红外图像中的人体摔倒检测不受环境光照射的影响, 在智能安防领域有着重要的研究意义和应用价值。现有的摔倒检测方法没有充分考虑人体关键点的位置变化规律, 容易对类摔倒动作造成误检。针对这一问题, 本文提出一种基于改进 Alphapose的红外图像摔倒检测算法。该算法使用 Yolo v5s目标检测网络, 在提取人体目标框输入姿态估计网络的同时, 对人体姿态进行直接分类, 再结合人体骨架关键点的位置信息和姿态特征进行判断。通过实验证明, 该算法在准确度和实时性方面都有良好的表现。

红外小目标检测是指从红外图像中分割出小目标，在火灾探测系统和海上监视及救援系统应用中具有重要意义。然而，由于目标尺寸小、特征不明显、背景环境复杂等因素，导致目前红外小目标检测算法的检测性能通常受到限制。针对上述问题，设计了一种基于拉普拉斯金字塔多级 Transformer的红外小目标检测算法。首先，由于红外小目标尺寸较小，容易在网络迭代过程中损失纹理细节信息，利用拉普拉斯金字塔从原始输入的红外图像中提取出不同层级的高频边界信息，进一步通过一种结构信息转换模块与主干网络中不同层级的特征进行融合，用于对损失的纹理信息进行补偿；接着为了进一步提升网络的判别能力，在提高检测准确率的同时抑制虚警率，还采用了一种基于通道维的 Transformer结构，将每个通道特征图作为图像块，并沿着通道维进行自注意力的计算。实验结果表明，与目前先进的检测算法相比，本文所提出的算法具有更高的检测性能。

由于器件及工艺等技术限制，红外图像分辨率相对可见光图像较低，存在细节纹理特征模糊等不足。对此，本文提出一种基于深度卷积神经网络(convolutional neural network，CNN）的红外图像超分辨率重建方法。该方法改进残差模块，降低激活函数对信息流影响的同时加深网络，充分利用低分辨率红外图像的原始信息。结合高效通道注意力机制和通道 -空间注意力模块，使重建过程中有选择性地捕获更多特征信息，有利于对红外图像高频细节更准确地进行重建。实验结果表明，本文方法重建红外图像峰值信噪比(peak signal to noise ratio，PSNR）优于传统的 Bicubic插值法以及基于 CNN的 SRResNet、EDSR、RCAN模型。当尺度因子为× 2和×4时，重建图像的平均 PSNR值比传统 Bicubic插值法分别提高了 4.57 dB和 3.37 dB。

为减少浮选气泡合并、破碎等变化对泡沫表面流动特征提取的影响，提出了一种非下采样剪切波变换（Nonsubsampled Shearlet Transform，NSST）域红外目标分割及改进加速鲁棒特征（Speeded Up Robust Features，SURF）匹配的泡沫表面流速检测方法。首先，对相邻两帧泡沫红外图像 NSST分解，在多尺度域构建图割能量函数的边界、亮度、显著性约束项实现对合并、破碎气泡的分割；然后，对分割后的背景区域进行 SURF特征点检测，通过统计扇形区域内的尺度相关系数确定特征点主方向，采用特征点邻域的多方向高频系数构造特征描述符；最后，对相邻两帧泡沫红外图像进行特征点匹配，根据匹配结果计算泡沫流速的大小、方向、加速度、无序度。实验结果表明，本文方法能有效分割出合并、破碎的气泡，具有较高的分割精度，提升了 SURF算法的匹配精度，流速检测受气泡合并、破碎的影响小，检测精度和效率较现有方法有一定提升，能准确地表征不同工况下泡沫表面的流动特性,为后续的工况识别奠定基础。

