一、基于小波互能量交叉的复杂背景中红外小目标检测方法（论文文献综述）
刘雨菡[1]（2021）在《对地观测红外成像虚警源检测方法研究》文中进行了进一步梳理随着现代空间探测技术的发展,人们已经可以获得不同种类的卫星遥感图像并对其进行分析处理。其中,对地观测红外成像技术由于其成像机理及其多功能性,近年来在军民生活中有着广泛的应用,而对红外图像中的目标进行检测更是在现代战争如空间制导、地区安防、预警等领域有着重要的作用。由于对地观测红外成像存在成像距离远、成像环境复杂及图像特征有限等问题,使得红外图像中的目标检测十分困难。同时,红外成像采用的是红外传感器,通过该传感器接收对象的热辐射并将接收的红外热辐射转换成电信号,由此将不可见的红外辐射转变成图像信号。而地球表面存在大量具有高辐射的区域,如雪山、结冰河流、卷云等,使得该类区域会和目标同时成像,对目标的检测产生干扰从而产生虚警。为了提高对地观测红外成像系统的性能及目标检测精度,本文研究了可能会产生虚警的自然场景即虚警源场景,并对虚警源进行分析与检测,从而辅助目标检测以降低其虚警率。本文结合了不同红外遥感图像中的场景检测方法,集中研究了包括虚警源及目标的特性分析与提取、典型虚警源场景的检测以及虚警源检测理论在对地观测红外成像系统中的应用,研究内容主要包括:（1）结合对地观测红外成像系统的成像机理,分析了可能会产生高辐射的场景及其检测的难点。结合虚警源的成像特性,研究并分析了典型虚警源场景的较为普适的特征,如纹理特征、灰度特征、形状特征、视觉显着性特征、分形特征等。同时,分析了不同虚警源背景下的目标特性。通过研究虚警源及目标的不同特征及其成像特性,为后续设计检测算法打下基础。（2）基于河流区域的灰度特征及纹理特征与其他区域不同,研究并提出了基于局部二值模式特征及形态学的河流检测方法。传统以2为半径,8邻域的局部二值模式特征会忽略最近邻的像素信息,而本方法在计算特征时,改变计算半径并利用插值重新计算8邻域的像素值,从而考虑到更多的局部信息,避免了信息被忽略的问题。通过对河流的纹理特征进行分析和提取,再利用合适的阈值并结合形态学理论,实现了快速且简便的河流检测。（3）基于河流的形状特性及方向性,研究并提出了基于Frangi滤波及剪切波变换的河流检测方法。Frangi滤波可以增强图像中的条状物体,而河流由于其形状特性,可以在Frangi滤波后得到增强。同时,不同于其他场景如建筑物、湖泊等,河流在图像中具有一定的方向特性。因此,本文采用了可以在不同方向下提取图像特征的剪切波变换对滤波后的图像进行分析。河流由于其方向特性,在某个分析方向的表现会比图像中的其他区域更加明显。由此,将方向特征较为明显的特征图像进行重建后,可以凸显河流而削弱其他背景区域,再结合活动轮廓模型方法可以实现对河流的有效检测。除此之外,为了提升检测的精度,设计了一种基于每个检测区域椭圆长轴和短轴比的筛选方法,并结合面积筛选策略剔除了检测出的非河流区域,使算法的检测精度有了进一步提升。（4）基于对地观测红外成像的显着性特征,研究并提出了基于多视觉显着性特征融合的卷云检测方法。卷云在对地观测红外成像系统中属于较为显着的区域,其灰度特性与其他背景区域有所不同。除此之外,单一视觉显着性特征并不能全方面地表现物体特性,而不同尺度下或不同种类的特征可以很好地表现对象的多个特性。因此本文提出了基于多特征融合的方法,设计了基于主成分分析理论的特征融合策略,从而结合了不同的视觉显着性特征以更全面地突出卷云,并结合活动轮廓模型方法对卷云实现了精确检测。（5）基于卷云固有的自相似性,研究并提出了基于随机分形模型及稀疏表示的卷云检测方法。遥感图像尤其是红外遥感图像存在着数据样本少、标签难以获取等问题,而利用机器学习的检测方法需要大量的数据及相对应的标签,算法成本较高。因此,基于卷云固有的分形特性,本文设计了一种利用随机分形图像作为模型,根据模型与遥感图像中卷云的相似程度,筛选出合适的图像块作为原子,训练学习出可以表达卷云的字典,再利用稀疏表示方法对图像进行表示的卷云检测方法。由此,可以有效地表示出卷云区域。该方法可有效实现单幅图像中的卷云检测,同时降低了一般机器学习类方法对图像样本数据与标签的需求,在保证检测精度的同时降低了算法成本。（6）基于对地观测红外图像中的虚警源的研究基础,本文提出将虚警源检测方法应用于对地观测红外目标的检测中,将虚警源检测结果作为辅助信息应用于红外目标检测,建立了以检测出的虚警源为先验信息的目标检测理论,分析了其未来应用的合理性及有效性。除此之外,本文还分析了虚警源检测方法在其他对地观测红外成像系统中的应用。不同测试实验表明,上述提出的方法可较为有效地检测出两类典型的虚警源,并建立了虚警源检测应用于目标检测的理论,讨论了一定程度上能够降低红外目标检测虚警率以及提升对地红外目标检测精度的可能性。此外,本文所构建的虚警源检测理论也为对地观测红外成像系统未来的相关研究与应用打下了基础。
樊华[2]（2021）在《红外弱小目标检测跟踪技术研究》文中研究表明红外成像系统是根据红外光电检测设备接收物体所发出的红外能量辐射,再经过处理将电信号转换为数字图像中的灰度图像。红外辐射穿透力强,并且可以观察到人眼无法观察到的物体,正是因此红外图像中的目标检测问题在国防军事、航空航天等领域有着广泛的应用。本文使用帧间差分的基本思路,处理多帧间图像的目标检测问题。并且针对帧差法在低信噪比和背景复杂的红外图像中会出现漏检和误检的情况进行了改善。本文对比了单帧检测和帧间检测的方法,并在预处理、检测、跟踪验证三个方面进行了深入研究,使得检测效果得到了显着的提升。在样本预处理阶段,针对由于所接收到的红外辐射强度发生变化,从而影响检测结果这一问题,使用了多种滤波方法对样本图像进行处理,最终经过对比分析采用了三维小波平滑滤波,通过三维小波变换处理,达到了使样本背景的灰度值在帧间变换更加平缓以及去除噪声的效果,使样本更加适合帧差法检测;在目标检测的阶段,使用了单帧检测的方法对红外图像进行目标背景分离,以及使用帧间差分的多帧检测方法对红外图像进行目标检测。对比了这两种单帧检测和帧间检测的方法,分析其各自的检测结果,说明帧差法更适合复杂背景环境的图像样本,通过在样本序列的不同阶段对不同信噪比样本的阈值进行及时调整,使帧差法在序列的各个阶段都能够适用;在目标点的验证时,基于运动目标的轨迹连续性原理,设计了帧间局域灰度概率验证的方法对检测出的目标进行进一步验证,更加深入地剔除了预处理阶段没能消除的噪声点,实现了降低虚警率的目的。在目标跟踪阶段介绍了时空上下文的跟踪方法,并结合了在检测阶段的主成分分析得到的单帧目标的坐标信息,完成了小目标的跟踪。本文在帧差法的基础上,通过时空三个维度上对样本的处理,充分利用了样本序列各个维度上的信息,使检测结果较原本的算法在检测率上得到了显着的提升,并在后续阶段有效地降低了算法的虚警率;结合不同的样本图像说明了使用帧差法和单帧检测法的各自优点和不足。
李梦阳[3]（2020）在《天基复杂背景下空间暗弱小目标检测方法研究》文中指出随着科技发展,人类对太空的探索活动日益频繁,在轨航天器数量迅速增加,由此引发的空间环境安全问题也日益受到人们的关注。而空间目标监视对于感知空间态势、避免空间碰撞,从而实现维护空间环境安全具有重要意义。其中,空间目标检测是实现空间目标监视的关键技术,其具体包括:星图预处理技术、暗弱小目标检测技术以及空间目标定位技术。空间目标监视主要分为地基和天基两类,相比于传统的地基空间目标监视,天基空间目标监视不受大气环境影响、探测覆盖面广、探测能力强,近年来成为各国重点的发展方向。但由于天基空间目标监视所处轨道环境和探测目标的特殊性,其实现也面临诸多挑战。其一,星图的预处理。太空环境复杂的噪声及杂散光,导致图像背景强度分布不均匀,这些非均匀性噪声在图像分割时将导致大量的虚警目标,影响目标检测,并给图像在轨处理带来了巨大的计算负担;其二,暗弱小目标的检测。在天基图像中,不同轨道的空间目标成像大小、强弱,运动速度、方向等复杂多样,导致检测难度增加,尤其是在背景大量恒星相似干扰下,对低信噪比目标进行有效检测尤为困难;其三,空间目标的高精度定位。