基于可见光图像的地面飞机目标识别

第４６卷第１期应㊀㊀㊀用㊀㊀㊀科㊀㊀㊀技Ｖｏｌ．４６ɴ．１２０１９年１月ＡｐｐｌｉｅｄＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＪａｎ．２０１９ＤＯＩ：１０．１１９９１／ｙｙｋｊ．２０１８１１０１５网络出版地址：ｈｔｔｐ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２３．１１９１．Ｕ．２０１８１２２４．１８３８．００２．ｈｔｍｌ基于视觉显著性的空中目标检测算法刘鲁涛，王晓，李欣雨哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨１５０００１摘㊀要：可见光低慢小飞行目标检测技术在军用民用领域有着特殊的意义，当视频背景中包含动态干扰㊁复杂云像等复杂情况时，检测诸如民用无人机等低慢小飞行目标十分困难，为此本文提出了一种基于视觉显著性的飞行目标智能检测算法，该算法首先通过帧间差分法提取运动信息，再利用改进ＳＲ算法对运动目标周边进行检测，检测时，首先通过局部复杂度分类模块对运动信息进行分类，排除地面的动态干扰信息，再提取目标邻域ＬＡＢ空间中Ｂ通道图像，再对该图像进行云㊁天边缘部分提取，随后将其与ＳＲ算法的输出进行归一化做差获取最终检测结果㊂实验结果表明该算法在地空背景㊁复杂云像背景㊁过曝光背景中可以良好工作，并能达到实时处理需求㊂关键词：空中目标；运动目标检测；局部复杂度分类；显著性检测；无人机；动态干扰；复杂背景；边缘提取中图分类号：ＴＰ３９１．４１㊀㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀㊀文章编号：１００９－６７１Ｘ（２０１９）０１－００８８－０６ＡｎａｅｒｉａｌｔａｒｇｅｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｖｉｓｕａｌｓｉｇｎｉｆｉｃａｎｃｅＬＩＵＬｕｔａｏ，ＷＡＮＧＸｉａｏ，ＬＩＸｉｎｙｕＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５０００１，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ｔｈｅｄｅｔｅｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆｓｍａｌｌｆｌｙｉｎｇｏｂｊｅｃｔｗｉｔｈｌｏｗｓｐｅｅｄａｎｄｌｏｗａｌｔｉｔｕｄｅｈａｓｓｐｅｃｉａｌｍｅａｎｉｎｇｉｎｔｈｅｍｉｌｉｔａｒｙａｎｄｃｉｖｉｌｆｉｅｌｄｓ．Ｗｈｅｎｔｈｅｂａｃｋｇｒｏｕｎｄｏｆｔｈｅｖｉｄｅｏｉｎｃｌｕｄｅｓｃｏｍｐｌｉｃａｔｅｄｓｉｔｕａｔｉｏｎｓｌｉｋｅｄｙｎａｍｉｃｉｎｔｅｒｆｅｒｅｎｃｅｏｎｔｈｅｇｒｏｕｎｄ，ｃｏｍｐｌｅｘｃｌｏｕｄｉｍａｇｅａｎｄｏｖｅｒｅｘｐｏｓｕｒｅａｒｅａ，ｔｈｅｄｅｔｅｃｔｉｏｎｏｆｓｍａｌｌｆｌｙｉｎｇｏｂｊｅｃｔｗｉｔｈｌｏｗｓｐｅｅｄａｎｄｌｏｗａｌｔｉｔｕｄｅｓｕｃｈａｓｃｉｖｉｌｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｗｉｌｌｂｅｃｏｍｅｖｅｒｙｄｉｆｆｉｃｕｌｔ．Ｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏ⁃ｓｅｓａｎｉｎｔｅｌｌｉｇｅｎｔｆｌｙｉｎｇｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｖｉｓｕａｌｓａｌｉｅｎｃｙ．Ｆｉｒｓｔｌｙ，ｔｈｅａｌｇｏｒｉｔｈｍｅｘｔｒａｃｔｅｄｍｏｔｉｏｎｉｎ⁃ｆｏｒｍａｔｉｏｎｂｙｉｎｔｅｒ⁃ｆｒａｍｅｄｉｆｆｅｒｅｎｃｅｍｅｔｈｏｄ，ａｎｄｔｈｅｎｕｓｅｄｔｈｅｉｍｐｒｏｖｅｄｓｐｅｃｔｒａｌｒｅｓｉｄｕａｌ（ＳＲ）ａｌｇｏｒｉｔｈｍｔｏｄｅｔｅｃｔｔｈｅｍａｒｇｉｎｏｆｔｈｅｍｏｖｉｎｇｔａｒｇｅｔ．Ｗｈｅｎｄｅｔｅｃｔｉｎｇ，ｆｉｒｓｔｌｙ，ｔｈｅｍｏｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｗａｓｃｌａｓｓｉｆｉｅｄｂｙｔｈｅｌｏｃａｌｃｏｍｐｌｅｘｉｔｙｃｌａｓｓｉｆｉｃａｔｉｏｎｍｏｄｕｌｅｔｏｅｌｉｍｉｎａｔｅｔｈｅｄｙｎａｍｉｃｉｎｔｅｒｆｅｒｅｎｃｅｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｇｒｏｕｎｄ，ａｎｄｔｈｅｎｔｈｅｉｍａｇｅｉｎＢｃｈａｎ⁃ｎｅｌｉｎｔｈｅｎｅｉｇｈｂｏｒｈｏｏｄＬａｂｃｏｌｏｒｓｐａｃｅ（ＬＡＢ）ｓｐａｃｅｗａｓｅｘｔｒａｃｔｅｄ，ａｎｄｆｕｒｔｈｅｒ，ｔｈｅｉｍａｇｅｗａｓｅｘｔｒａｃｔｅｄｆｒｏｍｔｈｅｃｌｏｕｄａｎｄｔｈｅｓｋｙｅｄｇｅｐｏｒｔｉｏｎ，ａｎｄｎｅｘｔ，ｔｈｅｉｍａｇｅｗａｓｎｏｒｍａｌｉｚｅｄｗｉｔｈｔｈｅｏｕｔｐｕｔｏｆｔｈｅＳＲａｌｇｏｒｉｔｈｍｔｏｏｂｔａｉｎｔｈｅｆｉｎａｌｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｃａｎｗｏｒｋｗｅｌｌｉｎｔｈｅｇｒｏｕｎｄ⁃ｓｐａｃｅｂａｃｋｇｒｏｕｎｄ，ｃｏｍｐｌｅｘｃｌｏｕｄｉｍａｇｅｂａｃｋｇｒｏｕｎｄ，ｏｖｅｒ⁃ｅｘｐｏｓｕｒｅｂａｃｋｇｒｏｕｎｄ，ａｃｈｉｅｖｉｎｇｒｅａｌ⁃ｔｉｍｅｐｒｏｃｅｓｓｉｎｇｒｅｑｕｉｒｅｍｅｎｔｓ．