提出了一种基于深度学习的红外与可见光决策级融合跟踪方法。通过建立参数传递模型,从现有基于深度学习的检测模型中抽取指定对象的可见光检测模型,作为红外检测的预训练模型,在采集的红外图像数据集上进行微调训练,得到基于深度学习的红外检测模型。在此基础上,建立了基于深度学习的红外与可见光决策级融合跟踪模型,进行了单波段跟踪与双波段融合跟踪对比实验。结果表明,所提方法跟踪精度和成功率比单波段跟踪均有所提升,具有较好的稳健性。

提出了一种基于深度学习的红外与可见光决策级融合检测方法。首先, 提出了一种介于深度学习模型之间的参数传递模型, 进而从基于深度学习的可见光物体检测模型上抽取了用于红外物体检测的预训练模型, 并在课题组实地采集的红外数据集上进行fine-tuning, 从而得到基于深度学习的红外物体检测模型。在此基础上, 提出了一种基于深度学习的红外与可见光决策级融合检测模型, 并对模型设计、图像配准、决策级融合过程进行了详细地阐述。最后, 进行了白天和傍晚条件下基于深度学习的单波段检测实验和双波段融合检测实验。定性分析上, 由于波段之间的信息互补性, 相比于单波段物体检测, 双波段融合物体检测在检测结果上具有更高的置信度和更精确的物体框; 定量分析上, 白天时, 双波段融合检测的mAP为86.0%, 相比于红外检测和可见光检测分别提高了9.9%和5.3%; 傍晚时, 双波段融合检测的mAP为89.4%, 相比于红外检测和可见光检测分别提高了3.1%和14.4%。实验结果表明: 基于深度学习的双波段融合检测方法相比于单波段检测方法具有更好的检测性能和更强的鲁棒性, 同时也验证了所提出方法的有效性。

提出了一种基于深度学习物体检测的视觉跟踪方法。该方法利用深度学习在特征表达上的优势, 采用基于回归的深度检测模型SSD(Single Shot Multibox Detector)提取候选目标, 并结合颜色直方图特征和HOG(Histogram of Oriented Gradient)特征进行目标筛选, 实现目标跟踪。为了提升深度检测模型的物体检测性能, 文中构建了多尺度目标搜索图, 可在一张图上实现不同尺度的目标检测。在标准跟踪测试库上选取八个具有代表性的跟踪视频序列, 并选取六种具有代表性的跟踪方法进行了对比测试。结果表明, 文中所提方法在跟踪效果上, 整体优于参与对比的其他算法, 且对于物体姿态变化、尺寸变化、旋转变化、光照变化、复杂背景杂波等影响因素具有较好的鲁棒性。

三维块匹配(BM3D)算法能够有效抑制平稳信号中的噪声。对于具有随机特性的合成孔径雷达影像斑点噪声,受限于三维变换阈值单一和在局部邻域寻找相似块,BM3D算法的滤波效果不佳。提出了基于K-Means聚类的BM3D算法,并将其应用于合成孔径雷达影像斑点噪声抑制。对图像块集合根据均值、方差和极差值构建的特征向量进行聚类,估计每一类块的噪声方差,根据类噪声方差估计自适应三维变换阈值;在每一个图像块类内部寻找相似块,实现全局相似块的快速查找。实验结果表明,同BM3D算法和非局部均值算法相比,所提算法具有更好的视觉效果和更高的峰值信噪比。

提出了一种基于深度学习的多视窗SSD(Single Shot multibox Detector)目标检测方法。首先阐述了经典SSD方法的模型与工作原理, 并根据卷积感受野的概念和模型特征层与原始图像的映射关系, 分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸, 揭示了经典SSD方法在小目标检测上不足的原因。基于此, 提出了一种多视窗SSD模型, 阐述了其模型结构与工作原理, 并通过106张小目标图像数据集测试, 评估和对比了多视窗SSD方法与经典SSD方法在小目标检测上的物体检索能力与物体检测精度。结果表明: 在置信度阈值为0.4的条件下, 多视窗SSD方法的AF(Average F-measure)为0.729, mAP(mean Average Precision)为0.644, 相比于经典SSD方法分别提高了0.169和0.131, 验证了所提出算法的有效性。

通过人工红外照射改变目标与背景的红外辐射特性能够对相关跟踪形成有效干扰，其中，红外照射的位置对干扰效果具有重要影响。为提升红外照射干扰相关跟踪的效率，文中建立了红外照射仿真搜索相关跟踪干扰点模型，对干扰相关跟踪的有效照射位置进行快速搜索。首先，运用TracePro光线追迹软件建立了真实实验条件下的红外照射系统模型，并利用高斯模型对照射光斑的照度分布进行了拟合。然后，在一定空间范围内，采用二维扫描的方式进行真实照射干扰和仿真照射干扰对比实验，结果表明：仿真照射与真实照射的干扰结果一致性达到了98%，且仿真照射找出了真实照射条件下干扰相关跟踪的全部干扰点，从而很好地验证了文中方法的有效性。