目录
摘要 (i)
ABSTRACT (ii)
第一章绪论 (1)
1.1本课题研究背景与研究意义 (1)
1.1.1IRST低慢小目标检测技术的研究意义 (1)
1.2.2本文要解决的技术难点与算法要求 (2)
1.2相关技术的研究和应用现状 (3)
1.2.1可用于本文应用背景的目标检测算法概述 (3)
1.2.2适合IRST工作实际的低慢小目标检测方法 (4)
1.3本文完成的工作 (6)
第二章天空背景识别和提取算法 (10)
2.1引言 (10)
2.2IRST红外图像中可用来描述场景的特征 (13)
2.2.1局部点特征 (13)
2.2.2Gabor小波与Gist特征 (14)
2.2.3HOG特征与PHOG特征 (16)
2.3IRST红外图像场景分类器 (18)
2.3.1目前常用的分类器 (18)
2.3.2极限学习机（ELM）分类器 (20)
2.4IRST捕获图像中的天空背景提取 (21)
2.4.1全图像天空背景识别 (22)
2.4.2天空地面混合图像中天空背景提取 (25)
2.5本章小结 (29)
第三章基于多尺度目标模型的单帧弱小目标检测算法 (30)
3.1引言 (30)
3.2IRST捕获图像中低慢小目标检测 (31)
3.2.1红外图像中弱小目标特点 (31)
3.2.2弱小目标单帧检测的算法 (32)
3.3基于多尺度目标模型的目标检测算法 (36)
3.4基于多尺度目标模型的目标检测仿真与分析 (39)
3.4.1低门限条件下目标检测效果 (39)
3.4.2存在干扰面目标时的弱小目标检测效果 (42)
3.4.3存在残留地面背景时的弱小目标检测效果 (43)
3.5本章小结 (44)
第四章基于PPU滤波器的多目标TBD检测算法 (46)
4.1引言 (46)
4.2潜在目标点分析 (47)
4.3PHD多目标跟踪理论 (51)
4.3.1贝叶斯滤波 (51)
4.3.2PHD滤波理论 (54)
4.4基于PPU的真实目标提取算法 (56)
4.4.1疑似目标描述分析 (56)
4.4.2PPU滤波器提取真实目标 (57)
4.4.3LPPU滤波器提取真实目标 (61)
4.4.4PPU与LPPU滤波器真实目标提取效果 (63)
4.5本章小结 (74)
第五章结束语 (75)
5.1工作总结 (75)
5.2工作展望 (76)
致谢 (77)
参考文献 (78)
作者在学期间取得的学术成果 (83)
附录A广义有限集的统计特性 (84)
表目录
表2.1传统分割方法存在的问题 (12)
表2.2基于Gist特征分类的混淆矩阵 (24)
表2.3基于HOG_4特征分类的混淆矩阵 (24)
表2.4基于HOG_8特征分类的混淆矩阵 (24)
表2.5基于Gist特征分类的样本数量对分类效果的影响 (25)
表2.6基于HOG_4特征分类的样本数量对分类效果的影响 (25)
表2.7基于HOG_8特征分类的样本数量对分类效果的影响 (25)
表3.1门限最低时检测出来的目标数目 (42)
图目录
图1.1本课题要解决的问题与相适应的算法要求 (3)
图1.2机载IRST与捕获的红外图像 (5)
图1.3舰载和陆基IRST捕获的红外图像 (5)
图1.4根据主要问题和算法要求制定的解决方案 (6)
图1.5本文算法的整体框架和思路 (9)
图2.1IRST捕获图像的三种情形 (10)
图2.2实测的三种不同情况的IRST捕获图像 (11)
图2.3IRST捕获红外图片中天空背景提取算法流程图 (11)
图2.44个尺度8个方向的Gabor小波 (15)
图2.5Gist特征提取过程 (16)
图2.6HOG特征中Block与cell取法示意图 (17)
图2.7HOG特征的梯度方向 (17)
图2.8ELM学习网络 (20)
图2.9三类场景的描述方法 (22)
图2.10HOG_4与HOG_8场景描述特征 (23)
图2.11天空背景识别学习样本 (24)
图2.12Gabor小波滤波强度逐渐叠加 (26)
图2.13八方向Gabor小波滤波强度叠加与原图像对比 (27)
图2.14待分割图像 (27)
图2.15天空区域分割结果 (28)
图3.1低信噪比下弱小目标检测方案 (30)
图3.2IRST捕获的红外低慢小目标模型 (32)
图3.3中值滤波模板 (33)
图3.4均值滤波邻域选取策略示意图 (33)
图3.5小波滤波法检测弱小目标 (35)
图3.633
红外弱小目标在图像当中的表现形式 (36)
图3.7基于红外目标模型的二值化运算 (37)
图3.8多尺度红外弱小目标在图像当中的表现形式 (38)
图3.9适应多尺度目标模型的检测模板 (38)
图3.10目标强度非常弱的实际捕获的红外图像 (40)
图3.11中值滤波目标检测算法的滤波效果 (40)
图3.12本文算法对弱小目标检测效果 (41)
图3.13门限最低时引入的潜在目标点 (42)
图3.14存在干扰面目标的红外图像 (42)
图3.15干扰面目标对目标检测算法的影响 (43)
图3.16存在残留地面部分的红外图像 (43)
图3.17残留地面部分对弱小目标检测的影响 (44)
图4.1IRST捕获的红外图像序列 (46)
图4.2多帧关联时真实目标与虚警点分布特点 (47)
图4.3本章要解决的问题与解决途径 (48)
图4.4PHD的物理含义 (55)
图4.5PPU滤波器运算流程 (58)
图4.6LPPU滤波器运算流程图 (61)
图4.7单步PPU滤波器滤波效果随着杂波强度变化情况 (63)
图4.8单步PPU滤波器滤波目标分布随着杂波强度变化情况 (64)
图4.9r为40时不同步长PPU滤波器的滤波效果 (64)
图4.10r为40时不同步长PPU滤波器滤出的目标分布 (64)
图4.11PPU三步滤波器在较高杂波强度条件下目标检测情况 (65)
图4.12PPU三步滤波器在较高杂波强度条件下检测出来的目标分布情况 (66)
图4.13PPU三步滤波器在较高杂波强度条件下检测出来的目标数量 (66)
图4.14LPPU三步滤波器在较高杂波强度条件下检测出来的目标分布情况 (67)
图4.15LPPU三步滤波器在较高杂波强度条件下检测出来的目标分布情况 (68)
图4.16LPPU三步滤波器在较高杂波强度条件下检测出来的目标分布情况 (68)
图4.17PPU与LPPU三步滤波器在r=10目标检测效果 (69)
图4.18PPU与LPPU三步滤波器在r=10目标检测效果 (69)
图4.19PPU与LPPU三步滤波器检测目标数量 (70)
图4.20PPU与LPPU三步滤波器检测Wasserstein距离 (70)
图4.21序列一图像 (71)
图4.22序列一图像单帧疑似目标检测结果 (71)
图4.23序列一图像目标提取效果 (72)
图4.24序列一图像检测出的目标数量 (72)
图4.25序列二图像 (73)
图4.26序列二图像单帧疑似目标检测结果 (73)
图4.27序列二图像目标提取效果 (73)
图4.28序列二图像检测出的目标数量 (74)