针对红外图像行人检测任务中图像细节少、特征信息提取困难、检测准确率低等问题, 提出一种改进的SSD红外行人检测算法。利用深度可分卷积方法降低特征提取网络参数数量和网络运算量, 改善实时性; 在网络中嵌入SENet模块, 重新分配各特征通道权重, 提升网络对行人目标针对性; 针对行人目标空间占比固定的特点, 通过聚类分析算法设定Default Boxes数值, 提升行人检测效果。实验结果表明, 所提改进算法优于VSSD算法, 查准率和查全率分别达到91.7%和84.8%, 同时,算法实时性也得到大幅改善。

针对地对空红外空中目标识别任务中数据量严重不足的问题,提出一种基于改进关系网络的小样本红外空中目标分类方法。该方法将关系网络模型、多尺度特征融合方法及元学习训练策略相结合,首先构造多尺度特征提取模块提取输入图像的特征向量,然后将支撑样本和预测样本的特征向量输入到关系模块中,根据关系值得到预测样本的类别标签。mini-ImageNet数据集上的实验结果表明:所提模型的分类精度显著高于其他经典的小样本学习模型。Infra-aircraft dataset上的实验结果表明:所提方法在仅有个位数样本的情况下,可完成多种机型的地对空红外图像分类任务。

针对红外空中目标,提出了一种基于稀疏表示的快速分类算法.该工作的技术难点表现在训练样本较少,算法需要具有旋转不变性、较高的抗噪性和实时性.针对这些难点,首先根据红外空中面目标的梯度信息和统计特性,计算出图像主方向,然后将主方向旋转至同一参考方向.接着基于稀疏表示原理,把分类问题转化为 1范数最小化问题,最后用快速收敛方法得到分类结果.实验结果表明该方法能够达到 98.3%的正确率,给测试图像 50%的像素叠加噪声后,分类正确率仍大于 80%.

针对串行架构的处理器如 ARM和 DSP等实现双边滤波算法消耗资源过多的情况, 提出了一种基于 FPGA加速的双边滤波去噪的实现方法。根据双边滤波算法的原理以及 FPGA的硬件资源, 充分发挥 FPGA在并行计算上的优势, 在滤波器的系数生成和除法操作上进行了优化。在减少了 FPGA所消耗的资源的同时, 保证了图像去除噪声的实时性, 从而为后期的视频采集与传输系统奠定了一个良好的开端。

车载红外全景扫描成像系统具有每列单独成像、360°全方位视场覆盖的特点, 从而导致传统的电子稳像算法无法直接适用, 因此, 提出一种基于区域分割与融合的全景稳像算法。首先, 通过局部列偏移调整方法对图像预补偿。接着, 以车头前进方向为基准, 对全景图像进行区域分割, 即前端、右端、后端、左端区域。然后, 根据各区域的成像特点, 选择不同的稳像模型进行稳像, 其中, 运动估计环节采用滑窗策略缩短运算时间, 运动补偿环节采用未定义区重构方法弥补边界缺失信息。最后, 利用局部区域扩展、渐入渐出加权平均融合方式对重叠区域进行区域拼接、融合, 保证全景图像无缝拼接。实验结果表明: 该算法有效解决了车体行进过程中红外全景扫描系统的稳像问题, 稳像关键指标——帧间峰值信噪比(PSNR)可以提高14.7%, 运行时间可缩短为传统算法的1/10, 基本满足了工程应用的需求。