一、一种低信噪比条件下的红外图像序列小目标实时检测算法（论文文献综述）
田静[1]（2021）在《红外弱小目标的检测与跟踪方法研究》文中提出低照度、低信噪比和复杂背景等环境下的红外图像弱小目标检测与跟踪具有重要意义,是红外搜索与跟踪系统中的重点和难点,更好的实时性、更高的检测概率和更低的虚警概率成为研究人员一直以来追求的目标。本文根据目标尺度变化和强杂波等因素,提出了一种基于多尺度的局部梯度和局部强度融合的RX红外小目标检测算法,并在此基础上实现了与基于概率假设密度滤波器的序贯蒙特卡洛粒子滤波跟踪算法有效结合,在检测的过程中为跟踪提供预测信息,在跟踪过程中不断校正检测结果,实现了红外图像序列的连续检测与跟踪。在比较了基于二维经验模态分解的RX检测（BEMD-RX）等方法的基础上,本文结合局部梯度和局部强度融合方法[1],提出了一种改进的多尺度局部梯度和局部强度融合的RX红外小目标检测算法（MLIG-RX）。通过多尺度红外图像局部梯度和局部强度的融合计算,实现了图像的预处理,抑制了背景噪声,显着提高了目标的信噪比,并在此基础上利用RX全局检测算法提取图像中的弱小目标,实现了红外弱小目标的有效检测。针对红外图像序列中弱小运动目标的跟踪问题,本文基于随机有限集理论（RFS）,实现了概率假设密度滤波的红外小目标跟踪算法。通过RFS表述目标的运动状态和观测,利用一阶统计矩近似计算目标的后验概率密度[2]。结合序贯蒙特卡洛（SMC）中重要性采样和重采样策略,递归地近似实现目标后验概率假设密度的滤波和传递,形成了红外图像序列的概率假设密度检测前跟踪算法（SMC-PHD）。以运动目标灰度重心为跟踪点,提高了跟踪性能和运算效率。利用目标运动量测方程对目标运动轨迹进行预测,通过更新目标位置来获得对于目标位置的估计,以整体最优估计实现运动目标跟踪以及目标运动轨迹提取。最后,本文基于多尺度局部强度和梯度融合以及序贯蒙特卡洛概率假设密度滤波设计了红外弱小目标检测与跟踪的完整算法框架（MLIG-RX-SMC-PHD）,实现了两种模型的闭环运行。结合实际应用背景,设定了多个仿真场景,给出了实验结果及分析。结果表明,本文提出的检测算法具有较好的背景抑制能力,能够提高目标检测准确率,具有一定的鲁棒性。同时检测与跟踪的闭环运行模式,保证了跟踪的稳定性和准确性。在此基础上,开发了检测与跟踪系统软件,并使用实际数据检验了软件的有效性。
赵东[2]（2020）在《红外目标跟踪与距离感知技术研究》文中研究说明红外成像探测是被动探测,其具有隐蔽性高和抗干扰能力强等特点,在民用和军事等方面具有广泛的应用。其中红外目标跟踪和距离感知技术是红外图像处理的两个重要研究方向,是红外成像制导、监视和告警等领域中的核心技术。深入研究红外目标在复杂背景下的跟踪以及目标距离感知具有重要理论和实际应用价值。本论文针对天空背景的弱小目标跟踪问题,基于现有可见光和红外目标跟踪技术,从提高目标与背景差异和提取目标有效特征两方面着手,引入曲率滤波和引导滤波方法,分别研究提出了基于三种理论的红外目标跟踪算法。并利用经典光散射模型以及气象学参数提出了一种雾天下城市建筑物目标距离感知算法。主要研究内容与成果如下。（1）红外弱小目标跟踪算法性能评估需大量已知红外弱小目标位置和参数的测试图像,针对在短时间内获得大量红外弱小目标参数连续变化的图像难以实现的问题,本论文通过深入分析红外弱小目标在图像上的成像特点,建立了红外弱小目标成像数学模型以及红外面阵相机抖动的数学模型,提出了一种基于真实红外背景图像的红外弱小目标图像序列仿真方法。（2）针对复杂天空背景下红外弱小目标跟踪容易发生偏移的问题,本论文引入曲率滤波来处理时空上下文先验模型,然后利用输入图像与滤波后结果的差值作为新的时空上下文先验送入时空上下文模型,进而得到理想的时空上下文模型。由此提出了一种时空上下文和曲率滤波相结合的红外弱小目标跟踪算法,仿真实验验证了该算法适用于复杂天空背景下的弱小目标跟踪。（3）针对红外弱小目标运动过程中出现机动导致跟踪失败的问题,本文在核相关滤波的基础上引入引导滤波处理基样本,增大基样本中目标正样本与背景负样本的差异。使用输入图像与滤波处理后的图像的差值作为新的基样本送入核相关滤波器中,以提高分类器参数的准确性。在此基础上提出了一种核相关滤波结合引导滤波的红外弱小目标跟踪算法,该算法能够对复杂天空背景下的红外弱小目标进行跟踪,并且实时性较好。（4）针对大多数红外目标跟踪算法不能同时适用于大目标和小目标的问题,本文基于粒子滤波框架,为提取红外目标有效的特征,提出了一种基于稀疏的产生模型与基于引导滤波的判别模型相结合的表观模型提取方法,用以增强贝叶斯分类器的性能,以完成对红外目标的有效跟踪。（5）针对单目成像无法估计目标与相机的相对距离的问题,本论文在现有雾天气下光散射模型的基础上,首次利用单色相机以及两个滤光片建立了近红外双光谱成像系统,利用能见度和波长估计两个提前选择好的近红外波段下的消光系数,然后利用本文所提的城市建筑物目标距离感知物理模型,实现了进行目标到相机间相对距离的有效感知。