Ｋｅｙｗｏｒｄｓ：ａｅｒｉａｌｔａｒｇｅｔ；ｍｏｖｉｎｇｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ；ｌｏｃａｌｃｏｍｐｌｅｘｉｔｙｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｓａｌｉｅｎｃｙｄｅｔｅｃｔｉｏｎ；ＵＡＶ；ｄｙ⁃ｎａｍｉｃｉｎｔｅｒｆｅｒｅｎｃｅ；ｃｏｍｐｌｅｘｂａｃｋｇｒｏｕｎｄ；ｅｄｇｅｅｘｔｒａｃｔｉｏｎ收稿日期：２０１８－１１－１９．㊀㊀网络出版日期：２０１８－１２－２４．基金项目：国家自然科学基金项目（６１２０１２３８）．作者简介：刘鲁涛，男，副教授，博士．通信作者：王晓，Ｅ⁃ｍａｉｌ：４３８９４８４６０＠ｑｑ．ｃｏｍ．㊀㊀伴随着小型无人机技术的快速发展，无人机在军用㊁民用方面都展现了巨大价值，随之而来的针对小型无人机的监管拒止技术也具有十分重大的实际意义㊂通过光学手段对无人机进行检测跟踪识别是反无人机技术的重要一环，而其中对无人机等低空慢速小型目标的检测技术十分重要，并影响着整体系统的性能㊂在运动目标检测领域，经典的检测方法包括帧间差法㊁背景建模和光流法，这些方法在光照变化㊁镜头抖动㊁动态干扰下表现不佳㊂近年来一些基于视觉显著性的方法和一些基于深度学习的方法被提出用以解决此类问题，Ｈｏｕ等［１］于２００７年提出了显著性ＳＲ算法，在频域上得到图像的显著性并以此检测目标，此类方法在天空背景下效果较好，但在天地混合背景中不能有效检测㊂基于深度学习的方法往往用于目标分类㊂在飞行目标检测方向上，王茂森等［２］提出的基于帧差法改进的无人机运动检测研究，利用水平分级的方法很好地提取了目标轮廓信息㊂张荣刚等［３］提出了改进的Ｖｉｂｅ算法，提高Ｖｉｂｅ算法的鬼影消除速度，并消除了阴影问题，但在面临光照变化㊁动态干扰等问题时效果不佳㊂王晓华等［４］通过视觉显著性对无人机目标进行检测，结合ＡｄａＢｏｏｓｔ进行学习训练，可以针对较明显无人机目标进行检测，但对于无人机目标极小的情况难以达到良好的效果㊂通过研究发现传统算法中帧间差分法可以检测极小的目标，这个特点可以很大程度上提高检测性能，但在实际场景下往往会出现多种动态干扰，如行人㊁车辆㊁建筑物边缘㊁噪声点㊁飘动的云等，这些干扰为检测带来了很大困难㊂另外帧间差分难以获取目标的具体轮廓位置，仅能提供目标大致方位，这就为之后的跟踪带来了一定的影响［５］㊂针对上述问题，在帧间差分的基础上，本文提出了一种分类排除的思想，将可能存在的干扰信息分为地面干扰与空中干扰２种情况，地面干扰主要指地面背景下一些行人㊁车辆等动态干扰；空中干扰主要是飘动的云［６］㊂改进ＳＲ算法中排除地面动态干扰是通过局部复杂度分类的方法，其工作原理在于地面干扰所处的地面背景相比于天空背景更加复杂［７］，其背景复杂度较高，通过阈值对背景复杂度进行分类可以排除地面动态干扰㊂经过此步之后，剩下的就是空中干扰与目标㊂为此本文将原图像分解成ＬＡＢ三通道图像，并取其Ｂ通道数据通过自行设计的滤波器进行滤波获取云与天的边缘位置图，再将其与原ＳＲ算法输出进行归一化做差，得到的图像数据中有效地排除了大量云与天的边缘干扰㊂从而利用改进后的视觉显著性检测器可以排除云等动态干扰，仅保留目标数据㊂实验表明本文改进视觉显著性ＳＲ算法中的局部复杂度分类模块可以有效地去除地面干扰信息，在存在动态干扰的地空背景㊁天空背景中表现出良好的检测效果，相比于常规算法具有更好的检测性能，在对比了其他几种视觉显著性算法后证明本文使用的改进视觉显著性ＳＲ算法具有更好的检测效果，总体上来说，本文算法相对于对比算法具有更好的检测效果，在处理速度上也可以达到实时的要求，有较强的应用价值和实际意义㊂１㊀关键算法原理１．１㊀帧间差分法㊀㊀如果将图像序列中某一帧图像可以分为背景和前景，前景是我们应该检测出的目标和一些可能的干扰因素，背景则是相对于前景来说慢变的一部分，帧差法利用这样的特点区分前景和背景㊂帧间差法可由式（１） （２）表示，本算法中帧差法阈值为Ｔｈ㊂Ｄｆ（ｘ，ｙ，ｔ）＝Ｉｆ（ｘ，ｙ，ｔ）－Ｉｆ（ｘ，ｙ，ｔ－１）（１）ＭＤｆ（ｘ，ｙ，ｔ）＝２５５，Ｄｆ（ｘ，ｙ，ｔ）ȡＴｈ０，Ｄｆ（ｘ，ｙ，ｔ）＜Ｔｈ{（２）１．２㊀视觉显著性ＳＲ算法㊀㊀ＳＲ算法是一种利用对数光谱残差求取取图像显著性区域的方法［８］㊂该算法具有运行速度快效果好的特点㊂作者提出大量图像的ｌｏｇ振幅谱都差不多趋近一条直线，一幅图像的ｌｏｇ振幅谱减去平均ｌｏｇ振幅谱就是图像中具有显著性部分㊂该方法的公式如（３） （７）：Ａ（ｆ）＝Ｒ（Ｆ（Ｉ［ｘ］））（３）Ｐ（ｆ）＝Ｓ（Ｆ（Ｉ［ｘ］））（４）Ｌ（ｆ）＝ｌｏｇ（Ａ（ｆ））（５）Ｒ（ｆ）＝Ｌ（ｆ）－ｈｎ（ｆ）∗Ｌ（ｆ）（６）Ｓ（ｘ）＝ｇ（ｘ）∗Ｆ－１［ｅｘｐ（Ｒ（ｆ）＋Ｐ（ｆ））］２（７）式中：Ｉ（ｘ）为输入图像，对其傅里叶变换，并且求出振幅谱为Ａ（ｆ），Ｐ（ｆ）是其相位谱，Ｌｆ()是ｌｏｇ振幅谱㊂ｈｎ（ｆ）是一个ｎˑｎ均值滤波的卷积核，用原图像的ｌｏｇ振幅谱图像减去经平滑后的ｌｏｇ振幅谱图像可以得到频谱残差图，利用Ｒｆ()＋Ｐｆ()求出自然指数ｅｘｐ，最后求取傅里叶逆变换回到时域得到的就是显著性区域㊂经实验证明：ＳＲ算法在一些纯天空背景下或云背景下表现出了良好的适应性，但在存在明显云天边缘的图片中处理效果较差，图１是ＳＲ算法效果图㊂图１㊀ＳＲ算法检测效果２㊀本文设计的检测算法㊀㊀本文检测算法的目的是在多种复杂背景图像中检测低慢小目标，本文算法首先获取当前帧中的运动信息，再将运动信息输入改进ＳＲ算法模块进行处理，去除动态干扰信息，获得最终检测结果㊂检测算法流程如图２所示㊂图２㊀检测算法流程㊃９８㊃第１期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀刘鲁涛，等：基于视觉显著性的空中目标检测算法㊀㊀㊀㊀㊀㊀㊀２．