纹理模型驱动的基于背景分析的小目标检测

为有效地实现复杂背景下小目标的检测,利用背景分析的思想,提出了纹理模型驱动的基于背景分析的小目标检测方法,可提高对小目标的检测精度且具有较强抗噪能力,实验结果证明了该方法的有效性。     

基于多尺度背景纹理分析的红外小目标检测

提出了一种基于多尺度背景纹理分析的目标检测方法,通过小波多尺度分析来提取背景纹理的能量特征,并计算这些特征向量与中心向量之间的距离,目标检测在所得的距离像上完成,利用红外小目标的特性,根据距离像统计直方图来门限的自选取、实验验证了该方法的有效性。     

复杂海天线区域检测算法研究

分析了红外图像目标特性及背景特性，根据远距离舰船小目标总是出现在海天线附近，在分析海天线特征的基础上，提出了采用最大类间方差法选取灰度阈值检测出海天线的方法，为进一步检测小目标做好了准备．仿真实验结果表明，该方法能够检测出复杂海空背景的海天线．     

基于多尺度背景纹理分析的红外小目标检测

提出了一种基于多尺度背景纹理分析的目标检测方法．通过小波多尺度分解来提取背景纹理的能量特征,并计算这些特征向量与中心向量之间的距离,目标检测在所得的距离像上完成．利用红外小目标的特性,根据距离像统计直方图来实现门限的自适应选取．实验验证了该方法的有效性     

基于注意力机制的红外小目标检测方法

针对红外小目标占用像素较少、背景相似性强、网络容易受到背景杂波信息干扰的问题,提出了一种基于注意力机制的红外小目标检测方法。利用注意力机制模块抑制背景杂波,增强小目标特征,并使用红外小目标检测模块实现检测任务;为了增强网络鲁棒性,通过高斯噪声与原图通道堆叠输入的数据增强方式提升网络抗杂波干扰的能力。实验表明,提出的方法在MDvsFA数据集中的性能超过了目前最新的对比算法。     

基于时域廓线的云杂波背景下红外弱小目标检测

根据目标和背景时域特性,建立了目标、云杂波边缘、干净天空背景以及云内部四种像素点的时域模型.并以这四种时域模型为基础,提出了一种云杂波背景下基于时域廓线的弱小目标的检测方法.检测前利用最大中值滤波器进行空域处理,去除了大部分云边缘虚警点.理论分析和实验结果表明,该算法能有效检测出云杂波背景下的小目标.     

基于曲率滤波和视觉显著性的红外小目标检测

红外成像因具有隐蔽性强、环境适应能力强和抗干扰能力强等优点,被广泛用于军事和民用领域。为了实现对红外小目标的高精度检测,提出了一种基于曲率滤波和视觉显著性相结合的红外小目标检测算法。首次将曲率滤波引入红外小目标检测中,对图像中的背景进行估计,然后将背景估计结果与原图像进行差分,使得图像中的大部分背景被显著抑制。为了减小残余的部分高强度杂波对目标的正确检测产生影响,利用形态学方法将高强度杂波移除。为了进一步提高目标的检测精度,提出了一种局部对比度算法进行杂波抑制及目标增强。最后,采用自适应阈值分割方法得到显著的小目标。对本文所提算法与其他算法在5个数据集上进行了比较分析,结果表明,本文算法的信杂比(SCR)与背景抑制因子(BSF)远高于其他算法,在检测率和误报率方面也明显优于其他算法。     

一种基于多尺度分形新特征的目标检测方法

研究复杂自然背景下单帧图像的小目标检测问题.根据人造目标的分形特征随尺度变化比自然背景剧烈这一特点,提出一种多尺度分形新特征.该特征比标准分形维数更好地突出自然背景中的人造目标,对三种图像不同的背景干扰起到了较好的抑制作用.在多尺度分形新特征图像中采用局部直方图统计方法进行目标检测.实验结果表明,基于该特征的目标检测算法对复杂地面背景、海面背景的红外图像和电视图像具有较好的稳健性和普适性,能从单帧图像中较好地检测定位小目标,检测准确率达95%以上.     

基于小波多尺度扩展分形特征的目标检测方法

研究复杂自然背景下的小目标检测问题,对Kaplan的扩展分形特征进行改进,使其对目标尺寸具有一定的适应性·考虑自然背景和斑点状人造目标在水平、垂直方向特性,利用小波分析良好的方向选择性,通过多级小波分解互能量交叉,在两个方向上有效地增强目标、抑制背景干扰,从而提出一种基于小波分析的多尺度扩展分形特征·实验结果表明,基于该特征的目标检测算法对复杂地面背景、海面背景的红外图像和电视图像具有较好的稳健性和适应性,能从单帧图像中较好地检测出小目标,具有检测速度较快、易于实现的特点·     

结合灰度熵变换的PCNN小目标图像检测新方法

为了自动地进行小目标图像分割检测,从含单一弱小目标图像的特征出发,提出了一种结合灰度熵变换的脉冲耦合神经网络(PCNN)小目标图像分割检测新方法. 该方法在对有随机噪声和复杂背景图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值灰度图在满足先验概率目标背景比条件下,选择包含单一小目标局部窗口作为处理图像区域,并在局部最小交叉熵判据下,进行改进型PCNN迭代分割检测处理. 实验结果表明,该方法不仅能可靠地检测出复杂背景及随机噪声干扰下弱小目标,并且在PCNN运行处理过程中,可自动地完成最佳分割检测.     

