下载文档原格式
《红外弱小目标识别与追踪算法研究》篇一一、引言随着红外技术的不断发展，红外成像系统在军事、安全、监控等领域得到了广泛应用。
然而，由于红外图像中目标通常呈现弱小特征，如信噪比低、对比度差等，使得红外弱小目标的识别与追踪成为一项具有挑战性的任务。
本文旨在研究红外弱小目标的识别与追踪算法，以提高红外图像中目标的检测和跟踪精度。
二、红外弱小目标的特点红外弱小目标在图像中通常表现为低亮度、小尺寸、信噪比低等特点。
这些特点使得传统目标检测与追踪算法在处理红外图像时面临诸多困难。
此外，由于目标运动的不确定性、背景的复杂性以及各种干扰因素的影响，使得红外弱小目标的识别与追踪更加复杂。
三、红外弱小目标识别算法研究针对红外弱小目标的识别问题，本文提出了一种基于多尺度特征融合的识别算法。
该算法通过融合不同尺度的特征信息，提高目标的表征能力，从而增强对弱小目标的识别效果。
具体而言，该算法首先利用多尺度卷积神经网络提取目标的多尺度特征；然后，通过特征融合技术将不同尺度的特征信息进行融合，形成更加丰富的目标表征；最后，利用分类器对融合后的特征进行分类，实现目标的识别。
四、红外弱小目标追踪算法研究在红外弱小目标的追踪方面，本文提出了一种基于区域协同的追踪算法。
该算法通过将目标区域与周围背景区域进行协同分析，提高对目标的跟踪精度。
具体而言，该算法首先利用红外图像中的局部信息，对目标区域进行初步定位；然后，通过分析目标区域与周围背景区域的关系，实现目标的精确跟踪；最后，利用卡尔曼滤波器对目标轨迹进行平滑处理，提高跟踪的稳定性。
五、实验与分析为了验证本文提出的红外弱小目标识别与追踪算法的有效性，我们进行了大量实验。
实验结果表明，基于多尺度特征融合的识别算法能够有效提高对红外弱小目标的识别率；而基于区域协同的追踪算法则能够在复杂背景下实现对目标的精确跟踪。
此外，我们还对两种算法的性能进行了比较和分析，结果表明本文提出的算法在识别与追踪精度、鲁棒性等方面均具有较好的性能。
多信息融合的红外弱小目标检测危水根; 王程伟; 张聪炫; 鄢慧斌【期刊名称】《《红外技术》》【年(卷),期】2019(041)009【总页数】9页(P857-865)【关键词】弱小目标检测; 红外图像; 局部梯度; 局部灰度; 背景抑制【作者】危水根; 王程伟; 张聪炫; 鄢慧斌【作者单位】南昌航空大学信息工程学院江西南昌 330063; 南昌航空大学测试与光电工程学院江西南昌 330063【正文语种】中文【中图分类】TP391.4红外弱小目标检测作为一项关键技术，在目标检测系统、监控系统、精确制导和预警系统等领域得到了广泛的应用[1-5]。
由于较远的距离和大气环境等因素的影响，目标在红外图像中通常十分微小，只占有很少的像素，其对比度较低，没有明显的形状、无纹理信息和结构特征，可检测的信号相对较弱[6]。
另一方面，红外弱小目标图像背景也较复杂，典型的背景包括：天空背景、复杂云背景、海面背景和海天背景等。
在这些复杂背景下，弱小目标的信杂比通常很低，易被噪声和强杂波淹没，并且图像中存在与弱小目标相似的伪目标点，造成较高的虚警率。
因此，为了提高红外弱小目标检测系统的性能，研究如何在低信杂比和复杂背景的情况下抑制背景杂波，剔除伪目标和降低虚警率具有重要意义。
在人类视觉机制中，红外弱小目标与相邻背景相比，具有一定的不连续性和对比性[7-8]。
基于人类视觉系统（Human Visual System，HVS），研究者们进行了大量的研究，并取得了很大的突破。
Kim等人[9]利用高斯拉普拉斯算子（LOG）提出了一种同时增强目标和抑制背景的红外弱小目标检测算法，该方法关注于抑制低频杂波，未能滤除高频成分的强杂波。
Chen等人[10]提出了一种较为经典的局部对比度测量（LCM）方法，该方法能够显著地增强亮目标，但易受复杂背景中高亮噪声的干扰，造成较高的虚警率。
Wei等人[11]提出了一种新的多尺度局部对比度测量（MPCM）方法，该方法能够同时增强亮目标和暗目标，但在复杂背景和强杂波干扰下其检测性能会下降。
基于多特征的快速红外弱小目标检测算法
易翔;王炳健
【期刊名称】《光子学报》
【年(卷),期】2017(46)6
【摘要】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.