１㊀运动信息获取通过帧间差分离背景与前景，提取前景信息供给后续算法分析，这其中包括了真正的目标㊁来自地面的干扰信息㊁来自空中的干扰信息，这些前景信息会通过后续算法进行分类㊂２．２㊀视觉显著性ＳＲ算法改进由于原ＳＲ算法受到显著性算法的局限性，其检测无人机时仅能针对天空背景目标进行检测，针对复杂的地空混合背景该算法难以工作㊂另外云天边缘部分往往会被检测出来造成一定的干扰，本文算法的改进流程如图３所示㊂图３㊀改进ＳＲ算法流程㊀㊀局部复杂度分类模块的目的是剔除运动信息中来自地面的动态干扰㊂经研究发现来自地面的动态干扰所处的背景都相对来说较为复杂，如树叶和枝干相连其背景中必然包含着复杂成分㊂基于这样的思想，可以将区别目标与干扰物的问题转化为局部复杂度计算的问题㊂由于Ｃａｎｎｙ算子具有保留强边缘忽略弱边缘的特性［９］，故其在天地混合背景的图像中往往保留大量地面建筑的强边缘而忽略空中的弱边缘，从而更有利于达到分类的目的㊂故先对输入图像进行Ｃａｎｎｙ算子边缘提取，获取边缘图像㊂再依次在边缘图像中提取各个运动信息的周边区域作为敏感区域，敏感区域的小为１２０ｐｉｘˑ１２０ｐｉｘ㊂在敏感区域中统计其中灰度值为２５５的像素点的数量，本算法通过阈值３００对其进行分类，数量小于阈值的被判断为空中目标，反之为干扰㊂图４为边缘图像提取样例与对应原始区域图，第１行为原始图像中运动信息周边区域，第２行为边缘信息提取样例㊂图中可以明显看出地面干扰对应的边缘图像较为复杂，空中目标的边缘图像较为简单㊂图４㊀边缘图像提取样例与对应原始区域㊀㊀经过筛选之后，剩余运动目标中除了实际的检测目标外还存在一些飘动的云产生的动态干扰，从图１中可以看到原ＳＲ算法在周围背景具有不明显边缘的情况下，可以达到比较好的效果，但面对一些较为复杂的混合背景情况下，算法出现了一些干扰信息㊂原ＳＲ算法适用于多种自然场景下［１０］，但本文中经过之前模块的处理已经将复杂的天地混合的场景简化到天空场景的范围内，天空背景往往是由天空和云两种元素构成，在这种情况下背景具有很强的相关性，通过对这类图片的测试发现通过原ＳＲ算法处理的结果中存在的干扰部分是天空与云的明显的边缘，若对该类边缘进行抑制则能使得到的结果更好㊂此部分的步骤如下：１）首先要将原图像从ＲＧＢ空间转换为ＬＡＢ空间，并提取ＬＡＢ图像中Ｂ通道的图像㊂在ＲＧＢ空间中一些亮度信息被掺杂在ＲＧＢ三个颜色通道中难以区分，而ＬＡＢ空间中，Ａ㊁Ｂ通道中完全不含亮度信息［１１］，这就为我们确定背景中的蓝天位置与云位置提供了方便，一般情况下背景中蓝天中包含较高的蓝色信息，从而在Ｂ通道中获得一个较高的值，相反若排除亮度因素影响，乌云与白云中几乎不含蓝色信息，其在Ｂ通道图像中表现出较低的值㊂２）对获取的Ｂ通道图像进行７ˑ７的卷积运算以提取其边缘信息位置，这些位置就是天与云的交接位置，式（８）描述了卷积核的构成，Ｈ（ｘ，ｙ）描述了卷积核的构成，其取值为卷积中心所对应Ｂ通道图像Ｉ（ｘ，ｙ）周边７ˑ７邻域中的值最大的一项为１，最小的一项为－１，其余为零㊂然后以该核与原图像卷积获取最后图像，最终结果图像Ｄ（ｘ，ｙ）中某一像素的值是Ｉ（ｘ，ｙ）图像周边邻域中最大值与最小值的差，该差值越大代表此像素越可能属于天与云的边缘区域㊂㊃０９㊃应㊀㊀㊀用㊀㊀㊀科㊀㊀㊀技㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４６卷Ｈ７∗７（ｘ，ｙ）＝１，Ｉ（ｘｎ，ｙｍ）＝ｍａｘＩ（ｘｎ，ｙｍ）()ｎ，ｍɪ［０，７］－１，Ｉ（ｘｎ，ｙｍ）＝ｍｉｎＩ（ｘｎ，ｙｍ）()ｎ，ｍɪ［０，７］０，其他ìîíïïïï（８）Ｄ（ｘ，ｙ）＝Ｉ（ｘ，ｙ） Ｈ７∗７（ｘ，ｙ）（９）㊀㊀３）将原始视频图像输入ＳＲ算法，获取检测结果图像，并将结果图像Ｓ（ｘ，ｙ）与Ｄ（ｘ，ｙ）进行归一化做差，归一化方法如式（１０）所示：并以此求得的显著性图像作为改进ＳＲ算法输出Ｑ（ｘ，ｙ），Ｑ（ｘ，ｙ）代表了去除云天边缘干扰后的显著图像㊂Ｑ（ｘ，ｙ）＝Ｓ（ｘ，ｙ）－Ｄ（ｘ，ｙ）∗ｍａｘ（Ｓ（ｘ，ｙ））ｍａｘ（Ｄ（ｘ，ｙ）），ｘ＝［０，ｒｏｗ］ｙ＝［０，ｃｏｌ］（１０）㊀㊀图５第１行为原始图像，第２行为将Ｂ通道值提取出来产生的灰度图，第３行是经过式（９） （１０）处理的云天干扰图Ｄ（ｘ，ｙ），第４行是改进ＳＲ算法的输出㊂图５㊀改进ＳＲ算法中间结果与最终输出３㊀实验结果与分析３．