李拓[3]（2020）在《复杂背景下的红外弱小目标检测研究》文中指出随着红外技术的快速发展,复杂背景下的红外弱小目标检测技术已广泛应用于军事和民用领域。红外弱小目标检测技术具有可全天候工作、作用距离远、隐蔽性强、抗干扰能力强等优点,但同时具有目标成像面积小、亮度较弱、对比度较低、边缘模糊、无纹理特征等缺点,因此红外弱小目标检测一直为图像处理领域的难点和热点。针对上述问题,本论文通过对国内外红外弱小目标检测算法的研究调研以及对红外图像的特性进行分析,提出了融合多特征的多方向环形梯度的红外弱小目标检测算法。本论文的主要工作包括以下几方面:首先,本论文介绍了红外弱小目标的图像特性,重点分析了红外图像的三要素——目标、背景以及噪声,目标通常为高斯分布,其灰度值为周围邻域的极大值,在图像中表现为孤立的亮点或亮斑,背景通常为大面积连续分布,其辐射强度为渐变状态,噪声在红外图像出现的位置是随机的,没有稳定的运动状态。同时对常见的红外图像增强算法进行了探讨,对近年来出现的几种红外弱小目标检测算法进行了简单介绍,以及对两种经典的红外弱小目标检测算法进行了仿真分析。其次,针对红外弱小目标的图像,分析了目标和背景之间的梯度差异,目标为邻域的极大值,具有各向同性,八个方向梯度均快速下降,而背景仅在一个或几个方向上具有梯度下降特性,不具有各向同性。通过对基于多方向梯度和多方向环形梯度的目标检测算法的研究,提出对多方向梯度算法仿照FAST特征进行优化,以及针对多方向环形梯度法以目标与背景的梯度差异为基础,提出了一种融合多特征的多方向环形梯度法的红外弱小目标检测算法。该算法在多方向环形梯度法的基础上融合了加权局部熵、局部方差以及局部能量比等特征进行单帧检测,有效的降低了误检率,提升了算法性能。第三,由于单帧检测算法处理后得到的目标含有虚假目标,我们利用真实目标具有连续的运动轨迹以及稳定的特征,在相邻几帧之间进行匹配,确定真目标,降低虚警率,提升了算法性能。首先对目标区域提取相关特征,如大小、质心、灰度、似圆度、圆形性、紧凑度以及ORB等特征,然后探讨了相似度度量算法,最后提出了一种改进的邻域判决法用来在多帧之间筛选目标,找出真目标。最后,选取包含红外弱小目标的红外视频对本文的算法进行仿真,并将结果与其他算法进行比较,得出本文算法有更高的检测率和更低的误检率。
付文宇[4]（2020）在《海空背景下红外小目标检测方法研究》文中认为海空背景下小目标红外检测方法一直是图像处理领域中的热点及难点。由于红外图像中小目标具有无明显特征、尺寸小、像素数少等特点,导致对目标的远距离检测难度增加,难以获得小目标的相关信息。同时由于海杂波、海天线及天空云层等干扰因素,使得目标容易淹没在背景噪声及杂波当中。针对复杂海空背景下红外慢小目标的检测方法,本文的研究内容及创新如下:针对在远海背景下不易对目标准确检测,研究了区域目标检测预处理算法。通过分析红外图像区域的统计分布模型,并根据区域分布模型的差异性,筛选出符合要求的目标区域。对海空背景下红外小目标进行检测,结果表明区域目标检测的预处理算法可实现对目标的初步定位,对提高小目标的检测率、降低虚警率和漏警率具有极为重要的意义。针对复杂海空背景下杂波及噪声点的消除、对不同海空场景中目标的自适应检测,研究了基于区域目标检测的自适应目标分割算法。建立数学模型得到自适应不同背景的阈值,从而根据阈值分割得到目标区域二值化图像,对区域图像进行重构获取检测结果。分别采用单一目标、多目标、不同海空背景下的单帧红外图像进行仿真实验,并与传统算法对比,结果表明该算法对单一目标、多目标、在不同海空背景下均具有较好的检测效果。为了确定真实目标,引入改进的管道滤波算法,对序列图像中目标的检测与计数同步进行,提出了基于ATS-RTD和管道滤波的结合算法,对两组序列图像进行实验验证,结果表明该结合算法可以准确地检测真实小目标,并且对背景的抗干扰能力强。针对海空背景下红外小目标检测的实时性、对不同海空场景中目标自适应并稳定地检测,研究了基于区域目标检测的块均值算法。对预处理后的红外图像建立块匹配模板,与目标区域各像素点匹配得到区域内的目标,通过区域图像重构获得最终检测结果。采用三幅不同的红外图像进行仿真验证,结果表明该算法对单一目标,多目标,在不同海空背景下均具有良好的检测性能;与Top-hat、Otsu等四种算法作对比,结果表明该算法具有高实时性、自适应性、高检测率等优点。为了排除噪声点等干扰,提出了基于BM-RTD和管道滤波的小目标检测算法,对两组序列图像进行实验验证,结果表明该结合算法实时性较好,可以适用于不同海空背景下小目标的检测,具有较高的检测率和抗干扰性能。