【总页数】6页(P123-128)
【关键词】红外夜视技术;目标检测;多特征;图像处理;弱小目标;显著性检测;角点检测
【作者】易翔;王炳健
【作者单位】西安电子科技大学物理与光电工程学院
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于加权融合特征与Ostu分割的红外弱小目标检测算法 [J], 刘昆;刘卫东
2.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 [J], 侯旺;于起峰;雷志辉;刘晓春
3.基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法 [J], 闻凯
4.Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法 [J], 荣楚君;曹晓光;白相志
5.一种基于特征组合分类的杂波背景下红外弱小目标检测算法 [J], 缪建成
因版权原因，仅展示原文概要，查看原文内容请购买。
红外弱小目标检测技术研究红外弱小目标检测技术研究引言：随着红外技术的发展和应用的广泛，红外弱小目标检测成为了当前热门的研究领域之一。
红外弱小目标主要指的是在红外图像中相对于背景而言灰度值较低且尺寸较小的目标。
红外弱小目标的检测对于军事、安防、无人机等领域具有重要的应用价值。
本文就红外弱小目标检测技术的研究进展进行了探讨。
一、红外弱小目标的特点红外弱小目标的主要特点包括：目标尺寸小、灰度值低、背景复杂等。
相对于可见光图像，红外图像比较模糊，目标的轮廓不够清晰，目标和背景之间往往存在一定的灰度差异。
因此，红外弱小目标的检测面临着许多挑战。
二、红外弱小目标检测技术目前，关于红外弱小目标的检测技术主要包括以下几种：基于特征的方法、目标分割方法、模板匹配方法和深度学习方法等。
1. 基于特征的方法基于特征的方法是最早的红外弱小目标检测方法之一。
该方法通过选取一些有效的特征，如颜色、纹理、形状等对红外图像进行分析和处理，以实现目标的检测。
然而，由于红外图像的模糊性和噪声影响，传统的特征提取方法在红外弱小目标检测中往往效果不佳。
2. 目标分割方法目标分割方法是通过对红外图像进行前景和背景分割，以实现目标的检测和定位。
这种方法首先对图像进行预处理，如灰度变换、滤波等，然后应用阈值分割或其他分割算法将目标从背景中提取出来。
然而，由于红外图像中目标和背景之间的灰度差异较小，目标分割往往困难，容易出现漏检和误检。
3. 模板匹配方法模板匹配方法是将预先得到的目标模板与待检测图像进行匹配，从而实现目标的检测和识别。
该方法通常需要事先收集一些目标的红外图像，并进行预处理提取出目标的模板，然后对新的红外图像进行模板匹配。
然而，模板匹配方法的主要问题是目标在红外图像中的灰度、形态、大小等差异较大，因此模板匹配的效果有限。
4. 深度学习方法近年来，深度学习方法在目标检测领域取得了显著的成果。
使用深度学习方法可以自动学习红外弱小目标的特征，避免了手工设计特征的繁琐过程。
基于显著性与尺度空间的红外弱小目标检测
周姣;辛云宏
【期刊名称】《激光与红外》
【年(卷),期】2015(045)004
【摘要】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.