１㊀局部复杂度分类模块实验结果图６中图片是背景分析过程中的一些图片，其中图６（ａ）是建筑物的边缘；图６（ｂ）是电塔局部；图６（ｃ）是树枝图像；图６（ｄ）是地面场景的运动行人；图６（ｅ） （ｈ）是无人机不同场景下成像㊂图６㊀局部复杂度分类输入样本㊀㊀表１为图６中各图片局部复杂度计算结果，根据表１可以看出，本文提出的局部复杂度分类方法在多数情况下可以有效地区分天空与地面目标，仅在天空中云干扰较大的情况下出现了误判的情况，该算法可以实现分离天空与地面的目标的功能㊂表１㊀图６中各图片局部复杂度计算结果图６（ａ）６（ｂ）６（ｃ）６（ｄ）６（ｅ）６（ｆ）６（ｇ）６（ｈ）复杂度值１３３３９００６７５１１０２７１２６１３５１１６分类结果干扰干扰干扰干扰目标目标目标目标３．２㊀改进ＳＲ算法实验结果本文选取了６种视觉显著性算法与本文算法作对比，分别是ＳＲ［１］㊁ＡＣ［１２］㊁ＬＣ［１３］㊁ＦＴ［１４］㊁ＳＩＭ［１５］㊁ＣＡ［１６］，比较时考虑多种背景情况进行分析比较，具体内容如图７ １４所示㊂图７㊀天空背景下存在目标时各算法显著图图８㊀乌云白云背景下各算法显著图图９㊀彩色天空背景下各算法显著图㊃１９㊃第１期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀刘鲁涛，等：基于视觉显著性的空中目标检测算法㊀㊀㊀㊀㊀㊀㊀图１０㊀浅色天空背景下各算法显著图㊀㊀从图７㊁９中可以比较看出，当背景为纯天空背景时，大部分算法都能对目标进行有效的检测，本文算法可以不受天空中云的影响，其余算法都存在一定的干扰㊂图８㊁１０所示含云背景下，ＬＣ算法㊁ＣＡ算法不能很好工作，ＳＲ算法与本文方案都能处理这种环境㊂从图１１㊁１２中的效果来看，当背景信息的对比极其明显且存在很多明显的边缘信息时，仅有ＳＲ算法与本文算法能给出较好的效果，但ＳＲ算法结果中包含了大量的背景干扰信息，此类信息对检测性能会产生不利影响，而本文算法几乎不受此类干扰影响，虽然得到的目标强度不高，但很好地抑制了干扰㊂图１１㊀蓝天白云背景下各算法显著图图１２㊀乌云天空背景下各算法显著图㊀㊀从图１３㊁１４中可以看出，当复杂背景中无目标时ＳＲ算法依然得到了高亮的目标显著区域，而本文算法图像中抑制了大部分干扰，同样情况下含目标时本文算法可以抑制类似的相似干扰区域㊂定性的分析，本文算法的检测效果要好于其他对比算法㊂图１３㊀复杂背景下无目标时各算法显著图图１４㊀复杂背景下存在目标时各算法显著图㊀㊀从算法用时上分析可见表２，测试输入为大小为２５６ｐｉｘˑ２５６ｐｉｘ的图片，各算法处理百次并取时间均值，并对各个算法的时间进行分析，测试机采用ｉ５－６３００ＣＰＵ，２．３ＧＨｚ主频的计算机，ＳＩＭ算法与ＣＡ算法采用ＭＡＴＬＡＢ实现㊂其余各个算法都采用ＶＳ２０１０＋ＯｐｅｎＣｖ２．４．９的方式进行实现㊂表２㊀时间效率分析㊀㊀㊀㊀ｓ／张ＬＣＦＴＳＩＭＣＡＡＣＳＲ本文０．０８０５０．０５８２０．０６４９４．５６１２４．７６９１０．０７２７０．１０３１㊀㊀从时间的角度来看，本文算法的速度相比于ＬＣ算法㊁ＦＴ算法㊁ＳＩＭ算法㊁ＳＲ算法存在一定劣势，但综合时间与效果考虑，本文算法在此方向上优于现有方法㊂３．３㊀总体检测性能分析为了验证本文的总体检测性能，本文针对不同环境下的视频进行测试，测试视频选取６０００ｆ进行测试㊂主要的测试指标包括误检率㊁漏检率㊁正确率㊁运行速度这４个方面㊂分别对视频中每一帧的目标情况计算，当有且仅有目标被检测出来则为正㊃２９㊃应㊀㊀㊀用㊀㊀㊀科㊀㊀㊀技㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４６卷确，若目标未被检测出来则为漏检，若还有其他干扰被检测出来则为误检㊂在比较时选取了目前比较常用的背景差算法Ｖｉｂｅ算法㊁与常规的帧间差分法，结果如表３所示㊂表３㊀天地混合背景目标检测情况表性能指标Ｖｉｂｅ帧差法本文算法正确率／％８３．７７８．４９２．６误检率／％１０．５１８．４３．３漏检率／％５．８３．２４．１运行速度／ｓ３７４．２２０６．８２８４．０㊀㊀表４为天空背景目标检测情况表，从表４中可以看出本文算法整体检测准确率最高，相比常规方法有明显优势，但本文算法增加了时间复杂度，在对漏检要求不高的系统中更好工作㊂表４㊀天空背景目标检测情况表性能指标Ｖｉｂｅ帧差法本文算法正确率／％９０．１８５．７９３．９误检率／％７．１１２．８４．０漏检率／％２．８１．５２．１运行速度／ｓ３７３．５２０５．２２６５．８４㊀结论㊀㊀１）经实验发现，本文中改进视觉显著性ＳＲ算法在针对空中目标进行检测时比传统检测算法准确率更高，并拥有实时计算的能力；２）本文改进ＳＲ算法中的局部复杂度分类模块可以有效地分类地面动态干扰与空中目标；３）本文改进ＳＲ算法进行检测时获得的显著性图，相比于其他显著性算法干扰因素更少，检测效果更加准确，更适合在天空背景下工作㊂参考文献：［１］ＨＯＵＸｉａｏｄｉ，ＺＨＡＮＧＬｉｑｉｎｇ．Ｓａｌｉｅｎｃｙｄｅｔｅｃｔｉｏｎ：ａｓｐｅｃｔｒａｌｒｅｓｉｄｕａｌａｐｐｒｏａｃｈ［Ｃ］／／２００７ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｍｉｎｎｅａｐｏｌｉｓ，ＵＳＡ，２００７：１－８．［２］王茂森，陈龙，戴劲松．基于帧差法改进的无人机运动检测研究［Ｊ］．机械制造与自动化，２０１６，４５（３）：１６５－１６８．［３］张荣刚，顾强．基于ＶｉＢｅ的动态目标检测算法优化［Ｊ］．机械与电子，２０１７，３５（４）：２１－２６．［４］王晓华，张聪，李聪，等．基于仿生视觉注意机制的无人机目标检测［Ｊ］．航空科学技术，２０１５，２６（１１）：７８－８２．［５］ＺＩＴＮＩＣＫＣＬ，ＰＡＲＩＫＨＤ．