空间目标由于轨道相对运动速度不同,低速目标在图像中的成像为点状,高速目标的成像为条状,天基平台振动以及背景噪声会影响其成像形状及灰度值,导致目标的定位误差。以上几个方面,是实现有效的天基空间目标监视所需要解决的关键技术问题。然而,当前针对天基空间目标检测的研究相对较少,且存在针对性不足、适用性不强的问题,因此,本论文围绕着天基图像背景非均匀性噪声的抑制消除、天基复杂背景下空间暗弱小目标的检测以及天基空间目标质心和端点的高精度定位三个方面,深入系统地展开了研究,主要进行了以下工作。（1）天基图像预处理算法研究星图预处理的主要目的是抑制或消除背景的非均匀性噪声对目标分割、检测的影响。针对传统的图像去噪算法在天基星图的去噪处理中难以适用的问题,首先,我们对天基星图背景中非均匀性噪声的来源、组成和特点进行分析,对Smear效应产生的原因及其对成像的影响进行了总结。然后,我们分析了传统的背景抑制方法的优点及存在的问题。最后,在上述研究的基础上,我们提出了一种基于一维自适应中值迭代的非均匀性噪声背景抑制消除算法。实验结果表明,本文所提方法可以兼顾对星图背景非均匀性噪声和Smear效应引起的亮线进行精确的消除,同时不损失暗弱小目标的信息,在不同场景下具有较强的鲁棒性。（2）天基复杂背景下暗弱小目标检测算法研究针对天基复杂条件下（如:多目标运动速度、方向各异,目标拖尾、低信噪比、受恒星遮挡,运动轨迹不连续、非线性等）暗弱小目标检测困难这一问题,我们充分利用空间目标的时空域特征,提出了一种利用多帧序列图像的空间目标检测的新方法。本方法基于经典的多级假设检验思想,引入了时空域管道检测方法,改进了空间目标轨迹候选点的获取方式,能够大大减少了虚警目标数量,降低了算法的时间开销。同时,我们利用提出的自适应搜索区间,实现了不需要任何目标的先验信息,即可对不同轨道的多个目标同时进行有效检测。最后,我们对所提出算法的有效性进行了仿真和真实星图的实验验证,结果表明,在目标信噪比为3时,目标检测率可达100%,即使目标信噪比低至1.5时,检测率仍可达到92%。此外,该算法具有较强的鲁棒性,较小的计算量,可实现在天基复杂背景下对暗弱小目标的有效检测。（3）天基空间目标定位技术研究目标的高精度定位对于目标运动状态的描述、轨道参数的确定以及空间位置的编目具有重要意义。因此,我们对空间目标定位技术展开了深入研究。首先,我们从传统的灰度质心定位算法出发,分析了其适用范围及局限性;然后,分析了传统方法中误差的来源,我们有针对性的提出了一种双线性插值迭代加权质心定位算法,通过插值和窗口迭代,提高了目标质心定位精度。实验结果表明,改进后的新算法在目标信噪比低至3时,定位精度可达0.14像元,远优于传统的灰度质心法。最后,针对单一质心信息难以对条状目标的位置及运动状态进行准确描述的问题,我们提出了基于Harris角点的条状目标端点定位方法。实验证明,该方法可有效的对条状目标进行端点定位,而条状目标端点的定位可以为目标位置的确定、角速度的估算等提供必要的信息,该方法的提出对于后续相关的研究具有重要的参考意义。
付文宇[4]（2020）在《海空背景下红外小目标检测方法研究》文中研究表明海空背景下小目标红外检测方法一直是图像处理领域中的热点及难点。由于红外图像中小目标具有无明显特征、尺寸小、像素数少等特点,导致对目标的远距离检测难度增加,难以获得小目标的相关信息。同时由于海杂波、海天线及天空云层等干扰因素,使得目标容易淹没在背景噪声及杂波当中。针对复杂海空背景下红外慢小目标的检测方法,本文的研究内容及创新如下:针对在远海背景下不易对目标准确检测,研究了区域目标检测预处理算法。通过分析红外图像区域的统计分布模型,并根据区域分布模型的差异性,筛选出符合要求的目标区域。对海空背景下红外小目标进行检测,结果表明区域目标检测的预处理算法可实现对目标的初步定位,对提高小目标的检测率、降低虚警率和漏警率具有极为重要的意义。针对复杂海空背景下杂波及噪声点的消除、对不同海空场景中目标的自适应检测,研究了基于区域目标检测的自适应目标分割算法。建立数学模型得到自适应不同背景的阈值,从而根据阈值分割得到目标区域二值化图像,对区域图像进行重构获取检测结果。分别采用单一目标、多目标、不同海空背景下的单帧红外图像进行仿真实验,并与传统算法对比,结果表明该算法对单一目标、多目标、在不同海空背景下均具有较好的检测效果。为了确定真实目标,引入改进的管道滤波算法,对序列图像中目标的检测与计数同步进行,提出了基于ATS-RTD和管道滤波的结合算法,对两组序列图像进行实验验证,结果表明该结合算法可以准确地检测真实小目标,并且对背景的抗干扰能力强。针对海空背景下红外小目标检测的实时性、对不同海空场景中目标自适应并稳定地检测,研究了基于区域目标检测的块均值算法。对预处理后的红外图像建立块匹配模板,与目标区域各像素点匹配得到区域内的目标,通过区域图像重构获得最终检测结果。采用三幅不同的红外图像进行仿真验证,结果表明该算法对单一目标,多目标,在不同海空背景下均具有良好的检测性能;与Top-hat、Otsu等四种算法作对比,结果表明该算法具有高实时性、自适应性、高检测率等优点。为了排除噪声点等干扰,提出了基于BM-RTD和管道滤波的小目标检测算法,对两组序列图像进行实验验证,结果表明该结合算法实时性较好,可以适用于不同海空背景下小目标的检测,具有较高的检测率和抗干扰性能。
杨其利[5]（2020）在《基于深度学习的红外弱小目标检测研究》文中研究指明红外弱小目标检测与跟踪是红外导引领域中的一项关键技术,在红外隐身空间飞行器探测、小天体探测、导弹制导和战场侦察等航空航天领域的研究中具有重要地位。本文围绕远距离探测红外弱小目标的技术需求,重点研究了复杂背景下红外图像的弱小目标检测和轨迹跟踪问题,本文的主要工作和研究成果包括:首先,描述了红外图像的模型构建方法,针对红外图像的目标辐射特性、背景特性和噪声特性进行了细致的分析,介绍了弱小目标检测的性能评价指标,总结了红外弱小目标的检测难点。此外,介绍了三种基于人类视觉特性的弱小目标检测算法,作为本文研究工作的对比方法,验证所提算法的科学性和有效性。对于复杂环境下单帧红外图像中信杂比低于3的弱目标,使用手工特征提取的算法容易出现虚警,而拥有强大特征提取能力的深度学习算法无法对微小且缺乏轮廓信息的目标训练。因此,本文采用滑动窗口取样训练,它源自基于人类视觉特性传统算法中嵌套结构的思想,设计了使用递归卷积层的全卷积网络。在不增加训练参数条件下,该网络不仅扩展了网络深度,并且其并行卷积结构的多个分支结构还能模拟传统算法的多尺度操作。此外,本文还设计了多种损失函数来对抗正负样本严重不平衡的问题。实验结果表明,该算法能够取得比传统算法更好的检测效果。对于单帧图像中不足12个像素的小目标,链式结构在网络加深时会出现目标信息丢失的问题,而拥有信息融合和监督机制的编码器-解码器则能够改善这一缺陷。因此,本文在此基础上设计了全卷积递归网络。通过借鉴编码器-解码器特征融合的特点,该算法采用了全卷积网络中的滑窗取样训练,并且使用了密集连接操作、递归卷积操作和并行卷积操作。实验表明,在同一虚警率情况下,该方法的目标检测率总是最高的,证明本文提出的全卷积网络相较于传统方法具有更优的检测效果。最后,对于图像序列中不足6个像素的运动目标,本文提出了一种由3D卷积核和卷积长短时记忆层构建的模型,其中长短时记忆层门控单元中的全连接操作被改为卷积操作。针对该模型噪声残留较多的问题,该算法创造性地引入了注意力机制。3D卷积核提取连续15帧图像的短期时空信息;卷积长短时记忆层提取序列的长期时空信息;注意力机制则舍弃背景信息并关注目标信息。实验表明,基于输出门注意力卷积长短时记忆网络在均方根误差和平均绝对误差上相对于其他方法分别平均降低了31.0%、39.5%,在峰值信噪比和结构相似度指标上则分别平均提高了18.7%、3.1%,表明该方法背景杂波残留最少,检测效果最优。