【总页数】5页(P452-456)
【作者】周姣;辛云宏
【作者单位】陕西师范大学物理与信息技术学院,陕西西安710119;陕西师范大学物理与信息技术学院,陕西西安710119
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于视觉显著性的红外图像弱小目标检测方法 [J], 徐凌;谭贤四;
2.基于视觉显著性的红外图像弱小目标检测方法 [J], 徐凌;谭贤四
3.基于显著性与帧间差分的红外弱小目标检测 [J], 司马端;龙云利;安玮;王普
4.局部对比度结合区域显著性红外弱小目标检测 [J], 王晓阳;彭真明;张萍;孟晔铭
5.基于虚警识别与空-频域显著性映射的红外弱小目标检测算法 [J], 张代华
因版权原因，仅展示原文概要，查看原文内容请购买。
红外图像弱小目标检测技术研究1、本文概述随着技术的不断进步，红外成像技术已成为现代军事、航空航天、民用安全等领域不可或缺的重要工具。
特别是在夜间或弱光条件下，红外成像技术以其独特的成像方法实现了对目标的清晰观察和识别。
在实际应用中，红外图像往往含有大量的噪声和干扰，使得弱目标的检测异常困难。
研究红外图像弱小目标检测技术具有重要的现实意义和应用价值。
本文旨在探索红外图像弱小目标检测技术的相关理论和方法。
我们将分析红外图像的特征，以了解红外图像中弱小目标的特征和困难。
我们将回顾现有的弱目标检测算法，包括基于滤波的方法、基于背景抑制的方法和基于多帧融合的方法等，并分析其优缺点和适用场景。
接下来，我们将提出一种基于深度学习的弱目标检测算法，该算法通过从红外图像中提取和分类深度特征来实现对弱目标的精确检测。
我们将通过实验验证所提出算法的有效性，并将其与其他算法进行比较，为红外图像弱小目标检测技术的发展提供参考和启示。
2、红外图像弱小目标检测技术综述红外图像弱小目标检测技术是识别、提取和跟踪复杂背景下弱目标的重要技术。
由于红外图像中弱目标的信噪比低、对比度低、体积小、运动轨迹不确定等特点，其检测成为一项极具挑战性的任务。
近年来，随着红外成像技术和信号处理技术的快速发展，红外图像中的弱小目标检测技术也受到了广泛的关注和研究。
红外图像弱小目标检测技术的核心在于如何有效地从复杂背景中提取目标信息。
这通常涉及多个阶段，如图像预处理、对象增强、对象提取和对象跟踪。
在图像预处理阶段，主要目的是去除图像中的噪声，提高图像质量，为后续的目标检测提供良好的基础。
在目标增强阶段，使用直方图均衡和对比度增强等各种算法来提高目标与背景之间的对比度，从而突出目标信息。
在目标提取阶段，采用阈值分割、边缘检测、形态学处理等方法从增强图像中提取目标区域。
在目标跟踪阶段，通过滤波算法、匹配算法等实现对目标的连续跟踪。
目前，在红外图像中微弱小目标的检测方面取得了重大进展。
基于多光谱与显著性的红外弱小目标融合检测摘要：基于多光谱与显著性，提出一种红外弱小目标融合检测算法。
该算法旨在将从多光谱探测器获得的同一场景的多光谱图像信息组合到一起，利用它们在时空上的相关性及信息上的互补性，提高系统的检测性能。
采用一种新的基于人类视觉注意机制的显著性方法，该方法能够快速准确找到图像中的显著性区域；将目标看作一类，背景和干扰点看作另一类，选取离差平方和准则，使类内距离最小，类间距离最大；训练出融合参数，得到融合后的显著性图像。
通过设定的门限值二值化，可以看出该融合方法能很好地将目标与背景分开，从而检测出目标。
关键词：红外弱小目标；多光谱；显著性；图像融合中图分类号：TP391文献标识码：A文章编号：1673-5048（2016）02-0047-050引言多光谱成像技术不同于传统的单一宽波段成像技术，而是将成像技术和光谱测量技术相结合，获取的信息不仅包括二维空间信息，还包含随波长分布的光谱辐射信息，形成所谓的“数据立方”。
丰富的目标光谱信息结合目标空间影响极大提高了目标探测的准确性、扩展了传统探测技术的功能。
因此，研究如何基于多光谱对红外弱小目标进行检测与识别有着实际的意义。
在多光谱领域，国内外学者已经取得了一定的进展。
Margalit和Reed提出了一种基于相关图像的恒虚警率自适应目标检测算法[1]；Heesung提出了基于滤波的光谱匹配方法[2]；1999年，Richards等提出了光谱角映射算法（SAM）[3]。