吴言枫[5]（2020）在《复杂背景下“低小慢”目标检测技术研究》文中认为“低小慢”目标是飞行高度低于2千米且飞行速度小于50千米/小时的这一类小型航空设备的统称[1]。作为代表的多旋翼无人机以及遥控航模具备体积较小、质量轻以及易于改装的特点,如果在“低小慢”航空器上配备摄像头或炸药并用于不正当途径,会对我国公众安全和空防安全造成潜在威胁,因此类似于“反无人机群”课题的低空慢速小目标检测技术研究已经成为热点问题。为此,本文在充分调研国内外研究现状的基础上,就复杂背景下低空慢速小目标的检测问题进行了研究,具体分析了复杂背景中“低小慢”目标的成像特征、噪声特征、目标特征以及背景特征,提出了一套具备复杂空间环境自适应性的“低小慢”目标检测方法。本文就可见光图像和红外图像针对性地提出了不同的“低小慢”目标检测算法。对于可见光相机拍摄下的复杂场景:（1）针对逆光和局部高亮情况,提出了一种基于不均匀光照校正的背景建模算法。该体系引入二维伽马函数自适应抑制光照不均匀图像以及提取颜色特征,并借助扩展尺度局部不变算子提取纹理特征,级联至ViBe+背景模型中实现对“低小慢”目标的有效检测;（2）针对复杂动态场景,提出了一种基于视觉显着性的目标检测算法。该算法充分利用了低空慢速小目标的颜色显着性特征提高前后背景对比度,并提出形态学差分方法选取目标种子点、改进扫描线填充算法实现对目标的选取。本文选取7组复杂天空背景的视频序列对算法进行了验证。结果表明,本文提出的算法具备复杂空间环境下对低空慢速小目标进行准确检测的能力。对于红外相机拍摄下的复杂场景:（1）针对具有非均匀噪声的红外图像,提出了一种基于TCAIE-LGM（Adaptive L0 Gradient Minimization Smoothing based on Texture Complexity and Information Entropy）平滑的低空慢速小目标检测算法。算法计算图像的纹理复杂度和二维信息熵作为控制参数,并通过自适应L0梯度最小平滑去除条纹噪声并抑制图像高频细节。在此之后,将双高斯差分算子（DoG）引入到了基于像素的多帧模型中实现目标和复杂背景的有效分割。为了验证算法的有效性,本文研究过程中使用3组视频（来自VOT-LTIR 2015数据库、OTCBVS数据库和Terravic Motion IR数据库）对算法进行了测试,并利用红外相机实时拍摄的视频序列对算法进行了验证。结果表明本文提出的算法可以降低虚警率并以较高的准确率完成检测;（2）对于非平稳复杂场景的红外图像,本文提出了一种“低小慢”目标的快速检测算法。累积直方图可以很好地表征图像的灰度分布,该算法利用双高斯函数拟合其直方图,并借助最大似然估计方法剔除图像中的杂波和孤立噪声点。文中提出的基于四条件约束的区域增长可以有效获取完整目标,构造的置信度函数可以大幅度提高目标判决的准确性。经过实验验证,算法在主频为3.2Ghz、8核CPU、8G内存的上位机环境,检测2km外、640×512分辨率图像中的无人机平均每帧耗时0.085s,能够满足基本检测需求。对于多源传感器环境下的复杂场景:提出了一种基于红外和可见光图像融合的低空慢速小目标检测算法。算法根据图像的加权移动方式和信息熵理论定位目标候选区域,并将红外图像和可见光图像进行融合形成先验,通过基于局部背景建模的方式提取目标。本算法可以全天时工作,相比于传统基于单传感器的低空慢速小目标检测技术在准确率上具有明显得的优势。经公共数据集验证,所提算法的准确率高于95%,与传统的单一传感器检测算法相比提高了10%以上。
杨其利[6]（2020）在《基于深度学习的红外弱小目标检测研究》文中进行了进一步梳理红外弱小目标检测与跟踪是红外导引领域中的一项关键技术,在红外隐身空间飞行器探测、小天体探测、导弹制导和战场侦察等航空航天领域的研究中具有重要地位。本文围绕远距离探测红外弱小目标的技术需求,重点研究了复杂背景下红外图像的弱小目标检测和轨迹跟踪问题,本文的主要工作和研究成果包括:首先,描述了红外图像的模型构建方法,针对红外图像的目标辐射特性、背景特性和噪声特性进行了细致的分析,介绍了弱小目标检测的性能评价指标,总结了红外弱小目标的检测难点。此外,介绍了三种基于人类视觉特性的弱小目标检测算法,作为本文研究工作的对比方法,验证所提算法的科学性和有效性。