当红外制导导弹攻击地面目标时,自然或人为因素会导致目标红外特征减弱或消失,致使导引头无法探测或间断探测目标,极大影响制导精度。为解决这一问题,提出一种导弹攻击地面弱红外目标的数字孪生导引律。根据红外导引头在物理世界的导引过程,在数字世界构建目标及导引律的孪生数字模型,通过仿真得到并保存制导全过程中各时间点上导弹运动及控制的状态参数,作为制导过程的数字孪生。实际引导中,当导引头无法得到测量信号时,它的数字孪生数据立即被激活接管导引头的工作,以导引头的孪生数据为控制系统提供加速度指令。仿真算例表明,导引头的数字孪生可在导引头无法捕获信号时,为控制系统提供机动指令对导弹实施精确引导。数字孪生导引律对红外伪装、红外干扰及恶劣气候具有鲁棒性,有广阔的应用前景。
红外目标探测 地面弱红外目标 数字孪生 数字孪生导引律 infrared target detection, ground weak infrared ta
江苏科技大学自动化学院, 江苏 镇江 212000
针对传统算法依赖于对红外船舶目标与环境背景的精确分离和信息提取, 难以满足复杂背景和噪声等干扰环境下的船舶目标检测需求, 提出一种基于改进YOLOv5的红外船舶目标检测算法。在YOLOv5网络中添加Reasoning层, 以一种新的提取图像区域间语义关系来预测边界框和类概率的体系结构, 提高模型的检测精度, 同时对YOLOv5目标检测网络的损失函数进行改进, 从而达到进一步提高模型准确率的目的。验证结果表明, 改进后的YOLOv5算法训练出来的模型, 检测精确率和速度与实验列出的几种目标检测算法相比均有明显提升, 其中平均精度均值(mAP)可达94.65%。该模型经过验证, 既能满足检测的实时性要求, 又能保证高精度。
船舶 红外目标检测 Reasoning层 损失函数 ship infrared target detection YOLOv5 YOLOv5 Reasoning layer loss function
1 光电控制技术重点实验室, 河南 洛阳 471000
2 中国航空工业集团公司洛阳电光设备研究所, 河南 洛阳 471000
提出一种基于稀疏约束的神经网络模型和完备的矩特征集, 用于提高红外弱小目标检测性能。传统的神经网络分类模型往往采用SoftMax,Logistic回归等激活函数, 而本文设计更为简单的符号函数作为分类层激活函数, 并通过逐步回归的方式实现对参数的求解。同时,为了降低计算复杂度、提高算法性能, 目标函数加入了范数约束使得参数具有一致性并使其稀疏化。实验结果显示, 所提算法相比传统的方法性能更好, 且能够达到实时处理要求。
红外目标检测 稀疏约束 神经网络 infrared target detection sparsity constraint neural network
1 重庆城市职业学院,信息与智能制造学院,重庆永川402160
2 重庆邮电大学软件工程学院,重庆南岸区400065
为了准确地从复杂干扰背景下检测出真实弱小目标,本文引入视觉显著性,设计了基于快速光谱尺度空间与动态管道滤波的红外目标检测算法。基于真实目标与背景内容之间的整体差异,引入快速光谱尺度空间与阈值分割技术,设计视觉显著性机制,对红外图像完成处理,输出全局显著性映射,以高效过滤干扰背景内容。考虑目标与背景的局部特征差异,构建自适应局部对比度增强机制,对粗检测结果实施处理,获取对应的局部显著性映射,改善视觉显著性区域内目标的对比度。引入高斯差分理论,通过估算每一帧红外图像中的目标像素直径,形成动态管道滤波,充分消除虚警,准确识别出弱小目标。多组实验数据显示:较已有的红外目标检测技术而言,在各种不同的复杂背景干扰下,所提算法呈现出更好的检测能力,拥有更理想的接收机工作特性(ROC) 曲线。
红外目标检测 光谱尺度空间 显著性映射 自适应局部对比度 高斯差分 动态管道滤波 infrared target detection spectral scale space saliency mapping adaptive local contrast Gaussian difference dynamic pipeline filtering 太赫兹科学与电子信息学报
2022, 20(4): 346
红外与激光工程
2022, 51(4): 20210290
光子学报
2021, 50(11): 1110001
1 中国科学院光束控制重点实验室,四川 成都 610209
2 中国科学院光电技术研究所,四川 成都 610209
3 中国科学院大学,北京 100049
主流的目标检测网络在高质量RGB图像上的目标检测能力突出,但应用于分辨率低的红外图像上时目标检测性能则有比较明显的下降。为了提高复杂场景下的红外目标检测识别能力,本文采用了以下措施:第一、借鉴领域自适应的方法,采用合适的红外图像预处理手段,使红外图像更接近RGB图像,从而可以应用主流的目标检测网络进一步提高检测精度。第二、采用单阶段目标检测网络YOLOv3作为基础网络,并用GIOU损失函数代替原有的MSE损失函数。经实验验证,该算法在公开红外数据集FLIR上检测的准确率提升明显。第三、针对FLIR数据集存在的目标尺寸跨度大的问题,借鉴空间金字塔思想,加入SPP模块,丰富特征图的表达能力,扩大特征图的感受野。实验表明,所采用的方法可以进一步提高目标检测的精度。
红外目标检测 深度学习 复杂场景 infrared target detection deep learning complex scenario
针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强, 以及在大视场条件下, 首帧图像中小目标误检率高的问题, 提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量, 建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量, 再采用改进的局部自适应阈值分割算法分割后续帧图像, 然后利用静态与动态决策准则筛选出分割后的真实目标, 最后计算并更新动态决策准则.红外靶标测试结果表明:该方法对不同场景具有较好的适应性, 四个场景平均跟踪准确率为95.81%, 微机平台平均每帧处理时间为10.93 ms, 嵌入式平台为26.79 ms.
红外图像 红外目标检测与跟踪 多特征融合 自适应阈值分割 实时跟踪 Infrared image Infrared target detection and tracking Multi-feature fusion Adaptive threshold segmentation Real-time tracking
中国电子科技集团公司光电研究院, 天津 300308
分析建立了导弹红外特性、大气传输特性、探测距离计算等数学模型, 并基于试验数据验证完善模型, 模拟战场对抗中的红外目标探测过程。通过仿真模拟可为作战人员提供战法训练, 也可进行相关的战术研究和验证, 以达到提高平台综合作战能力的目的。
红外探测 仿真模拟 模型验证 infrared target detection simulation model validation