SAM算法具有结构简单、实时性好等优点，但是，其性能对目标光谱方差十分敏感，当光谱信噪比较低时，其性能变得十分不可靠。
2011年，GuYanfeng等将SAM算法与核函数相结合，提出了一种基于核函数的正规化光谱角的光谱匹配算法[4]，提升了SAM算法对于光谱方差变化的鲁棒性。
光谱匹配滤波器（SMF）[5]是一种具有代表性的光谱目标检测算法，是典型的光谱匹配算法，基于标准目标光谱模型和背景光谱模型的先验信息已知。
然而在实际系统中，很难得到一个场景的红外全谱段图像，一些红外警戒系统通常采用双波段的工作方式。
在双/多波段红外热成像系统中，由于多个传感器工作在不同的电磁波段，探测到的同一场景的多光谱图像在信噪比、对比度、强度等方面存在很大的差异性，利用它们在时空上的相关性及信息上的互补性，对多光谱图像进行融合，可以得到对目标更全面、清晰的描述。
现有的融合方法有小波变换模型、代数模型、Brovey变换模型、主成分分析模型、色度-强度-饱和度模型、多通道彩色分量模型等。
LiHui[6]基于小波变换模型，对低频部分作平均处理，而对高频部分采取不同的融合规则。
这样，融合时可以保留处于高频部分的边缘信息；但是，由于低频部分与高频部分不一致的融合规则破坏了图像的连续性，即使选用较为光滑的小波基，图像的不连续现象也很明显。
朱述龙[7]基于主成分分析方法，由各种光谱图像的协方差矩阵得到变换矩阵，并用其对多光谱图像作变换，取前面几个图像进行图像融合，这种方法能够很快地实现融合，但它对图像中的所有像素一视同仁，因此往往会淹没图像中占像素点少、信噪比低的弱小目标。
人类大脑和视觉系统会很容易发现图像中某些显著的目标或区域。
通过对视觉注意机制的研究可以使人们合理分配传感和计算资源到更有价值的信息处理任务上，国内外学者已经设计出各种注意机制模型来使计算机也具备“视觉”能力。
显著性图是描述显著性情况的灰度图像，与原图像尺寸相同，显著性图上某点的灰度值大小代表原图对应点处的显著性大小。
Itti等[8]模仿人类视觉自底向上的注意机制提出Itti模型，运用中央-周围算子，计算颜色、亮度、强度三个通道的显著性图，通过融合得到最终的显著性图；叶聪颖[9]将这一模型应用到了HIS空间的海上目标船只检测中；Sun[10]则将该模型修正并应用于红外目标检测；Liu[11]使用多尺度对比、中心周边直方图和色彩空间分布三种特征通过条件随机场学习感兴趣区域；Hou[12]基于信息论的角度，将图像分为冗余部分和变化部分，首次在频率域由频域谱残余得到显著性图；Achanta[13]提出基于频率调谐的显著目标检测算法，对输入图像高斯平滑并计算平滑，每个像素显著度则为该像素与整幅图像均值的差异；Harel[14]基于图论的方法对动标图进行归一化得到显著性图；Shen[15]在显著性计算中综合了高级语义、色彩、位置等先验目标信息；Luo[16]基于显著密度最大化检测显著目标。
本文提出了一种基于多光谱与显著性的像素级红外弱小目标融合检测方法。
4结论本文基于多光谱与显著性，提出一种红外弱小目标融合检测算法。
通过仿真可以看出，本文算法适用于海面复杂背景下多光谱图像，能够快速准确找到图像中的显著性区域，训练融合参数，得到融合后的显著性图像。
通过设定的门限值二值化，可以看出该融合方法能很好地将目标与背景分开，从而检测出舰船目标。
该算法在Matlab中运行较快。
参考文献：[1]MargalitA，ReedIS，GagliardiRM.AdaptiveOpticalTargetDetectionUsingCorrelatedImages[J].IEEETransactionsonAerospaceandElectronicSystems，1985（3）：394-405.[2]HeesungK，NasrabadiNM.KernelMatchedSignalDetectorsforHyperspectralT argetDetection[C]∥IEEEComputerSocietyConferenceonComputerVisionandPattern Recognition，2005.