许美琪[6]（2020）在《复杂背景下红外弱小目标检测方法研究》文中进行了进一步梳理复杂背景下红外弱小目标检测技术对于红外预警、精确制导等领域的发展具有重要的意义。越早地探测到目标,就能够为后端提供更多的反应时间,因此实现远距离的有效探测十分重要。与传统的雷达系统相比较,红外搜索与跟踪系统是无源被动工作系统,通过接收物体的不同辐射能量识别目标,并且具有体积小、重量轻等优点,适合安装在战斗机或无人机上。弱小目标在图像中所占像素极少,且没有物体的细节和纹理特征。在成像过程中受背景云层、大气辐射等因素的影响,接收到的目标强度大大降低,经常造成目标辐射强度低于红外图像中非目标区域的辐射强度,导致在探测目标时容易出现目标丢失和高虚警概率等现象。另外红外弱小目标检测技术是红外搜索与跟踪系统的重要组成,是军事、航空和航天应用的关键技术,因此复杂背景下红外弱小目标的检测是一项极具实际意义的研究方向。本文从红外弱小目标的成像特征入手,分别针对背景抑制、阈值分割和时空域联合检测方法进行了研究,提出能有效解决弱小目标的弥散和多形态特征的检测方法,最终实现复杂背景下红外弱小目标的有效检测。首先针对红外弱小目标的成像特点进行了详细研究,由于探测距离远导致目标成像面积小,而背景则多为大面积的云层或建筑物等复杂背景,所以要先对图像进行预处理。在单帧图像的红外目标检测中,为了探测低信噪比目标,针对图像背景复杂和目标形态多样等问题提出一种新的背景抑制方法。在预处理部分,考虑目标的扩散和目标在像平面的动态分布特征,在软形态学的基础上进行改进,结合多方向动态滤波模板,滤波模板选取4个方向的5×5的结构元素,这样可以有效地抑制背景,最大程度保留目标形状信息,并具有更好的鲁棒性。在阈值分割部分,提出多方向梯度阈值分割方法,统计8个方向不同步长的梯度值,统计超过阈值的梯度数量筛选目标点。最后通过能量集中度剔除可能残留的虚警噪点。实验证明,提出的检测方法能够有效提高目标探测率降低虚警率,探测率达到98.5%,与其他算法相比,本文提出的算法分别将探测率提高了20%和14%,虚警率降低了52.6%和44.4%。单帧检测容易造成漏检和虚警率高等问题,为进一步降低虚警率,研究了时空域联合红外弱小目标检测方法。本文将背景建模与数据关联相结合,提出一种新的时空域联合检测算法。首先经过空域滤波进行初级抑制,图像中每个像素点灰度值都与相邻像素灰度值有关,针对这一特性建立模型对背景进行估计,并与原图像差分将大部分背景去除。然后利用能量集中度准则可将残留的虚警点剔除,提高探测率。根据运动目标在多帧图像中的连续性,利用粒子滤波对目标轨迹进行跟踪,确定目标位置。分别对纯净天空背景和云层背景的序列图像进行检测,实验证明,提出算法可以有效跟踪目标轨迹,实现多帧目标检测。
吴言枫[7]（2020）在《复杂背景下“低小慢”目标检测技术研究》文中指出“低小慢”目标是飞行高度低于2千米且飞行速度小于50千米/小时的这一类小型航空设备的统称[1]。作为代表的多旋翼无人机以及遥控航模具备体积较小、质量轻以及易于改装的特点,如果在“低小慢”航空器上配备摄像头或炸药并用于不正当途径,会对我国公众安全和空防安全造成潜在威胁,因此类似于“反无人机群”课题的低空慢速小目标检测技术研究已经成为热点问题。为此,本文在充分调研国内外研究现状的基础上,就复杂背景下低空慢速小目标的检测问题进行了研究,具体分析了复杂背景中“低小慢”目标的成像特征、噪声特征、目标特征以及背景特征,提出了一套具备复杂空间环境自适应性的“低小慢”目标检测方法。本文就可见光图像和红外图像针对性地提出了不同的“低小慢”目标检测算法。对于可见光相机拍摄下的复杂场景:（1）针对逆光和局部高亮情况,提出了一种基于不均匀光照校正的背景建模算法。该体系引入二维伽马函数自适应抑制光照不均匀图像以及提取颜色特征,并借助扩展尺度局部不变算子提取纹理特征,级联至ViBe+背景模型中实现对“低小慢”目标的有效检测;（2）针对复杂动态场景,提出了一种基于视觉显着性的目标检测算法。该算法充分利用了低空慢速小目标的颜色显着性特征提高前后背景对比度,并提出形态学差分方法选取目标种子点、改进扫描线填充算法实现对目标的选取。本文选取7组复杂天空背景的视频序列对算法进行了验证。结果表明,本文提出的算法具备复杂空间环境下对低空慢速小目标进行准确检测的能力。对于红外相机拍摄下的复杂场景:（1）针对具有非均匀噪声的红外图像,提出了一种基于TCAIE-LGM（Adaptive L0 Gradient Minimization Smoothing based on Texture Complexity and Information Entropy）平滑的低空慢速小目标检测算法。算法计算图像的纹理复杂度和二维信息熵作为控制参数,并通过自适应L0梯度最小平滑去除条纹噪声并抑制图像高频细节。在此之后,将双高斯差分算子（DoG）引入到了基于像素的多帧模型中实现目标和复杂背景的有效分割。为了验证算法的有效性,本文研究过程中使用3组视频（来自VOT-LTIR 2015数据库、OTCBVS数据库和Terravic Motion IR数据库）对算法进行了测试,并利用红外相机实时拍摄的视频序列对算法进行了验证。结果表明本文提出的算法可以降低虚警率并以较高的准确率完成检测;（2）对于非平稳复杂场景的红外图像,本文提出了一种“低小慢”目标的快速检测算法。累积直方图可以很好地表征图像的灰度分布,该算法利用双高斯函数拟合其直方图,并借助最大似然估计方法剔除图像中的杂波和孤立噪声点。文中提出的基于四条件约束的区域增长可以有效获取完整目标,构造的置信度函数可以大幅度提高目标判决的准确性。经过实验验证,算法在主频为3.2Ghz、8核CPU、8G内存的上位机环境,检测2km外、640×512分辨率图像中的无人机平均每帧耗时0.085s,能够满足基本检测需求。对于多源传感器环境下的复杂场景:提出了一种基于红外和可见光图像融合的低空慢速小目标检测算法。算法根据图像的加权移动方式和信息熵理论定位目标候选区域,并将红外图像和可见光图像进行融合形成先验,通过基于局部背景建模的方式提取目标。本算法可以全天时工作,相比于传统基于单传感器的低空慢速小目标检测技术在准确率上具有明显得的优势。经公共数据集验证,所提算法的准确率高于95%,与传统的单一传感器检测算法相比提高了10%以上。
彭凌冰[8]（2020）在《复杂成像探测中的微弱目标检测算法研究》文中进行了进一步梳理成像目标检测、识别与跟踪是计算机视觉领域的研究热点,无论在军事还是民用领域都有着极其广泛的应用。尤其在军事领域,微弱成像目标检测在雷达探测及光电探测系统中均具有?分重要的作用,对图像中目标的检测精度将直接影响系统的探测性能。实际应用中,需要捕获目标场景的诸多细节信息,便于图像解析及对各类运动军事目标的探测与识别。由于容易受到光照条件、场景复杂度、目标运动速度及可能发生的遮挡等众多因素影响,目前现有的目标检测算法还存在鲁棒性不强、精度不高、实时性及适应性较差等诸多局限性,这将直接影响成像探测系统的目标探测性能。本文围绕复杂成像探测中的微弱目标检测方法,开展相关基础理论及应用研究,旨在进一步提高目标检测精度、降低虚警率和满足工程应用的实时性要求,以期提高成像探测系统的性能。本文主要工作包括以下几个方面:（1）对复杂成像探测系统中的目标检测基础理论进行了研究和算法仿真,包括帧差法、背景减除法、光流法以及基于这些理论的扩展和改进算法。重点针对复杂红外场景下的弱小目标检测涉及到的特有算法和理论进行了研究,如红外图像预处理、红外图像高分辨率重建及红外图像稀疏表示方法等,并进行仿真测试。总结了各种算法的适应性,为后续研究打下了坚实的基础。（2）针对复杂背景红外弱小目标检测难点问题,开展了复杂动态场景下的红外成像背景建模方法研究。重点开展了混合高斯背景建模及非参数核密度估计背景建模方法等,进行了实际场景数据的仿真、测试和评价,构建了基于背景建模和估计来解决低信噪比红外弱小目标检测的技术途径。du（3）提出了基于多尺度、多方向特征融合的红外弱小目标检测方法。即在Sheartlet变换域中引入高频系数Kurtosis最大化准则,利用复杂红外图像中的背景、弱小目标及噪声三者在分解后不同高频子带中具有不同模极大值的特性来达到抑制复杂背景及噪声的目的,解决了复杂红外场景中噪声及背景干扰下的弱小目标检测问题。（4）从红外图像目标的视觉显着性模型入手,提出了多方向多尺度高提升响应的红外弱小目标检测方法。通过设计空域八方向各向异性滤波器及不同尺度下的局部高提升滤波策略,以解决红外成像场景下的背景杂波干扰及噪声抑制问题。最后,对提出的算法进行了多组实际红外场景的仿真实验,通过与其它现有算法的对比分析,本文算法在检测率、实时性等方面有较大的性能提升,验证了本文算法的可行性与有效性。（5）提出了基于最优分数域时频分析的SAR图像弱目标检测算法。通过引入分数域时频分析理论,将常规时频分析扩展到分数阶傅立叶变换（FrFT）域,通过设计和优化分数域Gabor变换（FrGT）的最优阶和对应的窗函数,进一步提高了SAR图像的时频分辨率。最后利用分数域能量衰减梯度特征进行SAR目标的检测。通过对MSTAR数据集几种典型SAR成像目标的仿真测试,本文提出的算法具有较高的检测精度和较好的检测性能,为SAR目标检测和识别提供了新的技术途径。