对于复杂环境下单帧红外图像中信杂比低于3的弱目标,使用手工特征提取的算法容易出现虚警,而拥有强大特征提取能力的深度学习算法无法对微小且缺乏轮廓信息的目标训练。因此,本文采用滑动窗口取样训练,它源自基于人类视觉特性传统算法中嵌套结构的思想,设计了使用递归卷积层的全卷积网络。在不增加训练参数条件下,该网络不仅扩展了网络深度,并且其并行卷积结构的多个分支结构还能模拟传统算法的多尺度操作。此外,本文还设计了多种损失函数来对抗正负样本严重不平衡的问题。实验结果表明,该算法能够取得比传统算法更好的检测效果。对于单帧图像中不足12个像素的小目标,链式结构在网络加深时会出现目标信息丢失的问题,而拥有信息融合和监督机制的编码器-解码器则能够改善这一缺陷。因此,本文在此基础上设计了全卷积递归网络。通过借鉴编码器-解码器特征融合的特点,该算法采用了全卷积网络中的滑窗取样训练,并且使用了密集连接操作、递归卷积操作和并行卷积操作。实验表明,在同一虚警率情况下,该方法的目标检测率总是最高的,证明本文提出的全卷积网络相较于传统方法具有更优的检测效果。最后,对于图像序列中不足6个像素的运动目标,本文提出了一种由3D卷积核和卷积长短时记忆层构建的模型,其中长短时记忆层门控单元中的全连接操作被改为卷积操作。针对该模型噪声残留较多的问题,该算法创造性地引入了注意力机制。3D卷积核提取连续15帧图像的短期时空信息;卷积长短时记忆层提取序列的长期时空信息;注意力机制则舍弃背景信息并关注目标信息。实验表明,基于输出门注意力卷积长短时记忆网络在均方根误差和平均绝对误差上相对于其他方法分别平均降低了31.0%、39.5%,在峰值信噪比和结构相似度指标上则分别平均提高了18.7%、3.1%,表明该方法背景杂波残留最少,检测效果最优。
许美琪[7]（2020）在《复杂背景下红外弱小目标检测方法研究》文中认为复杂背景下红外弱小目标检测技术对于红外预警、精确制导等领域的发展具有重要的意义。越早地探测到目标,就能够为后端提供更多的反应时间,因此实现远距离的有效探测十分重要。与传统的雷达系统相比较,红外搜索与跟踪系统是无源被动工作系统,通过接收物体的不同辐射能量识别目标,并且具有体积小、重量轻等优点,适合安装在战斗机或无人机上。弱小目标在图像中所占像素极少,且没有物体的细节和纹理特征。在成像过程中受背景云层、大气辐射等因素的影响,接收到的目标强度大大降低,经常造成目标辐射强度低于红外图像中非目标区域的辐射强度,导致在探测目标时容易出现目标丢失和高虚警概率等现象。另外红外弱小目标检测技术是红外搜索与跟踪系统的重要组成,是军事、航空和航天应用的关键技术,因此复杂背景下红外弱小目标的检测是一项极具实际意义的研究方向。本文从红外弱小目标的成像特征入手,分别针对背景抑制、阈值分割和时空域联合检测方法进行了研究,提出能有效解决弱小目标的弥散和多形态特征的检测方法,最终实现复杂背景下红外弱小目标的有效检测。首先针对红外弱小目标的成像特点进行了详细研究,由于探测距离远导致目标成像面积小,而背景则多为大面积的云层或建筑物等复杂背景,所以要先对图像进行预处理。在单帧图像的红外目标检测中,为了探测低信噪比目标,针对图像背景复杂和目标形态多样等问题提出一种新的背景抑制方法。在预处理部分,考虑目标的扩散和目标在像平面的动态分布特征,在软形态学的基础上进行改进,结合多方向动态滤波模板,滤波模板选取4个方向的5×5的结构元素,这样可以有效地抑制背景,最大程度保留目标形状信息,并具有更好的鲁棒性。在阈值分割部分,提出多方向梯度阈值分割方法,统计8个方向不同步长的梯度值,统计超过阈值的梯度数量筛选目标点。最后通过能量集中度剔除可能残留的虚警噪点。实验证明,提出的检测方法能够有效提高目标探测率降低虚警率,探测率达到98.5%,与其他算法相比,本文提出的算法分别将探测率提高了20%和14%,虚警率降低了52.6%和44.4%。单帧检测容易造成漏检和虚警率高等问题,为进一步降低虚警率,研究了时空域联合红外弱小目标检测方法。本文将背景建模与数据关联相结合,提出一种新的时空域联合检测算法。首先经过空域滤波进行初级抑制,图像中每个像素点灰度值都与相邻像素灰度值有关,针对这一特性建立模型对背景进行估计,并与原图像差分将大部分背景去除。然后利用能量集中度准则可将残留的虚警点剔除,提高探测率。根据运动目标在多帧图像中的连续性,利用粒子滤波对目标轨迹进行跟踪,确定目标位置。分别对纯净天空背景和云层背景的序列图像进行检测,实验证明,提出算法可以有效跟踪目标轨迹,实现多帧目标检测。