[3]RichardsJA，JiaXiuping.RemoteSensingDigitalImageAnalysis[M].BerlinHeidel betg：SpringerVerlag，2006. [4]GuYanfeng，WangChen，WangShizhe，etal.KernelBasedRegularizedAngleSpectralMatchingforTargetDe tectioninHyperspectralImagery[J].PatternRecognitionLetters，2011，32（2）：114-119.[5]RobeyFC，FuhrmannDR，KellyEJ，etal.ACFARAdaptiveMatchedFilterDetector[J].IEEETransactionso nAerospaceandBectronicSystems，1992，28（1）：208-216.[6]LiHui，ManjunathBS，MitraSK.MultisensorImageFusionUsingtheWaveletTransform[J]. GraphicalModelsandImageProcessing，1995，57（3）：235-245.[7]朱述龙，张占睦.遥感图像获取与分析[M].北京：科学出版社，2002.[8]IttiL，KochC，NieburE.AModelofSaliencyBasedVisualAttentionforRapidScene Analysis[J].IEEETransactionsonPatternAnalysisandMachineIntelli gence，1998，20（11）：1254-1259.[9]叶聪颖，李翠华.基于HSI的视觉注意力模型及其在船只检测中的应用[J].厦门大学学报（自然科学版），2005，44（4）：484-488.[10]SunSG，KwakDM，JangWB，etal.SmallTargetDetectionUsingCenterSurroundDifferencewithL ocallyAdaptiveThreshold[C]∥Proceedingsofthe4thInternationalSymposiumonImageandSignal ProcessingandAnalysis，2005：402-407.[11]LiuTie，YuanZejian，SunJian，etal.LearningtoDetectaSalientObject[J].IEEETransactionsonPatte mAnalysisandMachineIntelligence，2011，33（2）：353-367.[12]HouXiaodi，ZhangLiqing.SaliencyDetection：ASpectralResidualApproach[C]∥IEEEConferenceonComputerVisionandPatternRecognition，2007：1-8.[13]AchantaR，HemamiS，EstradaF，etal.FrequencyTunedSalientRegionDetection[C]∥IEEEConferenceonComputerVisionandPatternRecognition，2009：1597-1604.[14]HarelJ，KochC，PeronaP.GraphBasedVisualSaliency[C]∥AdvancesinNeuralInformationProcessingSystems，2006，19：545-552.[15]ShenXiaohui，WuYing.AUnifiedApproachtoSalientObjectDetectionviaLowRank MatrixRecovery[C]∥IEEEConferenceonComputerVisionandPatternRecognition，2012：853-860.[16]LuoYe，YuanJunsong，XuePing，etal.SaliencyDensityMaximizationforObjectDetectionandLocaliz ation[M].BerlinHeidelberg：SpringerVerlag，2011.。
