南昌航空大学信息工程学院, 江西南昌 330063
针对复杂云层背景下红外小目标检测的虚警现象和实时性要求, 提出一种基于结构张量筛选和局部对比度分析的新算法。结合目标区域结构张量最大特征值大于其他背景区域结构张量最大特征值的特点, 滤除大部分非目标区域, 保留少量可疑区域, 再对可疑区域进行局部对比度计算, 能够增强目标、抑制残留背景, 并有效减少计算量。算法步骤如下: 首先, 在滑动窗口捕获的局部图像区域内构建结构张量矩阵, 将最大特征值大于特定阈值的区域标记为可疑区域; 然后, 对可疑区域进行比差联合型局部对比度计算, 生成显著度图; 最后, 利用自适应阈值分割实现小目标的分离。实验结果表明: 该算法在复杂云层背景下具有更高的检测率、更低的虚警率以及更少的运行时间。
红外小目标检测 可疑区域筛选 结构张量 局部对比度 infrared small target detection, suspicious area s
红外与毫米波学报
2022, 41(6): 1102
1 中国科学院上海技术物理研究所, 上海 200083
2 中国科学院智能红外感知重点实验室, 上海 200083
3 上海科技大学 信息与技术学院, 上海 201210
针对云层背景下红外小目标检测难、可用数据集少的问题, 提出了一种基于混沌预测的检测方法。首先从云层背景的空间混沌特征出发, 采用径向基函数神经网络设计了混沌序列的预测模型, 并利用遗传算法优化网络参数, 提高预测精度。然后利用预测模型对图像像素序列的预测值与实际值之间的预测误差, 实现了小目标检测。最后通过实验验证了上述算法的有效性, 对测试样本的检测率为86.7%, 虚警率为0.86%。
混沌理论 红外小目标检测 神经网络 遗传算法 chaos theory infrared small target detection neural network genetic algorithm
红外与激光工程
2022, 51(12): 20220148
中国电子科技集团公司第五十八研究所，江苏 无锡 214072
针对现有方法难以在复杂背景下对缺乏内在特征的红外弱小目标进行检测并且存在检测耗时较高等问题，提出了一种适用于嵌入式边缘计算设备的红外弱小目标检测算法。将小目标检测问题转化为语义分割问题，模型使用轻量级主干网络提取特征，设计基于上下文调制的跨层间的特征融合方式，用于交换高层语义和低层细节，引入基于通道和位置的双注意力机制突出特征图中的弱小目标。通过实验验证了提出算法模型相较于现有先进的算法在复杂场景下具有更好的检测效果、更低的虚警以及更少的耗时等优势，且该模型大小只有100 KB，可以达到20 frame/s视频流实时检测，方便嵌入式部署及实际应用。
成像系统 红外弱小目标检测 语义分割 注意力机制 上下文调制 MobileNet-V3 激光与光电子学进展
2022, 59(16): 1611007
1 北海职业学院 电子信息工程系， 广西 北海 536000
2 北海职业学院 机电工程系， 广西 北海 536000
3 长江大学 机械工程学院， 湖北 荆州 434023
针对红外目标检测中小目标检测精度较低的问题，提出了一种利用改进型平均绝对灰度差(AAGD)算法的红外小目标检测。针对AAGD算法的缺点，在其基础上，融合灰度与显著性特征，用于核相关滤波器，以解决红外目标特征简单且信息量少的问题; 提出一种自适应双滑动窗口，针对不同区域调节聚合窗口形状及像素点权重，以实现高强度结构背景附近的机动目标的匹配，提高小目标检测的准确度; 利用MATLAB仿真平台对所提方法进行实验论证，结果表明，所提方法能够在噪声、高强度锐利边缘和结构背景等复杂图像中准确检测出小目标，且其准确度、稳定性、执行时间等方面均优于其他对比方法。
红外小目标检测 改进型AAGD算法 混合特征提取 核相关滤波器 自适应双滑动窗口 infrared small target detection improved AAGD algorithm hybrid feature extraction kernel correlation filter adaptive double sliding window
鞠默然 1,2,3,4,5罗海波 1,2,4,5,*刘广琦 1,2,3,4,5刘云鹏 1,2,4,5