Ｔｈｅｒｏｌｅｏｆｉｍａｇｅｕｎｄｅｒｓｔａｎｄｉｎｇｉｎｃｏｎｔｏｕｒｄｅｔｅｃｔｉｏｎ［Ｃ］／／２０１２ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍ⁃ｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｐｒｏｖｉｄｅｎｃｅ，ＵＳＡ，２０１２：６２２－６２９．［６］林波．基于ＤＳＰ的多运动目标检测与跟踪技术研究［Ｄ］．南京：南京理工大学，２０１４．［７］ＫＥＨｏｎｇｃｈａｎｇ，ＳＵＮＨｏｎｇｂｉｎ，ＧＡＯＬｅｉ，ｅｔａｌ．Ａｖｉｄｅｏｉｍａｇｅｃｏｍｐｒｅｓｓｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｖｉｓｕａｌｌｙｓａｌｉｅｎｔｆｅａｔｕｒｅｓ［Ｊ］．Ｊｏｕｒｎａｌｏｆｄｉｇｉｔａｌｉｎｆｏｒｍａｔｉｏｎｍａｎａｇｅｍｅｎｔ，２０１４，１２（５）：３３３－３３９．［８］丁鹏，张叶，贾平，等．基于视觉显著性的海面舰船检测技术［Ｊ］．电子学报，２０１８，４６（１）：１２７－１３４．［９］蒋兆军，成孝刚，彭雅琴，等．基于深度学习的无人机识别算法研究［Ｊ］．电子技术应用，２０１７，４３（７）：８４－８７．［１０］ＣＨＡＮＧＣｈｅｎｇ，ＡＮＳＡＲＩＲ．Ｋｅｒｎｅｌｐａｒｔｉｃｌｅｆｉｌｔｅｒｆｏｒｖｉｓｕ⁃ａｌｔｒａｃｋｉｎｇ［Ｊ］．ＩＥＥＥｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇｌｅｔｔｅｒｓ，２００５，１２（３）：２４２－２４５．［１１］ＫＩＭＹＨ，ＫＩＭＡ，ＪＥＯＮＧＨＹ．ＲＧＢｃｏｌｏｒｍｏｄｅｌｂａｓｅｄｔｈｅｆｉｒｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｉｎｖｉｄｅｏｓｅｑｕｅｎｃｅｓｏｎｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌｊｏｕｒｎａｌｏｆｄｉｓｔｒｉｂｕｔｅｄｓｅｎ⁃ｓｏｒｎｅｔｗｏｒｋｓ，２０１４，１０（４）：９２３６０９［１２］ＡＣＨＡＮＴＡＲ，ＨＥＭＡＭＩＳ，ＥＳＴＲＡＤＡＦ，ｅｔａｌ．Ｆｒｅｑｕｅｎ⁃ｃｙ⁃ｔｕｎｅｄｓａｌｉｅｎｔｒｅｇｉｏｎｄｅｔｅｃｔｉｏｎ［Ｃ］／／２００９ＩＥＥＥＣｏｎｆｅｒ⁃ｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｍｉａｍｉ，ＵＳＡ，２００９：１５９７－１６０４．［１３］ＧＯＦＥＲＭＡＮＳ，ＺＥＬＮＩＫ⁃ＭＡＮＯＲＬ，ＴＡＬＡ．Ｃｏｎｔｅｘｔ⁃ａ⁃ｗａｒｅｓａｌｉｅｎｃｙｄｅｔｅｃｔｉｏｎ［Ｃ］／／２０１０ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＳａｎＦｒａｎｃｉｓｃｏ，ＵＳＡ，２０１０：２３７６－２３８３．［１４］ＡＣＨＡＮＴＡＲ，ＥＳＴＲＡＤＡＦ，ＷＩＬＳＰ，ｅｔａｌ．Ｓａｌｉｅｎｔｒｅ⁃ｇｉｏｎｄｅｔｅｃｔｉｏｎａｎｄｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒ⁃ｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎＳｙｓｔｅｍｓ．Ｓａｎｔｏｒｉｎｉ，Ｇｒｅｅｃｅ，２００８：６６－７５．［１５］ＺＨＡＩＹｕｎ，ＳＨＡＨＭ．Ｖｉｓｕａｌａｔｔｅｎｔｉｏｎｄｅｔｅｃｔｉｏｎｉｎｖｉｄｅｏｓｅｑｕｅｎｃｅｓｕｓｉｎｇｓｐａｔｉｏｔｅｍｐｏｒａｌｃｕｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１４ｔｈＡＣＭＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭｕｌｔｉｍｅｄｉａ．ＳａｎｔａＢａｒｂａｒａ，ＵＳＡ，２００６：８１５－８２４．［１６］ＭＵＲＲＡＹＮ，ＶＡＮＲＥＬＬＭ，ＯＴＡＺＵＸ，ｅｔａｌ．Ｓａｌｉｅｎｃｙｅｓｔｉｍａｔｉｏｎｕｓｉｎｇａｎｏｎ⁃ｐａｒａｍｅｔｒｉｃｌｏｗ⁃ｌｅｖｅｌｖｉｓｉｏｎｍｏｄｅｌ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１１ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍ⁃ｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＣｏｌｏｒａｄｏＳｐｒｉｎｇｓ，ＵＳＡ，２０１１：４３３－４４０．本文引用格式：刘鲁涛，王晓，李欣雨．基于视觉显著性的空中目标检测算法［Ｊ］．应用科技，２０１９，４６（１）：８８－９３．ＬＩＵＬｕＴａｏ，ＷＡＮＧＸｉａｏ，ＬＩＸｉｎＹｕ．Ａｎａｅｒｉａｌｔａｒｇｅｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｖｉｓｕａｌｓｉｇｎｉｆｉｃａｎｃｅ［Ｊ］．Ａｐｐｌｉｅｄｓｃｉｅｎｃｅａｎｄｔｅｃｈ⁃ｎｏｌｏｇｙ，２０１９，４６（１）：８８－９３．㊃３９㊃第１期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀刘鲁涛，等：基于视觉显著性的空中目标检测算法㊀㊀㊀㊀㊀㊀㊀。