彭凌冰[8]（2020）在《复杂成像探测中的微弱目标检测算法研究》文中研究表明成像目标检测、识别与跟踪是计算机视觉领域的研究热点,无论在军事还是民用领域都有着极其广泛的应用。尤其在军事领域,微弱成像目标检测在雷达探测及光电探测系统中均具有?分重要的作用,对图像中目标的检测精度将直接影响系统的探测性能。实际应用中,需要捕获目标场景的诸多细节信息,便于图像解析及对各类运动军事目标的探测与识别。由于容易受到光照条件、场景复杂度、目标运动速度及可能发生的遮挡等众多因素影响,目前现有的目标检测算法还存在鲁棒性不强、精度不高、实时性及适应性较差等诸多局限性,这将直接影响成像探测系统的目标探测性能。本文围绕复杂成像探测中的微弱目标检测方法,开展相关基础理论及应用研究,旨在进一步提高目标检测精度、降低虚警率和满足工程应用的实时性要求,以期提高成像探测系统的性能。本文主要工作包括以下几个方面:（1）对复杂成像探测系统中的目标检测基础理论进行了研究和算法仿真,包括帧差法、背景减除法、光流法以及基于这些理论的扩展和改进算法。重点针对复杂红外场景下的弱小目标检测涉及到的特有算法和理论进行了研究,如红外图像预处理、红外图像高分辨率重建及红外图像稀疏表示方法等,并进行仿真测试。总结了各种算法的适应性,为后续研究打下了坚实的基础。（2）针对复杂背景红外弱小目标检测难点问题,开展了复杂动态场景下的红外成像背景建模方法研究。重点开展了混合高斯背景建模及非参数核密度估计背景建模方法等,进行了实际场景数据的仿真、测试和评价,构建了基于背景建模和估计来解决低信噪比红外弱小目标检测的技术途径。du（3）提出了基于多尺度、多方向特征融合的红外弱小目标检测方法。即在Sheartlet变换域中引入高频系数Kurtosis最大化准则,利用复杂红外图像中的背景、弱小目标及噪声三者在分解后不同高频子带中具有不同模极大值的特性来达到抑制复杂背景及噪声的目的,解决了复杂红外场景中噪声及背景干扰下的弱小目标检测问题。（4）从红外图像目标的视觉显着性模型入手,提出了多方向多尺度高提升响应的红外弱小目标检测方法。通过设计空域八方向各向异性滤波器及不同尺度下的局部高提升滤波策略,以解决红外成像场景下的背景杂波干扰及噪声抑制问题。最后,对提出的算法进行了多组实际红外场景的仿真实验,通过与其它现有算法的对比分析,本文算法在检测率、实时性等方面有较大的性能提升,验证了本文算法的可行性与有效性。（5）提出了基于最优分数域时频分析的SAR图像弱目标检测算法。通过引入分数域时频分析理论,将常规时频分析扩展到分数阶傅立叶变换（FrFT）域,通过设计和优化分数域Gabor变换（FrGT）的最优阶和对应的窗函数,进一步提高了SAR图像的时频分辨率。最后利用分数域能量衰减梯度特征进行SAR目标的检测。通过对MSTAR数据集几种典型SAR成像目标的仿真测试,本文提出的算法具有较高的检测精度和较好的检测性能,为SAR目标检测和识别提供了新的技术途径。
黄苏琦[9]（2020）在《时空谱多特征联合红外弱小目标检测方法研究》文中指出红外弱小目标检测技术是红外监视、红外预警以及红外搜索与跟踪等系统中的关键技术,在交通、安防及军事领域应用广泛。在这类应用场景中,由于成像距离远,目标在图像中的尺寸小;考虑到成像系统噪声及背景杂波干扰,目标在图像中的信杂比低;故目标在远距离红外成像后呈现为弱小目标。红外弱小目标具有特征少、强度低、成像环境复杂、运动状态复杂等特点,这些因素给检测任务带来了巨大的困难和挑战。经过几十年的发展,红外弱小目标检测技术已经取得了长足的进步,但是在复杂背景条件下,或是在差异较大的多个场景中,现有检测方法仍然难以稳定地消除虚警,实际表现仍有待提升。本文开展了时空谱多特征联合红外弱小目标检测方法研究。该研究致力于在空间域、时间域以及变换域中搜寻和构建特征以增强目标和背景的区分性,并根据各域特征的特点和优势,对多域特征进行综合分析和利用,从而提升红外弱小目标检测的质量和稳定性。具体而言,本文的主要内容包括以下几个方面:（1）对红外弱小目标检测基础理论进行了梳理和介绍。本文分析了远距离红外成像后的目标和背景特性,并通过与可见光目标检测任务进行对比,给出了红外弱小目标检测任务的具体描述,描绘了红外弱小目标检测算法的框架,介绍了红外弱小目标检测算法的性能评价手段。这部分研究内容是红外弱小目标检测的基础,在本文后续的方法研究中均有应用。（2）提出了一种基于链条生长滤波的红外背景杂波抑制方法。链条生长滤波模型可以调整自身形状以适应多种杂波结构,例如直线,曲线和不规则边缘等,从而仅仅使杂波区域内部像素点参与特征提取运算,降低了杂波形状对特征提取的影响。与基于固定形状的特征提取策略相比,链条生长滤波模型具备更强的红外背景杂波抑制能力,也因而获得了更出色的检测性能。（3）提出了一种基于密度峰搜索的红外弱小目标检测方法。