1 中国科学院 沈阳自动化研究所， 辽宁沈阳006
2 中国科学院机器人与智能制造创新研究院，辽宁沈阳110016
3 中国科学院大学，北京100049
4 中国科学院光电信息处理重点实验室，辽宁沈阳110016
5 辽宁省图像理解与视觉计算重点实验室，辽宁沈阳110016
红外弱小目标检测被广泛应用于预警、制导等**领域中。然而，红外弱小目标所占像素少、缺少形状特征和纹理特征，使得红外弱小目标检测成为一个具有挑战性的课题。针对红外弱小目标检测，提出了一种简单高效的实时红外弱小目标检测网络。检测网络利用自适应感受野融合模块来增加小目标周围的上下文信息，并通过引入空间注意力机制来建立不同区域之间的相关性模型，使不同区域之间的相关性和紧凑性得到加强。为了提高检测网络对目标的定位和正负样本的判别能力，分别利用GIOU loss和Focal loss来设计损失函数。在3个红外弱小目标序列和单帧红外图像上进行实验，检测网络分别取得了91.62%，71.54%，81.77%和90.67%的AP值，且检测速度接近165 FPS。实验结果表明，该红外弱小目标检测网络对复杂背景和低信噪比条件下的红外弱小目标具有较好的检测效果。
红外弱小目标检测 注意力机制 卷积神经网络 深度学习 infrared small target detection attention mechanism convolutional neural network deep learning
以图像非局部相似性为基础, 利用图像分块重组以获得低秩块图像, 是将鲁棒主成分分析算法(robust principal component analysis, RPCA)应用到单帧图像红外小目标检测的基本方法。本文介绍了 RPCA算法在单帧图像红外小目标检测的应用流程, 分析了不同图像背景下各种分块方法的影响。为解决复杂背景下图像分块窗口和滑动步长难以选择的问题, 提出了以图像分块最小局部熵的较大值为参考的选择方法。实验结果表明, 通过计算图像的分块局部熵, 以最小局部熵的较大值为参考, 选择 RPCA算法预处理方案, 能使单帧红外图像小目标检测达到更好的效果, 弥补了工程人员缺少 RPCA算法应用经验的不足。
红外小目标检测 鲁棒主成分分析 局部熵 预处理方案选择 infrared small target detection, RPCA, local entro
1 西安电子科技大学 通信工程学院, 陕西 西安 710071
2 西安电子科技大学 计算机科学与技术学院, 陕西 西安 710071
3 长春长光睿视光电技术有限责任公司, 吉林 长春 130102
在复杂的海天背景下, 现有红外小目标检测算法存在虚警率高的问题, 文中深入分析目标和背景的特征差异, 首先, 提出了一种基于灰度差和梯度方向一致性的方法, 增强了小目标并抑制了部分背景杂波, 其次, 结合特征分解法进一步抑制了锐利边缘背景, 最后, 采用自适应阈值分离出小目标。实验结果表明, 与五种现有算法相比, 所提出的检测算法能够在不同复杂场景都有效降低虚警率, 大大提升信杂比(SCR)和背景抑制因子(BSF), 并且具有良好的鲁棒性。
红外小目标检测 灰度差 梯度方向一致性 特征分解 infrared small target detection gray difference gradient direction consistency eigendecomposition 红外与激光工程
2020, 49(1): 0126001
中国航空工业集团公司洛阳电光设备研究所，河南洛阳471000
根据红外图像的成像特性提出了一种天地线精确检测方法。该方法与常见的海天线检测算法不同, 在对红外图像进行噪声处理后, 通过对比Harr线性特征的方式寻找边缘, 以确定天空区域以及准天地线的位置; 然后通过对边界能量的分析完成天地线位置的初步检测; 最后, 利用数值分析的相关技术得到准确完整的天地线。实验结果表明该方法在各种场景均能有效地检测天地线, 即使对天空存在云雾的复杂情况也能保持较好的鲁棒性。
红外图像 Haar特征 天地线检测 红外小目标检测 infrared image Haar features horizon detection infrared small target detection