国防科技NATIONAL DEFENSE TECHNOLOGY第42卷第2期2021年4月Vol. 42, No. 2Apr. 202]多模态图像智能目标识别对抗攻击拓世英1,孙浩2,林子涵為陈进°（1.国防科技大学电子科学学院，湖南长沙410073；2.国防科技大学电子信息系统复杂电磁环境效应国家重点实验室，湖南 长沙410073；3.国防科技大学前沿交叉学科学院，湖南长沙410074；4.北京市遥感信息研究所，北京100192）［摘 要］基于深度学习模型的新一代智能化多模态（可见光/红外/雷达）图像识别系统已逐步在航空航天 情报侦察、人机交互增强作战系统、无人作战平台自动图像目标识别以及多模复合图像末制导等多个军事场景中得到广泛应用。

然而，由于深度神经网络模型在理论上存在不完备性和对抗脆弱性、多模态图像目标识别深 度网络结构设计与优化在工程上存在迁移性等因素，使得现有识别系统在鲁棒准确性方面评估不足，给系统在未来战场复杂对抗场景中的广泛部署带来极大的安全隐患。

为此，本文通过研究多模态图像智能目标识别系统军事场景应用的风险模型，分析系统存在的潜在攻击面，开展基于深度神经网络的多模态图像识别对抗样本攻 击技术和对抗鲁棒准确性评估等关键技术研究，以期提升系统在复杂电磁环境条件下的鲁棒性和准确性。

［关键词］深度学习模型；智能图像识别；对抗攻击；鲁棒性评估［中图分类号］E919 ［文献标志码］A ［文章编号］1671-4547（2021 ） 02-0008-06DOI ： 10.13943/j.issn 1671-4547.2021.02.021引言以深度神经网络为代表的现代机器学习在各种复杂任务中不断取得新的突破，在许多应用 中已经达到或超越人类的认知水平［旧。

例如，美国密苏里大学研究人员开发的新一代深度学习 智能化图像识别算法仅仅利用42分钟，便在我国南方某地区的遥感卫星影像中以高置信度定 位90多个地对空导弹阵地，图像判读和情报生 成能力远远超过人类水平。