黄苏琦[9]（2020）在《时空谱多特征联合红外弱小目标检测方法研究》文中研究指明红外弱小目标检测技术是红外监视、红外预警以及红外搜索与跟踪等系统中的关键技术,在交通、安防及军事领域应用广泛。在这类应用场景中,由于成像距离远,目标在图像中的尺寸小;考虑到成像系统噪声及背景杂波干扰,目标在图像中的信杂比低;故目标在远距离红外成像后呈现为弱小目标。红外弱小目标具有特征少、强度低、成像环境复杂、运动状态复杂等特点,这些因素给检测任务带来了巨大的困难和挑战。经过几十年的发展,红外弱小目标检测技术已经取得了长足的进步,但是在复杂背景条件下,或是在差异较大的多个场景中,现有检测方法仍然难以稳定地消除虚警,实际表现仍有待提升。本文开展了时空谱多特征联合红外弱小目标检测方法研究。该研究致力于在空间域、时间域以及变换域中搜寻和构建特征以增强目标和背景的区分性,并根据各域特征的特点和优势,对多域特征进行综合分析和利用,从而提升红外弱小目标检测的质量和稳定性。具体而言,本文的主要内容包括以下几个方面:（1）对红外弱小目标检测基础理论进行了梳理和介绍。本文分析了远距离红外成像后的目标和背景特性,并通过与可见光目标检测任务进行对比,给出了红外弱小目标检测任务的具体描述,描绘了红外弱小目标检测算法的框架,介绍了红外弱小目标检测算法的性能评价手段。这部分研究内容是红外弱小目标检测的基础,在本文后续的方法研究中均有应用。（2）提出了一种基于链条生长滤波的红外背景杂波抑制方法。链条生长滤波模型可以调整自身形状以适应多种杂波结构,例如直线,曲线和不规则边缘等,从而仅仅使杂波区域内部像素点参与特征提取运算,降低了杂波形状对特征提取的影响。与基于固定形状的特征提取策略相比,链条生长滤波模型具备更强的红外背景杂波抑制能力,也因而获得了更出色的检测性能。（3）提出了一种基于密度峰搜索的红外弱小目标检测方法。该方法将图像中的像素点映射到“密度-?距离”特征空间,通过密度峰搜索方法快速剔除大部分平缓区域中的像素点,并提取少数局部“密度”极大值点（密度峰）作为候选目标。针对这些候选目标,提出了一种基于最大灰度区域生长的特征提取方法,从而增强了对复杂形态背景杂波的抑制效果。在决策阶段,采用了一种基于四分位数的阈值方法,获得了场景鲁棒性更强的决策阈值。在算法评价过程中,将红外图像中的密度峰划分为正负样本,通过改变决策阈值,绘制出PR曲线;相比于红外弱小目标检测领域常用的ROC曲线,PR曲线可以更明显地反映出各算法间的性能差异。基于密度峰搜索的红外弱小目标检测方法保证了特征提取模块的高质量和高效率,从而实现了对检测性能和运算速度的兼顾。（4）提出了一种基于核相关滤波的红外弱小运动目标检测方法。该方法通过核相关滤波算法对帧间背景运动进行建模和补偿,通过帧间差分法对当前帧的相对运动特征进行提取,并对提取出的相对运动特征图进行阈值分割,从而完成运动目标检测。该方法实现了背景、目标两种运动模式的分离,有效利用了目标的相对运动特征,大幅提升了背景运动条件下红外弱小运动目标的检测效果。此外,该方法将大量运算过程置于频域中进行,运算效率高,可以满足实时性要求,这对该算法的实际应用具有重要意义。（5）提出了一种时空谱多域特征联合的鲁棒检测策略。该方法采用链条生长滤波进行空域特征提取,采用核相关滤波（主要在频域中进行运算）进行时域运动特征提取,并利用这两种独立性强、互补性强的特征对红外图像中每个像素点进行联合表达;根据提取出的多域特征,利用异常检测算法计算每个像素点的置信度,并通过阈值化置信度图来输出最终检测结果。该方法充分发挥了空域、时域及谱域特征各自的特点和优势,增大了目标与背景在特征空间中的分离程度,提升了检测结果的置信度,并增强了检测算法在多种类型红外场景中的鲁棒性。大量实验测试表明,本文提出的空域检测方法、时域检测方法在与其他同类型算法的比较中表现优异,提升了红外弱小目标检测算法在复杂背景条件下的性能;而本文提出的多域特征联合检测方法在与其他单域算法的比较中表现优良,提升了红外弱小目标检测算法在不同类型场景中的稳定性。此外,本文提出的方法注重运算过程的高效性,这使本研究除了具有理论意义还具备一定的应用价值。
郝璐璐[10]（2020）在《基于视觉显着性的红外小目标检测算法研究》文中研究表明针对红外监视与告警系统作用距离短、反应时间长的问题,鲁棒的红外小目标检测技术作为系统中的关键技术,不仅可以增大其作用距离,而且有助于提高其反应速度,及时地发现并锁定目标,因此对于目标的远距离监控预警具有十分重要的意义。然而在实际应用中,视场中的场景通常复杂多变,大量的背景杂波和噪声给小目标的检测带来诸多干扰,导致许多虚假目标的出现。真实目标则以点或斑块状的小目标形态出现在红外图像中,缺乏清晰的纹理和轮廓信息,并随着探测视场与自身运动的变化具有一定的尺度变化,导致其单帧检测相当困难。特别是在信噪比极低的环境下,小目标容易湮灭在起伏的背景中,进一步增加了检测难度。针对上述问题,本文对复杂场景下红外小目标检测算法进行深入研究,以视觉显着性为基础,开展了以下工作:（1）建立了一种重加权的全局低秩分解检测模型。针对复杂场景中红外小目标由于背景杂波与噪声干扰导致的单帧检测困难问题,本文从视觉显着性检测角度出发,以矩阵的低秩稀疏分解理论为基础,对IPI模型进行改进,建立了一种重加权的红外小目标检测模型。采用非精确拉格朗日乘子法快速求解新模型,将目标与背景完全分离,实现了背景区域的有效抑制和小目标的显着增强。相较于其它几种显着性检测模型的显着图,该模型的显着图更加稳定可靠,表明其对复杂场景更强的适应能力。（2）检测性能的优化改善。针对显着图中小目标与背景残留的显着值差异不大、区分度低的问题,首先,利用简单线性迭代聚类算法对图像进行合理分块,降低后续操作的复杂度。接着,基于背景的连续性和目标的局部孤立性,采用一种简洁有效的相似性度量策略来重新分配显着图中各部分的显着值,进一步提升背景的抑制能力和小目标的增强作用,实现小目标的完整分割和尺度自适应检测。最后,针对显着图中不可避免的残留区域,基于小目标的局部孤立性和各向同性,实施一种方向一致性检验方法,对候选目标区域进行筛选,减少虚假目标,提升算法的稳健性。（3）算法性能的实验验证。为验证本文算法的检测性能,构建了一个复杂场景下的红外序列图像小目标检测数据集,并与四种基线算法进行对比实验。实验结果表明,本文算法相比于基线算法有一定的优越性,实现了小目标的尺度自适应和精确定位,检测结果鲁棒可靠,是一种能够在提升复杂场景下检测性能和降低虚警率两者之间取得良好折中的红外小目标检测方法。
二、基于小波互能量交叉的复杂背景中红外小目标检测方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波互能量交叉的复杂背景中红外小目标检测方法（论文提纲范文）
（1）对地观测红外成像虚警源检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 对地观测红外成像技术 |
| 1.2.2 虚警源检测技术 |
| 1.2.3 红外目标检测技术 |
| 1.3 主要研究工作及技术路线 |
| 1.4 论文结构安排 |
| 第二章 红外探测成像特性及视觉特征分析 |
| 2.1 概述 |
| 2.2 虚警源与目标的形成 |
