弱小目标检测是红外探测与跟踪任务中的经典难题。针对复杂背景下红外弱小目标普遍存在检 测率低、虚警率髙的问题, 提出一种基于区域双邻域显著图(Regional Bi-Neighborhood Saliency Map, RBNSM)的复杂背景红外弱小目标检测新方法。利用弱小目标的局部先验特性定义滑动窗口并划分 为多个单元, 计算中心单元前若干个最大灰度的均值来凸显弱目标; 分别构建中心单元的相接邻域和 相隔邻域并计算各自的灰度均值, 进而, 从不同方向上提取两邻域显著图并点乘二者以进一步抑制杂 波背景、增强弱小目标; 最后, 通过自适应提取准确检测目标。多种典型红外复杂背景图像和SIRST 数据集检测结果表明: 与7种代表性方法相比, RBNSM在复杂背景下具有更好的检测性能与杂波抑 制能力。

红外图像去雾算法的主要任务是解决红外图像因米氏散射引起的低可见性和模糊。但是当前红外图像去雾算法对红外图像暗处透射率估计欠佳，针对这一情况，研究了基于雾线暗原色先验的红外图像去雾算法。首先 ，利用霍夫变换估计大气光照；然后，针对雾线去雾方法在部分场景中失效的现象，采用雾线暗原色先验方法，通过假设雾线较暗端为真实颜色估计透射率，获取透射率图；最后为去除透射率图中噪声，对透射率图全变分 正则化进一步优化透射率图。以公开红外数据库 LTIR作为测试对象，实验结果表明，本文去雾算法在增强红外图像清晰度的同时未破坏红外辐射分布，对各种场景的红外图像有较好去雾效果。透射率估计准确，有较好红外 图像去雾能力。

地基红外辐射测量设备往往被用来测量高速飞行目标的动态红外辐射特性。本文研究了计算飞行目标红外辐射特性的工程化算法。首先阐述了外场红外标定的意义, 指出了外场标定与室内标定的不同。给出了平行光管标定能量传递过程、外场标定试验过程、标定数据处理方法以及影响因素。然后分析了飞行面目标辐射亮度以及点目标辐射强度计算方法, 提出了适用于外场数据处理的工程化算法。最后根据实际工作经验总结分析了进行外场动态飞行目标红外辐射特性计算时存在的难点。

针对多模态图像融合中多尺度几何工具和融合规则设计困难的问题,提出一种基于生成对抗网络(GANs)的图像融合方法,实现了多模态图像端到端的自适应融合。将多模态源图像同步输入基于残差的卷积神经网络(生成网络),通过网络的自适应学习生成融合图像;将融合图像和标签图像分别送入判别网络,通过判别器的特征表示和分类识别逐渐优化生成器,在生成器和判别器的动态平衡中得到最终融合图像。与具有代表性的融合方法相比,实验结果表明,本文方法的融合结果更干净,没有伪影,提供了更好的视觉质量。

针对星空背景下卫星跟踪中运动小目标与伪目标交会造成的跟踪漂移问题,提出一种基于多域卷积神经网络(MDNet)与自回归(AR)模型的空中小目标自适应跟踪方法。 对用MDNet采集到的图像序列第1帧的正样本进行bounding-box回归模型训练;再训练用最小信息准则和最小二乘法确定阶数和参数的AR模型,估计目标运动轨迹并预测目标位置;最后,将该目标位置作为MDNet的采样中心,约束采样候选区域,用bounding-box回归模型调整目标位置。 实验用8种跟踪方法测试了8组场景复杂的视频序列,结果表明,本文方法的成功率及平均覆盖率均显著高于其他7种典型算法,具有较高的精确性和稳健性。