收稿日期：2019-09-30作者简介：王伟男（1988-），男，辽宁朝阳人，在读硕士研究生，主要研究方向：基于多源信息融合的目标识别技术研究；周亮（1981-），男，河南遂平人，工程师，硕士，主要研究方向：装备监造。

基于图像处理技术的军事目标识别方法综述王伟男1，周亮2（1.陆军装甲兵学院，北京100072；2.陆军武汉军代局驻长沙地区军代室，湖南长沙410014）摘要：对国内外当前比较流行的军事目标识别的成像途径、分类方法梳理总结并对几种成像途径的军事目标识别的优劣势进行分析比较，最后对基于图像处理技术的军事目标识别方法与其他识别手段相结合的发展趋势做一简述。

关键词：图像处理；军事目标识别；综述中图分类号：TP391.41文献标识码：AA Survey of Military Target Recognition MethodsBased on Image Processing TechnologyWANG Wei-nan 1,ZHOU Liang 2(1.Army Armored Academy,Beijing 100072,China;2.Changsha Military Representation Office of Wuhan Military Representation Bureau of The Chinese Land Force,Changsha 410014袁China)Abstract ：The imaging methods and recognition methods of the current popular military target recognition at home and abroad are summarized and analyzed,and the advantages and disadvantages of military target recognition of several imaging approaches are analyzed and compared.Finally,the military target recognition method based on image processing technology and other identification methods are analyzed.A brief introduction to the development trend.Key words:image processing;military target recognition;review对敌军事目标侦查识别是对敌作战打赢制胜的先行步骤和基础环节，通过对敌可疑目标进行图像处理分析从而判定真伪、类别和实力具有重要研究价值。

外、热红外光谱特征，大大提高了地物的分类和识别能力，在农业、林业、海洋、气象、地质、全球环境及军事遥感等诸多领域显示出巨大的应用前景。

目前，已有许多国家相继研制出或正在研制各具特色的成像光谱仪，数量达四十种之多［３－６１。

从第一代ＡＩＳ的３２个连续波段，到第二代高光谱成像仪。

航空可见光、红外光成像光谱仪（ＡＶＩＲＩＳ）的２２４个波段，光谱分辨率在不断提高，ＡＶＲＩＳ是首次测量全反射波长范围（Ｏ．４～２．５ｒｕｎ）的成像光谱仪。

美国宇航局在１９９９年底发射的中等分辨率成像光谱仪（ＭＯＤＩＳ）和高分辨率成像光谱仪（ＨＩＲｊＳ）为人类提供了更多信息。

２００１年发射的ＯｒｂＶｉｅｗ卫星能够同时提供更高空间分辨率和光谱分辨率的数据，它能获取】ｍ全色波段影像和４ｍ～５ｍ的多光谱波段以及空间分辨率为８ｍ的２００个波段的高光谱数据。

此外，许多具有高空间分辨率和高光谱分辨率的成像光谱仪正在或即将进入实用阶段，例如：美国的ＨＹＤＩＣＥ、ＳＥＢＡＳ，加拿大的ＦＬＩ、ＣＡＳＩ和ＳＦＳＩ，德国的ＲＯＳＩＳ以及澳大利亚的ＨＹＭＡＰ等。

这些传感器有的已经进入了商业运营，技术比较成熟。

特别是美国的ＨＹＤＩＣＥ和ＡＶＩＲＩＳ多次参与军方的实验，提供了大量的军事应用的第一手资料。

图ｌ—ｌ高光谱图像数据立方体示意我国在这一领域的发展也十分迅速。

中科院上海技术物理研究所于１９９７年开始研制２４４波段的推扫式（ＰＨＩ）和１２８波段的可见光／近红外、短波红外、热红外模块化成像光谱仪系统（ＯＭＩＳ）并取得了成功，特别是ＯＭＩＳ已经成功转入商业运营。

另外，中科院长春光学精密机械与物理研究所、西安光学精密机械研究所也在这一领域取得了重要的研究成果。

高光谱数据除了拥有图像数据的几何信息外，还具有光谱信息，从而构成三维的图像立方体。

如图１．１，光谱维信息可以记录地物所具有的反射、吸收和发射电磁能量的能力，这种能力是由物质的分子和原子结构确定，不同的地物类型对应于不同的谱特征，这就是光谱的“指纹效应”，如图１．２。