| 2.2.1 红外成像原理 |
| 2.2.2 虚警源与目标 |
| 2.3 虚警源特性分析 |
| 2.4 目标特性分析 |
| 2.5 本章小结 |
| 第三章 结合形态特性及纹理分析的河流检测 |
| 3.1 概述 |
| 3.2 局部二值模式特征 |
| 3.3 形态学方法 |
| 3.4 基于LBP特征及形态学理论的河流检测方法 |
| 3.4.1 算法流程 |
| 3.4.2 实验数据 |
| 3.4.3 参数设置 |
| 3.4.4 实验结果及分析 |
| 3.5 Frangi滤波 |
| 3.6 剪切波变换 |
| 3.7 基于Frangi滤波及剪切波变换的河流检测方法 |
| 3.7.1 算法流程 |
| 3.7.2 实验数据 |
| 3.7.3 参数设置 |
| 3.7.4 实验结果及分析 |
| 3.8 本章小结 |
| 第四章 基于多显着性特征融合的卷云检测方法 |
| 4.1 概述 |
| 4.2 卷云 |
| 4.3 视觉显着性 |
| 4.4 基于视觉显着性特征融合的卷云检测方法 |
| 4.4.1 算法流程 |
| 4.4.2 实验数据 |
| 4.4.3 参数设置 |
| 4.4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 联合分形理论及稀疏表示的卷云检测 |
| 5.1 概述 |
| 5.2 随机分形理论 |
| 5.3 基于稀疏表示的图像分解理论 |
| 5.4 基于随机分形模型及稀疏表示的卷云检测算法 |
| 5.4.1 算法流程 |
| 5.4.2 实验数据 |
| 5.4.3 参数设置 |
| 5.4.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 虚警源检测技术与应用 |
| 6.1 概述 |
| 6.2 基于虚警源检测的对地观测红外目标检测理论 |
| 6.3 虚警源检测理论的其他应用 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 附录 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（2）红外弱小目标检测跟踪技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外弱小目标检测算法研究现状 |
| 1.2.2 红外弱小目标跟踪算法研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文章节内容安排 |
| 第2章 样本预处理 |
| 2.1 红外图像特性分析 |
| 2.1.1 红外成像原理 |
| 2.1.2 目标、背景及噪声特性分析 |
| 2.2 常用的预处理方法 |
| 2.2.1 中值滤波 |
| 2.2.2 高斯滤波 |
| 2.2.3 边缘检测算子的图像分割处理 |
| 2.2.4 形态学滤波 |
| 2.3 三维小波滤波 |
| 2.3.1 引言 |
| 2.3.2 小波变换原理 |
| 2.3.3 三维小波变换 |
| 2.3.4 小波阈值处理 |
| 2.3.5 预处理结果分析 |
| 2.4 本章小结 |
| 第3章 目标检测 |
| 3.1 目标检测算法概述 |
| 3.2 基于主成分分析算法 |
| 3.2.1 主成分分析法 |
| 3.2.2 张量核范数法 |
| 3.2.3 结果分析 |
| 3.3 帧间差分法 |
| 3.3.1 多帧检测方法 |
| 3.3.2 帧差分法的具体流程 |
| 3.3.3 检测结果对比分析 |
| 3.4 本章小结 |
| 第4章 轨迹验证及跟踪 |
| 4.1 轨迹验证 |
| 4.1.1 运动目标验证及光流法 |
| 4.1.2 基于目标局域灰度概率值的轨迹验证 |
| 4.2 目标跟踪的方法 |
| 4.2.1 跟踪方法概述 |
| 4.2.2 基于时空上下文的目标跟踪方法原理 |
| 4.2.3 时空上下文跟踪算法流程 |
| 4.2.4 目标跟踪结果 |
| 4.3 本章小结 |
| 第5章 实验结果与分析 |
| 5.1 两种方法的目标检测跟踪结果对比 |
| 5.2 基于主成分分析的单帧检测法分析 |
| 5.3 优化的帧差法结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望未来 |
| 参考文献 |
| 附录 1 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（3）天基复杂背景下空间暗弱小目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 空间目标的定义及空间碎片的来源 |
| 1.1.2 空间目标的数量和分布 |
| 1.1.3 空间碎片的危害 |
| 1.1.4 空间目标监视的方法及重要意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间目标监视系统发展现状及发展趋势 |
| 1.2.2 空间目标检测技术研究现状 |
| 1.2.3 技术难点 |
| 1.3 本论文主要研究内容及章节安排 |
| 1.3.1 本论文主要研究内容 |
| 1.3.2 论文章节安排 |
| 1.4 本章小结 |
| 第2章 天基复杂背景下空间暗弱小目标检测技术基础 |
| 2.1 引言 |
| 2.2 空间目标检测技术基础 |
| 2.2.1 图像预处理技术 |
| 2.2.2 暗弱小目标检测技术 |
| 2.2.3 空间目标质心定位技术 |
| 2.3 天基空间目标探测系统成像链路分析 |
| 2.3.1 目标辐射特性 |
| 2.3.2 光学系统 |
| 2.3.3 探测器 |
| 2.4 最佳积分时间的确定 |
| 2.4.1 信噪比 |
| 2.4.2 运动拖尾 |
| 2.4.3 积分时间对成像的影响 |
| 2.4.4 积分时间优化选择 |
| 2.5 天基仿真星图数据的生成 |
| 2.5.1 恒星背景图像的生成 |
| 2.5.2 不同轨道运动目标图像的生成 |
| 2.6 本论文使用的真实星图数据介绍 |
| 2.7 本章小结 |
| 第3章 天基图像预处理技术研究 |
| 3.1 引言 |
| 3.2 天基图像背景成像特性分析 |
| 3.2.1 图像背景噪声 |
| 3.2.2 图像背景非均匀性 |
| 3.2.3 图像Smear(漏光-拖尾)效应 |
| 3.3 非均匀性噪声背景的抑制算法 |
| 3.3.1 传统图像背景抑制方法的分析 |
| 3.3.2 基于一维自适应中值迭代的非均匀性噪声去除算法 |
| 3.4 实验结果与分析 |
| 3.4.1 仿真星图实验 |
| 3.4.2 真实星图实验 |
| 3.4.3 不同非均匀性星图背景下算法的鲁棒性 |
| 3.4.4 不同目标下算法的鲁棒性 |
| 3.5 本章小结 |
| 第4章 天基复杂背景下空间暗弱小目标检测技术研究 |
| 4.1 引言 |
| 4.2 基于时空域管道的拟多级假设检验算法理论 |
| 4.2.1 时空域管道滤波算法 |
| 4.2.2 序列图像多级假设检验算法 |
| 4.3 基于时空域管道拟多级假设检验的目标检测 |
| 4.3.1 目标时空域成像特性分析及模型的建立 |
| 4.3.2 时空域管道滤波去除背景恒星和噪声 |
| 4.3.3 时空域管道拟多级假设检验检测目标 |
| 4.3.4 算法性能分析 |
| 4.4 实验结果与分析 |
| 4.4.1 仿真目标的建模与生成 |
| 4.4.2 单帧候选点的检测率 |
| 4.4.3 SPMHT算法的检测率 |
| 4.4.4 SPMHT算法在复杂条件下的鲁棒性 |
| 4.4.5 真实目标检测试验 |
| 4.5 本章小结 |
| 第5章 天基空间目标定位技术研究 |
| 5.1 引言 |
| 5.2 空间目标质心定位算法 |
| 5.2.1 传统基于灰度质心定位算法的分析 |
| 5.2.2 双线性插值迭代加权质心法 |