该方法将图像中的像素点映射到“密度-?距离”特征空间,通过密度峰搜索方法快速剔除大部分平缓区域中的像素点,并提取少数局部“密度”极大值点（密度峰）作为候选目标。针对这些候选目标,提出了一种基于最大灰度区域生长的特征提取方法,从而增强了对复杂形态背景杂波的抑制效果。在决策阶段,采用了一种基于四分位数的阈值方法,获得了场景鲁棒性更强的决策阈值。在算法评价过程中,将红外图像中的密度峰划分为正负样本,通过改变决策阈值,绘制出PR曲线;相比于红外弱小目标检测领域常用的ROC曲线,PR曲线可以更明显地反映出各算法间的性能差异。基于密度峰搜索的红外弱小目标检测方法保证了特征提取模块的高质量和高效率,从而实现了对检测性能和运算速度的兼顾。（4）提出了一种基于核相关滤波的红外弱小运动目标检测方法。该方法通过核相关滤波算法对帧间背景运动进行建模和补偿,通过帧间差分法对当前帧的相对运动特征进行提取,并对提取出的相对运动特征图进行阈值分割,从而完成运动目标检测。该方法实现了背景、目标两种运动模式的分离,有效利用了目标的相对运动特征,大幅提升了背景运动条件下红外弱小运动目标的检测效果。此外,该方法将大量运算过程置于频域中进行,运算效率高,可以满足实时性要求,这对该算法的实际应用具有重要意义。（5）提出了一种时空谱多域特征联合的鲁棒检测策略。该方法采用链条生长滤波进行空域特征提取,采用核相关滤波（主要在频域中进行运算）进行时域运动特征提取,并利用这两种独立性强、互补性强的特征对红外图像中每个像素点进行联合表达;根据提取出的多域特征,利用异常检测算法计算每个像素点的置信度,并通过阈值化置信度图来输出最终检测结果。该方法充分发挥了空域、时域及谱域特征各自的特点和优势,增大了目标与背景在特征空间中的分离程度,提升了检测结果的置信度,并增强了检测算法在多种类型红外场景中的鲁棒性。大量实验测试表明,本文提出的空域检测方法、时域检测方法在与其他同类型算法的比较中表现优异,提升了红外弱小目标检测算法在复杂背景条件下的性能;而本文提出的多域特征联合检测方法在与其他单域算法的比较中表现优良,提升了红外弱小目标检测算法在不同类型场景中的稳定性。此外,本文提出的方法注重运算过程的高效性,这使本研究除了具有理论意义还具备一定的应用价值。
魏元[10]（2019）在《针对空中小目标的红外与毫米波复合检测技术研究》文中研究表明随着反装甲精确制导武器的迅猛发展,装甲车辆面临着愈发严峻的空中威胁,车载空中小目标预警系统对于提高装甲车辆生存能力有着重要意义。这些预警系统大多采用单波段检测技术,而红外与毫米波复合检测技术基于异类传感器信息,能够有效提高目标特征维度,比单波段检测技术具有更低的虚警率和更强的适应性。为提高车载预警系统对空中小目标的检测能力,本文开展了红外信息处理、毫米波信息处理、红外与毫米波复合检测技术的研究。主要研究内容概括如下:（1）提出了一种针对空中小目标的红外与毫米波复合检测系统的设计思路,并根据战场电磁环境和作战需求,设计了引导式、并列式两种复合检测方式。（2）分析了目标和背景杂波的红外特性,针对复杂红外图像中杂波强度高、虚警难以去除的问题,提出了基于局部梯度特性的红外小目标检测法。利用二阶原点矩（LGSM）区分目标和高强度杂波,并在LGSM值和拉普拉斯-高斯滤波值上分别设定双阈值进行滞后阈值分割,在保证检测概率和算法效率的同时有效降低虚警概率。（3）分析了典型空中目标的毫米波特性和毫米波相控阵雷达估计目标速度特性参数的不足,提出了基于u域修正牛顿法的速度特性参数估计法。将分数阶傅立叶变换（FRFT）域网格搜索作为粗估计,利用u域插值法和α域牛顿法对FRFT域峰值参数u0和α0进行精估计,并推导目标的速度和加速度。仿真结果表明,精估计使线性调频信号的中心频率和调频率估计的均方根误差显着降低。（4）针对毫米波雷达因战场环境和作战需求导致无法搜索空域的情况,提出了基于视觉注意机制的引导式复合检测方式。利用朴素贝叶斯分类求取视觉焦点区域,并构建红外图像全局显着图;根据目标特征信息的掌握情况提出模糊模式识别和模糊二分类决策树两种判决法,利用目标的毫米波回波特征进行目标分类。仿真结果表明,引导式复合检测能够融合多幅红外特征图,为毫米波提供引导信息,通过雷达的验证性检测消除虚警、漏警。（5）红外搜索与跟踪系统和毫米波雷达并行工作,进行复合检测时,针对红外图像和毫米波回波信息的异构性问题,提出了基于异构数据处理的红外与毫米波并列式复合检测方式,将红外图像转化为特征向量,与毫米波特征向量整合为联合特征向量,并进行支持向量机分类。在红外特征提取、数据关联和特征选择三个阶段优化了数据处理:提出了基于人眼视觉系统的红外特征提取,去除红外数据集中的冗余数据;提出了网格化全局最近邻数据关联,简化了关联矩阵的构建和距离计算;提出了基于先验信息的互信息特征选择法,利用特征之间提取机制的差异,优化特征选择,提高训练集与测试集差异大时的检测概率。仿真结果表明,异构数据处理能够改善分类性能。