基于改进YOLOv5s的航拍红外图像目标识别方法1. 内容概括随着航空摄影技术的迅速发展，红外热成像技术在军事、安防、农业等领域得到了广泛应用。

由于红外图像的特殊性，如低对比度、噪声干扰和目标与背景的温差较大等，使得传统的目标检测算法在红外图像上性能有限。

提高红外图像目标识别的准确性和鲁棒性成为了当前研究的热点。

YOLOv5s作为最新的目标检测算法之一，以其优秀的性能和实时性受到了广泛关注。

本文提出了一种基于改进YOLOv5s的航拍红外图像目标识别方法，旨在解决传统算法在红外图像上的局限性。

我们对YOLOv5s进行了一系列改进，包括网络结构优化、损失函数调整以及处理流程改进等。

针对红外图像的特点，我们引入了一些新的技巧和方法，如自适应阈值分割、多尺度特征融合以及深度可分离卷积等。

在多个公开数据集上的实验结果表明，所提方法在航拍红外图像目标识别方面具有较高的准确性和鲁棒性，为相关领域的研究和应用提供了有价值的参考。

1.1 研究背景随着遥感技术的飞速发展和航拍数据的日益丰富，航拍图像目标识别已成为计算机视觉领域的重要研究方向之一。

特别是在军事侦察、环境监测、城市规划等多个领域，航拍图像目标识别的准确性和实时性要求越来越高。

红外图像由于其独特的成像原理，能够在夜间或恶劣天气条件下提供有效的目标信息，研究基于航拍红外图像的目标识别技术具有重要意义。

基于深度学习的目标识别方法已成为研究热点。

YOLO（You Only Look Once）系列算法以其快速、准确的特性受到广泛关注。

特别是YOLOv5s模型，作为该系列的最新改进版本，其在目标检测领域的性能表现卓越。

将YOLOv5s应用于航拍红外图像目标识别仍面临一些挑战，如红外图像中的目标特征提取、背景干扰、尺度变化等问题。

研究基于改进YOLOv5s的航拍红外图像目标识别方法，旨在提高目标识别的准确性和实时性，具有重要的科学研究价值和实践意义。

1.2 相关工作在计算机视觉领域，目标检测作为核心研究方向之一，近年来得到了广泛的关注和研究。

光学图像海面舰船目标智能检测与识别方法研究一、本文概述随着遥感技术的快速发展，光学图像作为其中的一种重要数据源，广泛应用于海面舰船目标的检测与识别。

光学图像海面舰船目标的智能检测与识别方法研究，不仅有助于提升海洋安全监管的自动化和智能化水平，也对军事侦察、民用船舶监控等领域具有重要意义。

本文旨在探讨和研究基于光学图像的海面舰船目标智能检测与识别的相关技术和方法。

本文将对光学图像海面舰船目标检测与识别的研究背景和意义进行阐述，分析当前国内外的研究现状和发展趋势。

接着，文章将详细介绍基于光学图像的海面舰船目标检测与识别所涉及的关键技术，包括图像预处理、特征提取、目标检测和识别等步骤，并对各种方法的优缺点进行比较分析。

在此基础上，本文将提出一种基于深度学习的海面舰船目标智能检测与识别方法，该方法能够充分利用光学图像中的多尺度、多特征信息，实现对海面舰船目标的快速、准确检测与识别。

文章将详细阐述该方法的实现过程，包括模型的构建、训练、优化和测试等步骤，并通过实验验证该方法的有效性和鲁棒性。

本文将对研究成果进行总结，并对未来研究方向进行展望。

通过本文的研究，旨在为光学图像海面舰船目标智能检测与识别技术的发展提供理论支持和实践指导，推动相关领域的科技进步和应用发展。

二、相关理论和技术随着光学成像技术的不断进步，海面舰船目标的智能检测与识别已成为当前研究的热点。

在这一领域中，涉及的理论和技术众多，主要包括图像处理、机器学习、深度学习等。

图像处理技术是海面舰船目标检测的基础。

常用的图像处理技术包括图像增强、滤波、边缘检测等。

这些技术可以有效地提高图像质量，减少噪声干扰，突出目标特征，为后续的目标识别提供基础。

机器学习算法在舰船目标识别中发挥着重要作用。

通过训练大量的样本数据，机器学习模型可以学习到舰船目标的特征表示，从而实现自动的目标分类和识别。

常见的机器学习算法包括支持向量机（SVM）、随机森林（Random Forest）等。

檪檪檪檪殏 控制工程文章编号: 2095 － 1248( 2015) 01 － 0023 － 09基于光学遥感图像的目标检测与分类识别方法姬晓飞，秦宁丽( 沈阳航空航天大学 自动化学院，沈阳 110136)摘要: 基于光学遥感图像的目标检测与分类识别是遥感图像处理与分析领域备受关注的课题，其核心任务是判断遥感图像中是否存在目标，并对其进行检测、分割、特征提取与分类识 别。

遥感图像的目标检测是大范围地面信息获取的重要途径，目标分割是对遥感图像进行进 一步处理和应用的基础，提取特征能否有效描述目标区域将直接影响后期检测和识别的结 果，识别算法的选取对于目标的正确识别至关重要。

因此从以下四个方面对这一研究领域进 行介绍: 1) 目标检测; 2) 图像分割; 3) 特征提取; 4) 分类识别，并对研究难点及未来的发展趋 势作较为详细的分析。

关键词: 光学遥感图像; 目标检测; 图像分割; 特征提取; 分类识别 中图分类号: TP 751文献标志码: Adoi: 10． 3969 / j ． i ss n ． 2095 － 1248． 2015． 01． 005T a r ge t detection and classified r e c og n it ion m e th o dbased on optical r e m o t e sensing ima geJI Xi ao -f ei ，Q I N N i ng -li( C o ll e g e of A ut o m at i o n ，S heny an g Aerospac e U n i v ers i ty ，Sheny an g 110136，C h i na)Abstract: The m et ho d of targ et detect i o n and cl assified reco g ni t i o n based on o pt i m al remote sens i ng i m ag e is a focus in the fi eld of rem ot e s ens i ng process and analy s i s ． The ai m is t o l o cate targets and car - ry o ut detect i o n ，s eg m entat i o n ，f eature ex t ract i o n and cl assified reco g ni t i o n ． The target detect i o n of re- m ot e sens i ng i m ag e is an i m po r t ant channel to obtain the ground i nf o rmat i o n in a l ar g e sc al e ． The t ar g et s eg mentat i o n is the f o undat i o n of complet i ng the f urther pr o c ess i ng and appl i c at i o n ． F eature ex t rac t i o n w ill directly aff ect the res ults of l ater detect i o n and reco g ni t i o n ． T he s elect i o n of reco g ni t i o n al g o r i t hm i s v ital for the correct reco g ni t i o n of t he t ar g et ． S o w e w ill i ntr o duce the research field from the f o ll o w i ng four aspects : 1) target detect i o n ; 2) i m ag e s eg mentat i o n ; 3) feature ex t ract i o n ; and 4 ) classifi ed reco g ni - t i o n ． F ur t herm o re ，a detai l ed analysis of t he diffic ulti es and the f uture dev elopm ent trends in this re- s earc h field are li s t ed ． 收稿日期: 2014 － 10 － 17基金项目: 国家自然科学基金青年基金( 项目编号: 61103123) ; 教育部留学回国人员启动基金资助( 项目编号: 2013693) 作者简介: 姬晓飞( 1978 － ) ，女，辽宁鞍山人，副教授，主要研究方向: 视频分析与处理、模式识别理论。