| 5.2.3 实验结果与分析 |
| 5.3 条状目标的端点定位算法 |
| 5.3.1 基于Harris角点的条状目标端点定位方法 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 主要创新点 |
| 6.3 展望及待研究工作 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）海空背景下红外小目标检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 TBD类方法 |
| 1.2.2 DBT类方法 |
| 1.2.3 现存主要问题 |
| 1.3 主要研究内容 |
| 1.4 论文章节安排 |
| 第2章 红外小目标检测理论与技术研究 |
| 2.1 红外成像系统原理 |
| 2.2 红外图像分析 |
| 2.2.1 背景特性分析 |
| 2.2.2 噪声特性分析 |
| 2.2.3 慢小目标特性分析 |
| 2.3 单帧红外小目标检测 |
| 2.3.1 数学形态学Top-hat变换 |
| 2.3.2 中值滤波算法 |
| 2.3.3 均值滤波算法 |
| 2.3.4 阈值分割法 |
| 2.4 管道滤波算法 |
| 2.5 红外小目标检测评价指标 |
| 2.5.1 检测概率 |
| 2.5.2 虚警概率 |
| 2.5.3 仿真时间 |
| 2.6 本章小结 |
| 第3章 区域目标检测预处理算法 |
| 3.1 几种典型的分布模型及分析 |
| 3.1.1 高斯分布 |
| 3.1.2 瑞利分布 |
| 3.1.3 对数-正态分布 |
| 3.1.4 威布尔分布 |
| 3.1.5 伽马分布 |
| 3.2 K-S检验 |
| 3.3 区域目标检测预处理技术原理 |
| 3.3.1 区域目标检测预处理算法流程及原理分析 |
| 3.3.2 图像区域划分 |
| 3.3.3 区域统计分布模型的拟合 |
| 3.3.4 区域差异性计算 |
| 3.4 仿真验证及结果分析 |
| 3.4.1 图像区域划分结果验证 |
| 3.4.2 区域统计分布模型的拟合结果验证 |
| 3.4.3 区域差异性算法结果验证 |
| 3.5 本章小结 |
| 第4章 基于区域目标检测的自适应目标分割算法 |
| 4.1 基于区域目标检测的自适应目标分割算法原理 |
| 4.1.1 算法流程及原理分析 |
| 4.1.2 自适应目标分割算法 |
| 4.1.3 图像重构算法 |
| 4.2 仿真验证及结果分析 |
| 4.2.1 单目标检测结果及分析 |
| 4.2.2 多目标检测结果及分析 |
| 4.2.3 不同海空背景下小目标检测结果及分析 |
| 4.3 基于ATS-RTD和管道滤波的小目标检测算法 |
| 4.3.1 基于ATS-RTD和管道滤波的小目标检测算法原理 |
| 4.3.2 单目标序列图像检测仿真验证 |
| 4.3.3 多目标序列图像检测仿真检测验证 |
| 4.4 本章小结 |
| 第5章 基于区域目标检测的块均值算法 |
| 5.1 基于区域目标检测的块均值算法原理 |
| 5.1.1 算法流程及原理分析 |
| 5.1.2 块匹配均值算法 |
| 5.2 仿真验证及结果分析 |
| 5.2.1 单目标检测结果及分析 |
| 5.2.2 多目标检测结果及分析 |
| 5.2.3 不同海空背景下小目标检测结果及分析 |
| 5.3 基于BM-RTD和管道滤波的小目标检测算法 |
| 5.3.1 基于BM-RTD和管道滤波的小目标检测算法原理 |
| 5.3.2 单目标序列图像检测仿真验证 |
| 5.3.3 多目标序列图像检测仿真验证 |
| 5.4 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）基于深度学习的红外弱小目标检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 本文研究背景和意义 |
| 1.2 红外运动弱小目标检测的研究内容 |
| 1.2.1 运动弱小目标的概念 |
| 1.2.2 地基平台红外运动弱小目标检测的研究内容 |
| 1.2.3 天基平台红外运动弱小目标检测的研究内容 |
| 1.2.4 本文研究内容和技术指标 |
| 1.3 红外运动弱小目标检测的研究现状分析运动弱小目标的概念 |
| 1.3.1 国内外相关实验室研究工作 |
| 1.3.2 基于单帧图像的跟踪前检测算法 |
| 1.3.3 基于序列图像的检测前跟踪算法 |
| 1.4 创新点汇总和章节安排 |
| 1.4.1 本文创新点汇总 |
| 1.4.2 章节安排 |
| 第2章 红外图像特性分析 |
| 2.1 红外图像的模型构建 |
| 2.2 红外图像弱小目标检测的影响因素分析 |
| 2.2.1 目标特性分析 |
| 2.2.2 背景特性分析 |
| 2.2.3 噪声特性分析 |
| 2.3 主要技术指标 |
| 2.4 红外弱小目标检测的难点 |
| 2.5 人类视觉系统特性在红外弱小目标检测中的应用 |
| 2.5.1 人类视觉系统概述 |
| 2.5.2 人类视觉系统特性及其应用 |
| 2.5.3 人类视觉系统特性在红外弱小目标检测领域的不足之处 |
| 2.6 基于人类视觉系统特性的红外弱小目标检测算法 |
| 2.6.1 基于HVS单尺度的拉普拉斯-高斯(Lo G)算法 |
| 2.6.2 基于多尺度块的局部对比度测量(MPCM)算法 |
| 2.6.3 多尺度平均绝对灰度差(MS-AAGD)算法 |
| 2.6.4 不同HVS算法的优缺点 |
| 2.7 本章小结 |
| 第3章 基于全卷积网络的红外弱小目标检测方法 |
| 3.1 研究动机 |
| 3.2 卷积神经网络理论基础 |
| 3.2.1 神经元与卷积神经网络结构 |
| 3.2.2 卷积神经网络前向传播 |
| 3.2.3 卷积神经网络反向传播 |
| 3.3 全卷积网络与卷积神经网络的不同点 |
| 3.4 基于全卷积网络的红外弱小目标检测方法 |
| 3.4.1 残差单元 |
| 3.4.2 递归模块 |
| 3.4.3 检测方案 |
| 3.4.4 模型设计 |
| 3.4.5 损失函数 |
| 3.4.6 实验设置 |
| 3.5 实验结果和分析 |
| 3.5.1 数据集描述 |
| 3.5.2 实验结果与性能对比 |
| 3.6 本章结论 |
| 第4章 基于全卷积递归网络的红外弱小目标检测方法 |
| 4.1 研究动机 |
| 4.2 基于全卷积递归网络的红外弱小目标检测方法 |
| 4.2.1 基于全卷积递归网络的红外弱小目标检测方法 |
| 4.2.2 全卷积递归网络体系结构 |
| 4.2.3 损失函数 |
| 4.2.4 实验设置 |
| 4.3 实验结果和分析 |
| 4.3.1 数据集描述 |
| 4.3.2 实验结果与性能对比 |
| 4.4 本章结论 |
| 第5章 基于卷积长短时记忆网络的红外弱小目标轨迹提取 |
| 5.1 研究动机 |
| 5.2 模型 |
| 5.2.1 递归神经网络 |
| 5.2.2 长短时记忆神经网络 |
| 5.2.3 卷积长短时记忆网络 |
| 5.2.4 3D卷积神经网络 |
| 5.3 基于卷积长短时记忆网络的目标轨迹提取算法 |
| 5.3.1 模型设计 |
| 5.3.2 实验设置 |
| 5.3.3 与基准模型的比较 |
| 5.4 基于注意力机制卷积长短时记忆神经网络的目标轨迹提取 |
| 5.4.1 注意力机制作用原理 |
| 5.4.2 基于注意力机制的Conv LSTM |
| 5.4.3 模型设计 |
| 5.4.4 实验设置 |
| 5.4.5 实验结果分析与对比 |
| 5.5 本章结论 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（6）复杂背景下红外弱小目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关领域的研究现状 |