针对近红外图像彩色化过程中因近红外与可见光图像间模态差异较大,导致着色后图像在纹理细节处存在颜色晕染、区域误着色的问题,提出了颜色预测和语义感知相结合的生成对抗网络。设计颜色预测和语义感知双分支生成器,颜色预测分支采用带有跳转连接的残差网络,语义感知分支采用带有语义融合的空洞卷积金字塔结构;不同的扩张率,能够获得多个感受野提取多尺度语义特征,将感知到的语义嵌入到颜色预测分支,提高模型的语义理解能力,改善颜色晕染、区域误着色问题;设计循环一致语义损失函数,约束生成器中语义信息的一致性;算法在RGB-NIR场景数据集上进行性能实验比对以及消融实验。实验表明,所提算法相比于现有彩色化算法,PSNR、SSIM和LPIPS评价指标优于现有算法,着色效果更符合视觉感受。

针对目前卷积神经网络未能充分提取图像的浅层特征信息导致近红外图像彩色化算法存在结果图像局部区域误着色及网络训练不稳定导致结果出现模糊问题，提出了一种新的生成对抗网络方法用于彩色化任务。首先，在生成器残差块中引入自行设计的空洞全局注意力模块，对近红外图像的每个位置理解更加充分，改善局部区域误着色问题；其次，在判别网络中，将批量归一化层替换成梯度归一化层，提升网络判别性能，改善彩色化图像生成过程带来的模糊问题；最后，将本文算法在 RGB_NIR数据集上进行定性和定量对比。实验表明，本文算法与其他经典算法相比能充分提取近红外图像的浅层信息特征，在指标方面，结构相似性提高了 0.044，峰值信噪比提高了 0.835，感知相似度降低了 0.021。

提出一种基于红外热图序列的板级芯片开/短路缺陷检测方法。首先记录芯片关键区域在上电程序响应过程的温度均值序列, 运用Savitzky Golay卷积平滑法对其平滑滤波后提取时域特征参量, 利用主成分分析法优选关键特征; 然后构建支持向量机分类模型, 利用粒子群算法优化支持向量机模型参数, 使其能有效区分不同的电路板故障类型。为验证提出的方法在芯片开/短路缺陷检测中的有效性, 在开发板上的主控芯片上进行了多种焊球开/短路模拟实验。结果表明, 优化后的分类模型在测试集的交叉验证分类准确率为96.90%, 证明了该方法诊断芯片开/短路缺陷的有效性。

针对近红外图像彩色化过程中存在近红外与可见光图像间模态差异较大、图像域样式不佳而导致其彩色化结果出现色彩纹理不吻合的问题, 提出一种基于空洞循环卷积的近红外图像彩色化方法。改进CycleGAN网络, 利用级联结构和空洞卷积块的优势设计了一种名为空洞级联模块, 该模块采用编解码级联结构, 代替原模型残差网络中的单向连接结构, 进行特征通道的级联。在编解码级联层中引入空洞卷积模块, 利用空洞卷积不损失图像纹理细节的优势, 进一步提取不同尺度的近红外图像特征信息, 最后通过解码将近红外灰度图像上色成彩色近红外图像。算法在生成网络中采用空洞级联方式改善误着色问题; 在判别网络中引用感知损失函数改善网络收敛速度慢的问题。并且在NIR_VIS数据集上开展验证和分析。实验结果表明, 所提方法提升效果明显, 更好地保持了原目标的结构及色彩纹理特征, 有效地提升了近红外图像的可视化效果。

红外图像作为信息传递的重要载体, 受到红外焦平面阵列探测单元响应差异和读出电路的不均匀性的影响, 易出现条纹噪声, 不利于后续的分析研究。为了提高卷积神经网络去除条纹噪声的结果, 提出了基于小波空洞残差U-Net的红外图像去条纹噪声方法。该网络首先通过Haar离散小波变换将条纹噪声图像分解为垂直分量、对角分量、水平分量和低频分量; 依次通过初步去噪和精细去噪网络学习噪声图像与条纹噪声之间的映射; 再从输入分量中去除噪声分量以获取去条纹噪声分量; 利用逆Haar离散小波变换重构去噪图像。实验结果表明, 该方法可以有效去除条纹噪声, 保护图像细节。