针对假目标红外欺骗干扰效能缺乏规范评估体系的问题，利用视觉显著性模型计算同一背景下真目标和假目标的显著性对比度，从而定量评估假目标的红外欺骗干扰效能。量值越小，说明假目标的红外欺骗干扰效果越好。实验结果表明，该评估方法不仅能定量反映单一假目标的红外欺骗干扰效能，还能区分不同类型假目标的红外欺骗干扰效能，具有较强的普适性。

红外探测系统以其隐蔽性好、穿透能力强等优点广泛应用于航空航天、**侦察等领域。但该系统的观测距离较远，且目标往往呈现弱小状态，所以针对单帧图像的红外弱小目标检测一直是红外探测领域的难点和研究热点。基于滤波、视觉显著性、图像数据结构和深度学习四个方面，对当前单帧红外弱小目标检测算法进行了详细综述，最后对红外弱小目标检测技术进行了总结与展望。

光学遥感图像海面舰船目标检测易受云雾、海岛、海杂波、阴影等多种复杂因素的干扰。同时, 由于卫星遥感图像的幅宽较大, 若需要满足实时检测和硬件移植的需求, 还要考虑算法的计算量和可移植性。鉴于实际工程的需要, 本文提出了一种基于视觉显著性适用于复杂背景下的自适应舰船目标快速定位与检测方法。本算法首先基于图像梯度自适应获取全局最优尺度, 通过谱残差显著性模型获得全局显著性区域。对于显著区域局部存在全局阈值分割效果不佳的区域(称为复杂区域), 本文通过设计轮廓等形状特征来筛选出局部复杂区域, 并对其进一步计算显著图, 之后将处理结果与原显著图进行融合, 获取最终的疑似区域提取结果。最后使用支持向量机对候选区域进行进一步判别。结果表明, 本文算法可以有效检测出复杂背景下不同尺寸和方向的舰船目标区域, 算法检测正确率为91.4％, 召回率为91.2％, 优于大多数同类算法, 接近深度学习算法精度。同时在算法体量上, 本文算法的计算量和参数量远远低于大多数深度学习框架, 更适合硬件移植, 同时算法的迁移性更强, 易于修改和维护。

目标的特征表达是目标跟踪过程的关键,人工特征相对简单,实时性强,但表征能力不足,在处理快速变化和目标遮挡相关问题时,容易产生跟踪漂移。深度神经网络(DNN)在目标检测和识别任务中的强特征表达能力,使DNN逐渐成为特征提取工具。采用更深层的残差神经网络(ResNet)替代VGG-19网络作为特征提取工具,首先将ResNet-50中的特殊附加层结构和卷积层特征进行融合,得到鲁棒性更强的目标表征特征。然后对特征进行相关滤波操作,根据最大响应值确定目标位置。最后,为扩展算法在局部目标跟踪领域的应用场景,采用基于图形的视觉显著性检测算法提高局部目标的权重值,抑制背景信息,以提升特征层的目标表征能力。

为了提高可见光图像和红外图像的融合图像的细节信息以及保留对比度,提出了一种基于残差学习和视觉显著性映射的多尺度分解图像融合方法。首先,使用高斯滤波器和引导滤波器对图像进行多尺度分解,将其分解为基本层和细节层,其中细节层分为小尺度纹理层和中尺度边缘层。然后,使用提出的改进视觉显著映射方法对基本层进行融合,对低光照图像基本层进行增强处理,使融合图像具有良好的对比度和总体外观。对于细节层,提出了对小尺度纹理层和中尺度边缘层分别进行最值化以及软最大化融合规则的残差网络深度学习融合模型。实验在TNO数据集上将所提算法与最新的6种方法针对离散余弦特征互信息、小波特征互信息、结构相似度和伪影噪声率这4个客观指标进行比较,所提算法在前3个客观指标上有所提升,在伪影噪声率上获得进一步的下降。该算法在保留图像显著特征的同时使融合图像获得了更多的细节纹理信息,具有良好的对比度,且有效地减小了伪影和噪声。

可见光小型无人机(Unmanned Aerial Vehicle, UAV)检测技术在反无人机、无人机管控领域有着特殊意义,由于目标大小、光照条件、复杂背景等因素的变化都会影响检测的结果。针对小型无人机目标检测问题,提出了一种基于视觉显著性的小型无人机可见光检测算法。采用基于直方图对比度的显著性计算方法,提取可见光图像中的视觉显著特征,利用选择性搜索技术给出无人机目标的候选区域集,结合视觉显著性分析结果进一步优化候选区域集,最后在每个候选区域内提取规范化梯度特征,利用线性分类器对区域特征进行鉴别,实现对无人机目标的快速检测。仿真结果表明,该方法的平均精度可达84.74%,在20 dB噪声条件下,仍然保持80.97%的平均精度,充分说明本方法对小型无人机目标具有较好的检测能力、抗干扰效果和工程应用价值。

光学遥感图像海面舰船目标检测易受云雾，海岛，海杂波等复杂背景的干扰。本文提出了一种适用于复杂背景的舰船目标检测方法。首先为了克服目标尺度多变问题，利用视觉显著性生成多 尺度显著图，然后使用基尼指数自适应选择最优显著图。考虑到全局阈值分割算法带来的漏检测问题，提出一种新的方案来分离目标和背景像素点。利用图像膨胀原理获取显著图的局部极大值点， 然后使用k-means算法判断极大值点属于目标像素点还是背景像素点。接着对目标点邻近区域进行精细分割。最后引入基于径向梯度变换的旋转不变特征来进一步剔除虚警。实验结果表明，该算法 能够成功检测出不同尺寸和方向的舰船目标，有效克服复杂背景的干扰。算法检测正确率93%，虚警率4%，优于其他舰船检测方法。

为了在复杂天空背景下检测出低空慢速小目标, 本文研究了“低小慢”目标的视觉显著性区域特征, 融合扫描线填充算法, 提出了一种动态背景下“低小慢”目标自适应实时检测技术。首先, 根据图像的亮度对比度获取显著性图。接着, 使用形态学梯度提取显著性特征, 通过三帧差分算法得到种子点。然后, 使用扫描线填充算法进行生长, 结合提出的自适应双高斯算法分割出前景。最后, 根据候选目标的面积占比变化、质心距离变化、宽高比差异剔除虚假目标, 完成检测。为了验证算法的有效性, 本文选取了7组复杂天空背景的视频序列进行测试, 并与其他优秀检测算法进行了对比。结果表明, 本文提出的算法对运动目标检测的平均运行时间为0040 9 s, 平均检测准确率为8997%, 相比于其他算法的平均运算时间减少了035 s, 检测的平均准确率提高了245%。算法在复杂背景下具有较好的稳定性和较强的鲁棒性。