| 1.2.1 红外搜索与跟踪系统(IRST)的发展概况 |
| 1.2.2 红外弱小目标检测技术研究现状 |
| 1.3 本文主要研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第2章 红外弱小目标检测算法介绍 |
| 2.1 引言 |
| 2.2 红外图像噪声分析 |
| 2.3 背景与目标特征分析 |
| 2.3.1 背景特征分析 |
| 2.3.2 弱小目标特征分析 |
| 2.4 背景抑制算法 |
| 2.4.1 空域滤波 |
| 2.4.2 频域滤波 |
| 2.4.3 时域滤波 |
| 2.5 弱小目标检测方法 |
| 2.5.1 基于稀疏表示的弱小目标检测 |
| 2.5.2 基于视觉显着性的弱小目标检测 |
| 2.5.3 基于主成分分析的弱小目标检测 |
| 2.6 本章小结 |
| 第3章 基于软形态学的背景抑制算法 |
| 3.1 引言 |
| 3.2 传统形态学算法 |
| 3.3 基于软形态学的背景抑制算法 |
| 3.3.1 软形态学算法原理 |
| 3.3.2 重复参数的选取 |
| 3.3.3 滤波模板的选取 |
| 3.4 实验结果对比分析 |
| 3.4.1 算法检测结果 |
| 3.4.2 对比与分析 |
| 3.5 本章小结 |
| 第4章 多方向梯度阈值分割 |
| 4.1 引言 |
| 4.2 图像分割 |
| 4.2.1 阈值分割 |
| 4.2.2 边缘分割 |
| 4.2.3 区域分割 |
| 4.3 多方向梯度阈值分割 |
| 4.3.1 恒虚警率研究 |
| 4.3.2 自适应恒虚警阈值选取 |
| 4.3.3 方向选取与梯度计算 |
| 4.4 实验结果分析 |
| 4.5 分析对比与结论 |
| 4.6 本章小结 |
| 第5章 时空域联合红外弱小目标检测方法 |
| 5.1 引言 |
| 5.2 帧间目标特性 |
| 5.2.1 帧间差分法 |
| 5.2.2 传统目标轨迹关联算法 |
| 5.3 时空域联合弱小目标检测方法 |
| 5.3.1 联合算法 |
| 5.3.2 背景建模 |
| 5.3.3 相关性检测 |
| 5.3.4 实验结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 论文主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）复杂背景下“低小慢”目标检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于不同图像属性的检测算法 |
| 1.2.2 基于不同原理的目标检测算法 |
| 1.2.3 基于不同目标特性的检测算法 |
| 1.2.4 基于不同图像背景的检测算法 |
| 1.3 “低小慢”目标检测面临的问题 |
| 1.4 本文的主要内容及结构安排 |
| 第2章 “低小慢”目标图像特性分析及相关预处理 |
| 2.1 引言 |
| 2.2 可见光相机的成像特性 |
| 2.3 复杂背景下可见光图像的预处理算法 |
| 2.3.1 基于直方图均衡化的光照校正 |
| 2.3.2 基于Gamma变换的光照校正 |
| 2.3.3 基于单尺度Retinex的光照校正 |
| 2.3.4 基于多尺度Retinex的光照校正 |
| 2.4 红外相机的成像特性 |
| 2.5 复杂背景下红外图像的预处理算法 |
| 2.5.1 红外图像动态噪声抑制算法 |
| 2.5.2 红外图像的非均匀性噪声抑制算法 |
| 2.5.3 红外图像的增强算法 |
| 2.6 本章小结 |
| 第3章 可见光背景下的“低小慢”目标检测 |
| 3.1 引言 |
| 3.2 基于光照校正的“低小慢”目标检测 |
| 3.2.1 基于二维伽马变换的颜色特征提取 |
| 3.2.2 基于ESILTP算子的纹理特征提取 |
| 3.2.3 基于ViBe+的目标检测 |
| 3.2.4 实验结果及性能分析 |
| 3.3 基于视觉显着性的“低小慢”目标检测 |
| 3.3.1 人眼视觉系统结构 |
| 3.3.2 显着性可计算模型 |
| 3.3.3 “低小慢”目标显着性特征分析 |
| 3.3.4 低小慢目标的检测 |
| 3.3.5 实验结果及性能分析 |
| 3.4 本章小结 |
| 第4章 红外背景下的“低小慢”目标检测 |
| 4.1 引言 |
| 4.2 基于TCAIE-LGM平滑的“低小慢”目标检测 |
| 4.2.1 自适应TCAIE-LGM平滑算法 |
| 4.2.2 基于像素的目标检测 |
| 4.2.3 实验结果及性能分析 |
| 4.3 非平稳复杂背景下的“低小慢”目标检测 |
| 4.3.1 “低小慢”目标辐射特性分析 |
| 4.3.2 红外图像感兴趣区域提取 |
| 4.3.3 基于四条件约束的区域生长 |
| 4.3.4 实验结果及性能分析 |
| 4.4 本章小结 |
| 第5章 基于多源传感器融合的“低小慢”目标检测 |
| 5.1 引言 |
| 5.2 目标候选区域提取 |
| 5.3 基于滚动引导滤波和加权最小二乘优化的图像融合 |
| 5.4 基于局部SuBSENSE的目标检测 |
| 5.5 实验结果及性能分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）复杂成像探测中的微弱目标检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及发展动态分析 |
| 1.2.1 成像目标检测技术 |
| 1.2.2 红外成像弱小目标检测 |
| 1.3 主要研究内容及技术路线 |
| 1.4 论文的结构安排 |
| 第二章 成像目标视觉检测基础理论 |
| 2.1 红外成像特性分析 |
| 2.1.1 红外成像机理 |
| 2.1.2 红外图像的特点 |
| 2.1.3 典型红外背景及目标特性分析 |
| 2.2 红外图像预处理 |
| 2.2.1 图像增强 |
| 2.2.2 红外图像高分辨重建 |
| 2.3 成像目标检测技术 |
| 2.3.1 帧间差分 |
| 2.3.2 背景减除法 |
| 2.3.3 光流法 |
| 2.3.4 动态规划 |
| 2.4 红外弱小目标检测 |
| 2.4.1 空时滤波法 |
| 2.4.2 视觉显着性检测 |
| 2.4.3 基于稀疏表示的弱小目标检测 |
| 2.5 本章小结 |
| 第三章 基于背景建模的目标检测算法 |
| 3.1 概述 |
| 3.2 高斯背景模型 |
| 3.2.1 单高斯背景模型 |
| 3.2.2 混合高斯背景模型 |
| 3.3 核密度估计背景模型 |
| 3.3.1 非参数估计方法 |
| 3.3.2 基于核密度估计的背景建模 |
| 3.4 实验结果与算法分析 |
| 3.4.1 实验结果 |
| 3.4.2 性能分析 |
| 3.5 本章小结 |
| 第四章 基于多尺度几何分析的红外目标检测算法 |
| 4.1 概述 |
| 4.2 多尺度几何分析 |
| 4.2.1 多尺度几何分析理论 |
| 4.2.2 Contourlet变换 |
| 4.2.3 Shearlet变换 |
| 4.3 基于NSST的红外弱小目标检测 |
| 4.3.1 多特征融合与Kurtosis最大化 |
| 4.3.2 基于最大对比度准则的阈值分割 |
| 4.4 实验结果与性能分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.4.3 性能分析 |
| 4.5 本章小结 |
| 第五章 基于视觉显着性的红外弱小目标检测方法 |
| 5.1 概述 |
| 5.2 视觉显着性模型 |
| 5.3 红外弱小目标视觉显着性检测 |
| 5.3.1 局部对比度检测模型 |
| 5.3.2 红外目标HB-MLCM检测算法 |
| 5.4 基于MDMSHB模型的红弱小目标检测方法 |
| 5.4.1 方向滤波器 |