复杂背景下改进的红外弱小目标检测

许多研究者关注红外弱小目标检测领域并进行过种种探索，然而复杂背景下检测的难题始终未得到满意的解决。复杂背景下的杂波难以消除，目标检测无法得到显著结果。为此，本文提出了一种基于高升压滤波器的加权三层窗口目标检测算法HB-WTLLCM（High-Boost Weighted Tri-Layer Local Contrast Measure），针对复杂背景的目标检测进行目标增强，从而提高检测率。本文算法首先利用改进的高升压滤波器对红外原始图像进行预处理，再利用三层嵌套窗口，根据目标形状进行局部对比度增强。最后引入一种基于复杂度评估的加权算法，进一步进行目标增强和随机噪声抑制。实验数据显示，本文提出的算法相比于主流算法在多建筑、多树木的复杂背景下目标增强能力更强，检测率更高。上述结果提示，本文提出的HB-WTLLCM算法对于复杂场景下红外弱小目标进行检测具有一定优势。     

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

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。     

基于帧间差分和背景相减的运动目标检测和提取算法研究

对比分析了常用的图像目标检测算法,根据其各自优缺点,提出了基于帧间差分和背景相减相结合的运动目标检测和提取算法。详细介绍了基于上述算法的运动目标检测的全过程,并准确地检测出了运动目标。通过对实验结果进行分析表明,该算法既避免了背景相减法因背景变动导致的目标提取不准确,又避免了帧间差分法的运动目标不完整,能够有效去除噪声和阴影,具有良好的检测效果。     

基于动态规划的红外小目标检测与识别

研究了天空背景下红外运动小目标的检测与识别．对序列红外图像进行增强处理,通过模板滤波去除弱噪声;运用分割算法和聚类分析把目标和强噪声从背景中分离出来,根据所定义的一种距离,运用动态规划的方法找出目标,并得出目标的运动轨迹;给出整套处理方法的实验结果和分析．     

基于十字模板匹配的靶场目标检测方法

针对现代靶场所面临的测量目标小、 距离远、 目标与背景对比度低以及匹配算法计算量大、 时间复杂度高等问题, 提出一种基于数字图像处理的靶标检测方法。该方法以十字特征直线代替模板进行粗匹配, 仅对搜索图中像素点数目较少的一段灰度区域进行匹配, 从而大大减小了计算量, 使匹配速度得到极大提高。通过CCD（Charge Coupled Device）相机采集的靶场目标序列图像进行仿真实验, 实验结果表明, 该算法匹配速度快、 较传统的灰度相关算法具有较强的鲁棒性。     

面向智能航道巡检的水面目标检测算法

为解决多场景复杂内河背景下水面目标检测存在环境噪声大、水面目标分布情况繁杂、特征微小模糊等问题,提出一种融合多尺度特征和注意力机制,增强类激活映射的水面目标检测算法,称UltraWS水面目标检测算法。在典型检测网络上设计空间注意力模块与多头策略,融合多尺度特征,提高对微小目标的检测能力。其次,提出UltraLU模块增强类激活映射,减小环境因素与分布因素对检测目标的影响。最后,设计对模型进行Tucker张量分解,实现模型轻量化,增强模型的可解释性与推理速度。实验结果表明,所提出的UltraWS算法提高了对背景噪声的抗干扰能力,更好捕捉微小目标,满足边缘化部署的检测速度和准确率均衡性需求。在WSODD数据集上,算法的mAP值取得了最高的84.5%,相较于其他主流方法存在较大提升。基于提出的算法建立航道安全巡检体系与评估方法,有利于推动内河智慧航运的发展。     

基于DSP与FPGA的靶标动态检测跟踪技术

针对靶场目标测试面临的测量目标小、距离远、目标与背景对比度低等实际问题,提出了基于DSP(Digital Signal Processing）与FPGA（Field Programmable Gate Array）的数字视频图像信息进行目标动态检测跟踪的方法。该方法采用了图像分割检测方法与目标跟踪算法,精确并快速地定位靶标十字的中心,从而实现复杂环境下运动靶标检测跟踪,提高了检测效率和精度。     

基于视觉的水面背景下目标检测与跟踪算法

为解决清漂船在复杂水面背景下对漂浮物体积较小或被遮挡的检测与跟踪问题,提出了一种基于视觉的水面背景下目标检测与跟踪算法,通过利用YOLO改进的多粒度特征融合方法使得模型在最终检测时所提取的特征向量考虑更多底层的特征,并引入K邻域搜索感兴趣区域模块,与长短期记忆神经网络(long-short term memory, LSTM)相结合,弥补了卷积神经网络的时序关联性差的缺陷,根据目标当前帧语义特征和运动特征预测下一帧中目标所在位置,能够更快地提取目标的特征,并且有效地去除复杂背景的干扰。实验结果表明：该算法的跟踪平均成功率、平均准确率和平均速度分别为57.1%、71.1%、45.4帧/s。较好解决因被检测目标过小的问题,提升在跟踪目标被遮挡的情况下的跟踪性能。