外弱小目标检测方法

为解决复杂背景下红外弱小目标检测精度低的问题,本文提出一种基于视觉对比机制的红外弱小目标检测方法,算法主要模拟了人眼对目标对比度敏感这一机制。首先利用8向梯度方程提取红外图像的梯度显著图并二值化处理;根据小目标的尺寸大小特征对梯度显著图进行优化处理,剔除孤立的噪声点和尺寸较大的背景梯度显著区域;利用视觉对比机制对优化后的显著图进行局部对比度计算,通过阈值处理剔除虚警目标,完成红外弱小目标检测。仿真实验表明,该算法在低信噪比情况下对红外弱小目标的检测率较高,且虚警率低,单帧检测时间较小。     

基于区域特征分割的红外弱小目标提取算法

针对现有的红外图像中目标分辨率低且边缘弱等问题,提出了一种基于区域特征分割的红外弱小目标提取算法;该算法根据灰度形态学理论,利用红外背景与目标轮廓信息来提取图像的目标信号;其中算法先根据红外图像的灰度与形状的相似度进行归属度处理,来分类出图像中的目标区与背景区;接着,根据边缘检测算法,该算法对目标区的目标的进行轮廓提取;实验结果表明,该算法能够有效的进行目标提取针对红外图像的不同性质;具有精度高,抗干扰能力强的分割优势。     

基于多向梯度法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信噪比(SNR)低、对 比度小造成的红外目标检测率低和实时性差的问题,提出一种基于多向梯度法的红外弱小目 标快速提取算法。目标提取前, 利用多尺度拉普拉斯-高斯(LoG)算子抑制图像背景,凸显背景边缘轮廓与弱小目标;然后 引 入多向梯度目标搜索算法,选取最佳梯度数,利用最简算法快速搜索目标。实验结果表明, 本文算法处理后的红外图像有较高的SNR与对比度,检测率 为传统红外目标提取算法的1.5倍,充分保证了检测精度,且计算耗 时短,实时性强。     

基于高阶统计判据的红外弱小运动目标检测

针对红外预警与跟踪系统中的实时弱小运动目标检测问题,在分析红外灰度图像的非平稳高斯特性的基础上,提出了一种基于高阶统计判据的检测算法。先用一个空域的白化去均值滤波器进行空间背景抑制,为下一步时域高阶统计判据建立一个不相关的高斯背景,根据三阶以上的高阶累积量对于高斯随机过程“盲”的原理,用高阶累积量作二元统计判据检测红外图像背景中的运动弱小目标。算法全面考虑了红外灰度图像和目标在时域与空域方面的特性,大大增强了目标信噪比。通过实际获取的大地背景目标红外数据检测表明,此算法能有效地从复杂背景中检测低信噪比运动小目标,虚警率少,抗噪声干扰能力强。算法易于硬件实现,能够有效地应用于红外搜索与跟踪系统的实时目标检测中。     

改进特征空间的红外弱小目标背景建模法

为有效去除动态背景对弱小目标信号的干扰,提出改进特征空间的红外弱小目标背景建模法来抑制背景。先采用改进的各向异性滤波算法从空域角度进行滤波以约束图像各个组分的差异,紧接着取连续时间域上多帧滤波后的图像组成一个特征矩阵,借助于主成分分析法进行特征分解,最后将输入图像投影到特征空间上进行背景建模,同时为了适应动态变化的背景,在时域上以一定学习率来更新背景模型。实验结果表明,提出的算法比传统的算法取得更好的背景估计效果,结构相似性SSIM、对比度增益I和背景抑制因子BIF分别大于0.97、15.46和5.25。     

基于显著性与尺度空间的红外弱小目标检测

针对复杂的天空背景,提出了一种基于显著性与尺度空间的红外弱小目标检测算法.首先通过频域残差法对原始图像进行初步处理,缩小红外弱小目标的待识别目标区域;接着利用DoG算子得到预处理后图像的尺度空间并实行特征点检测,获得最佳尺度图像,再对特征图像进行加权融合;最后通过信息熵分割来实现红外弱小目标的检测.仿真结果表明,本文方法跟文献中所提的优秀算法相比,能有效地检测出红外弱小目标,提升了目标图像的信杂比.同时,能很好地适应不同复杂场景,为红外弱小目标的跟踪应用奠定了基础.