| 5.4.2 改进的高提升响应滤波器 |
| 5.4.3 多方向及多尺度分析 |
| 5.4.4 自适应阈值分割 |
| 5.5 实验结果与算法分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 基于分数域最优时频特征的SAR目标检测 |
| 6.1 SAR图像及其特性分析 |
| 6.1.1 SAR成像概述 |
| 6.1.2 SAR图像特性分析 |
| 6.2 时频分析理论 |
| 6.2.1 信号的展开 |
| 6.2.2 短时傅里叶变换 |
| 6.2.3 Gabor变换及展开 |
| 6.2.4 Wigner-Ville时频分布 |
| 6.3 分数阶傅里叶变换 |
| 6.3.1 FrFT的定义 |
| 6.3.2 FrFT的特性 |
| 6.4 基于最优FrGT时频谱特征的SAR目标检测 |
| 6.4.1 二维分数阶Gabor变换 |
| 6.4.2 最优窗函数设计 |
| 6.4.3 最优阶决策 |
| 6.4.4 能量衰减梯度特征 |
| 6.5 实验结果与算法分析 |
| 6.5.1 实验设置 |
| 6.5.2 实验结果与分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（9）时空谱多特征联合红外弱小目标检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状与发展动态 |
| 1.2.1 空域方法 |
| 1.2.2 时域方法 |
| 1.2.3 谱域方法 |
| 1.2.4 多域特征联合检测 |
| 1.3 本文研究内容及技术路线 |
| 1.4 本文结构安排 |
| 第二章 红外弱小目标检测基础理论 |
| 2.1 目标与背景的红外成像特性 |
| 2.1.1 远距离目标的红外成像特性 |
| 2.1.2 复杂背景的红外成像特性 |
| 2.2 红外弱小目标检测任务的描述 |
| 2.3 红外弱小目标检测算法框架 |
| 2.4 弱小目标检测算法性能评价 |
| 2.5 本章小结 |
| 第三章 基于链条生长滤波的红外背景抑制方法 |
| 3.1 概述 |
| 3.2 链条生长滤波 |
| 3.2.1 术语介绍 |
| 3.2.2 生长过程 |
| 3.2.3 停止准则 |
| 3.2.4 滤波模型 |
| 3.3 总体检测方法 |
| 3.4 实验与结果分析 |
| 3.4.1 实验环境搭建 |
| 3.4.2 抗噪性分析 |
| 3.4.3 多尺度目标检测 |
| 3.4.4 检测性能定性分析 |
| 3.4.5 检测性能定量评价 |
| 3.5 本章小结 |
| 第四章 基于密度峰搜索的红外弱小目标检测方法 |
| 4.1 概述 |
| 4.2 检测方法介绍 |
| 4.2.1 基于密度峰搜索的候选目标提取 |
| 4.2.2 基于最大灰度区域生长的特征提取 |
| 4.2.3 基于四分位数的阈值化方法 |
| 4.2.4 总体检测方法 |
| 4.3 基于PR曲线的性能评价方法 |
| 4.4 实验结果分析 |
| 4.4.1 实验环境搭建 |
| 4.4.2 算法参数设置 |
| 4.4.3 抗噪性分析 |
| 4.4.4 定性分析 |
| 4.4.5 定量评价 |
| 4.5 本章小结 |
| 第五章 基于核相关滤波的红外弱小运动目标检测方法 |
| 5.1 概述 |
| 5.2 核相关滤波理论 |
| 5.2.1 脊回归模型 |
| 5.2.2 循环移位矩阵 |
| 5.2.3 核脊回归模型 |
| 5.2.4 核相关滤波 |
| 5.2.5 核相关函数的快速计算 |
| 5.3 总体检测方法 |
| 5.4 实验结果分析 |
| 5.4.1 实验环境搭建 |
| 5.4.2 算法参数设置 |
| 5.4.3 定性分析 |
| 5.4.4 定量评价 |
| 5.5 本章小结 |
| 第六章 基于时空谱多域特征联合的鲁棒检测策略 |
| 6.1 概述 |
| 6.2 异常检测理论 |
| 6.2.1 RX异常检测 |
| 6.2.2 PPCA异常检测 |
| 6.3 多域特征联合检测 |
| 6.4 实验结果分析 |
| 6.4.1 实验环境搭建 |
| 6.4.2 算法参数设置 |
| 6.4.3 定性分析 |
| 6.4.4 定量分析 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（10）基于视觉显着性的红外小目标检测算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容和章节安排 |
| 第二章 基于视觉显着性的红外小目标检测理论研究 |
| 2.1 包含小目标的红外图像特性分析 |
| 2.1.1 红外小目标特性分析及其定义 |
| 2.1.2 红外背景特性分析 |
| 2.1.3 红外噪声特性分析 |
| 2.2 基于视觉显着性的红外小目标检测算法研究 |
| 2.2.1 视觉显着性的重要性 |
| 2.2.2 LCM算法原理及分析 |
| 2.2.3 Do G算法原理及分析 |
| 2.3 几种通用的显着性检测模型研究 |
| 2.3.1 生物认知注意模型:Itti模型 |
| 2.3.2 频域注意模型:SR模型 |
| 2.3.3 颜色对比度模型:HC模型 |
| 2.3.4 频率调谐模型:FT模型 |
| 2.4 本章小结 |
| 第三章 一种重加权的全局低秩分解小目标检测模型 |
| 3.1 矩阵低秩稀疏分解原理 |
| 3.2 基于IPI模型的红外小目标检测 |
| 3.3 一种重加权的全局低秩分解小目标检测模型 |
| 3.3.1 模型的构建 |
| 3.3.2 模型的优化求解 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于背景感知和方向一致性检验的改进算法 |
| 4.1 基于背景感知的显着图加权策略 |
| 4.1.1 SLIC超像素分割 |
| 4.1.2 基于背景感知的显着图加权 |
| 4.2 基于背景感知和方向一致性检验的改进算法 |
| 4.2.1 方向一致性检验 |
| 4.2.2 算法框架分析 |
| 4.3 实验结果及分析 |
| 4.3.1 数据集的构建 |
| 4.3.2 显着图质量评价 |
| 4.3.3 检测性能评估 |
| 4.3.4 时间复杂度分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、基于小波互能量交叉的复杂背景中红外小目标检测方法（论文参考文献）
- [1]对地观测红外成像虚警源检测方法研究[D]. 刘雨菡. 电子科技大学, 2021
- [2]红外弱小目标检测跟踪技术研究[D]. 樊华. 北华航天工业学院, 2021(06)
- [3]天基复杂背景下空间暗弱小目标检测方法研究[D]. 李梦阳. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(01)
- [4]海空背景下红外小目标检测方法研究[D]. 付文宇. 哈尔滨工程大学, 2020(04)
- [5]基于深度学习的红外弱小目标检测研究[D]. 杨其利. 中国科学院大学(中国科学院国家空间科学中心), 2020(02)
- [6]复杂背景下红外弱小目标检测方法研究[D]. 许美琪. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(08)
- [7]复杂背景下“低小慢”目标检测技术研究[D]. 吴言枫. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(08)
- [8]复杂成像探测中的微弱目标检测算法研究[D]. 彭凌冰. 电子科技大学, 2020
- [9]时空谱多特征联合红外弱小目标检测方法研究[D]. 黄苏琦. 电子科技大学, 2020(07)
- [10]基于视觉显着性的红外小目标检测算法研究[D]. 郝璐璐. 西安电子科技大学, 2020(05)