二、一种低信噪比条件下的红外图像序列小目标实时检测算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种低信噪比条件下的红外图像序列小目标实时检测算法（论文提纲范文）
（1）红外弱小目标的检测与跟踪方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外弱小目标检测现状 |
| 1.2.2 红外弱小目标跟踪现状 |
| 1.3 论文研究内容及结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文结构安排 |
| 2 红外弱小目标检测与跟踪理论基础 |
| 2.1 红外图像及目标特性分析 |
| 2.1.1 红外图像数学模型 |
| 2.1.2 红外图像目标特性分析 |
| 2.2 红外弱小目标检测方法分析 |
| 2.3 红外弱小目标跟踪方法分析 |
| 2.4 本章小结 |
| 3 红外弱小目标检测方法研究 |
| 3.1 基于二维经验模态分解的检测算法 |
| 3.1.1 经验模态分解 |
| 3.1.2 二维经验模态分解 |
| 3.1.3 RX全局检测 |
| 3.1.4 BEMD-RX检测 |
| 3.1.5 实验结果与分析 |
| 3.2 基于改进局部强度梯度融合的检测算法 |
| 3.2.1 LIG检测算法 |
| 3.2.2 MLIG检测算法 |
| 3.2.3 MLIG-RX检测算法 |
| 3.2.4 实验结果与分析 |
| 3.3 本章小结 |
| 4 红外弱小目标跟踪系统 |
| 4.1 红外弱小目标跟踪方法研究 |
| 4.1.1 随机有限集理论和PHD滤波器 |
| 4.1.2 基于序贯蒙特卡洛概率假设密度滤波的弱小目标跟踪 |
| 4.1.3 跟踪仿真实验与分析 |
| 4.2 基于改进序贯蒙特卡洛概率假设密度滤波的红外弱小目标跟踪系统 |
| 4.2.1 MLIG-RX-SMC-PHD算法 |
| 4.2.2 仿真实验与分析 |
| 4.2.3 系统实现与分析 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）红外目标跟踪与距离感知技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 相关技术的研究现状与发展 |
| 1.2.1 红外目标的特性 |
| 1.2.2 红外目标跟踪技术研究现状 |
| 1.2.3 红外目标距离感知技术研究现状 |
| 1.3 各章节的主要研究内容 |
| 第二章 红外小目标图像序列仿真方法研究 |
| 2.1 引言 |
| 2.2 红外相机静止的红外小目标图像序列仿真 |
| 2.2.1 背景图像产生 |
| 2.2.2 红外弱小目标信噪比 |
| 2.2.3 红外弱小目标模型 |
| 2.2.4 红外弱小目标参数 |
| 2.3 红外相机抖动的红外小目标图像序列仿真 |
| 2.3.1 红外面阵相机成像抖动模型 |
| 2.3.2 红外面阵相机成像抖动算法原理 |
| 2.3.3 红外面阵相机成像抖动仿真实现 |
| 2.4 红外小目标图像序列仿真实现 |
| 2.4.1 红外小目标图像序列仿真软件介绍 |
| 2.4.2 红外小目标仿真结果示例 |
| 2.5 本章小结 |
| 第三章 基于时空上下文与曲率滤波的红外弱小目标跟踪 |
| 3.1 引言 |
| 3.2 STC跟踪算法的基本原理 |
| 3.2.1 上下文先验模型 |
| 3.2.2 空间上下文模型 |
| 3.2.3 置信图 |
| 3.2.4 快速检测 |
| 3.2.5 偏移分析 |
| 3.3 基于曲率滤波的STC跟踪算法 |
| 3.3.1 曲率滤波 |
| 3.3.2 GF-STC跟踪算法 |
| 3.4 仿真结果及分析 |
| 3.4.1 参数设置 |
| 3.4.2 定性对比 |
| 3.4.3 定量对比 |
| 3.5 本章小结 |
| 第四章 基于核相关滤波与引导滤波的红外弱小目标跟踪 |
| 4.1 引言 |
| 4.2 KCF跟踪算法的基本原理 |
| 4.2.1 核相关滤波算法 |
| 4.2.2 快速检测 |
| 4.2.3 偏移分析 |
| 4.3 基于引导滤波的KCF跟踪算法 |
| 4.3.1 引导滤波 |
| 4.3.2 GIF-KCF跟踪算法 |
| 4.4 仿真结果及分析 |
| 4.4.1 参数设置 |
| 4.4.2 定性对比 |
| 4.4.3 定量对比 |
| 4.5 本章小结 |
| 第五章 基于表观模型的红外目标跟踪 |
| 5.1 引言 |
| 5.1.1 SGM模型 |
| 5.1.2 GFDC模型 |
| 5.1.3 GFDC-SGM红外目标跟踪 |
| 5.2 仿真结果及分析 |
| 5.2.1 参数设置 |
| 5.2.2 定性对比 |
| 5.2.3 定量对比 |
| 5.3 本章小结 |
| 第六章 雾天下基于近红外双光谱消光的建筑物距离感知 |
| 6.1 引言 |
| 6.2 基于近红外双光谱消光的城市建筑物距离感知基本原理 |
| 6.2.1 光的散射原理 |
| 6.2.2 距离公式的推导 |
| 6.2.3 材料反射光谱分析 |
| 6.2.4 消光系数的计算 |
| 6.2.5 波长的选择策略 |
| 6.3 仿真结果及分析 |
| 6.3.1 系统配置以及实施细节 |
| 6.3.2 定性分析 |
| 6.3.3 定量分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）复杂背景下的红外弱小目标检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 DBT算法 |
| 1.2.2 TBD算法 |
| 1.3 论文主要工作及章节安排 |
| 第二章 红外弱小目标检测的相关理论 |
| 2.1 红外图像分析 |
| 2.2 红外弱小目标图像增强 |
| 2.2.1 线性拉伸 |
| 2.2.2 直方图均衡化 |
| 2.2.3 膨胀 |
| 2.3 红外弱小目标检测算法介绍 |
| 2.3.1 背景自适应的多特征融合算法 |
| 2.3.2 多尺度亮度差加权熵的检测方法 |
| 2.3.3 结合形态学滤波与移动加权均值滤波的检测算法 |
| 2.3.4 基于局部特性的目标检测方法 |
| 2.3.5 基于局部均值差分的背景抑制算法 |
| 2.4 两种经典红外弱小目标检测算法分析 |
| 2.4.1 最大均值滤波算法 |
| 2.4.2 形态学滤波算法 |
| 2.5 本章小结 |
| 第三章 融合多特征的多方向环形梯度法 |
| 3.1 红外弱小目标梯度特征分析 |
| 3.2 基于多方向梯度的目标检测算法 |
| 3.2.1 多方向梯度法原理 |
| 3.2.2 优化的多方向梯度法 |
| 3.2.3 改进的多方向梯度法 |
| 3.3 多方向环形梯度法 |
| 3.4 融合多特征的多方向环形梯度法 |
| 3.4.2 图像局部能量比 |
| 3.4.3 局部方差 |
| 3.4.4 加权局部熵 |
| 3.4.5 实验仿真 |
| 3.4.6 算法优化 |
| 3.5 红外目标提取 |
| 3.5.1 目标划分 |
| 3.5.2 邻域分割法 |
| 3.6 本章小结 |
| 第四章 基于改进邻域判决法的多帧算法 |
| 4.1 特征提取 |
| 4.1.1 灰度 |
| 4.1.2 大小 |
| 4.1.3 质心 |
| 4.1.4 似圆度 |
| 4.1.5 圆形性 |
| 4.1.6 紧凑度 |
| 4.1.7 ORB特征 |
| 4.2 筛选判断 |
| 4.2.1 相似度度量算法 |
| 4.2.2 改进的邻域判决法 |
| 4.3 本章小结 |
| 第五章 算法结果分析 |
| 5.1 实验仿真结果分析 |
| 5.2 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 未来的展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）海空背景下红外小目标检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 TBD类方法 |
| 1.2.2 DBT类方法 |
| 1.2.3 现存主要问题 |
| 1.3 主要研究内容 |
| 1.4 论文章节安排 |
| 第2章 红外小目标检测理论与技术研究 |
| 2.1 红外成像系统原理 |
| 2.2 红外图像分析 |
| 2.2.1 背景特性分析 |
| 2.2.2 噪声特性分析 |
| 2.2.3 慢小目标特性分析 |
| 2.3 单帧红外小目标检测 |
| 2.3.1 数学形态学Top-hat变换 |
| 2.3.2 中值滤波算法 |
| 2.3.3 均值滤波算法 |
| 2.3.4 阈值分割法 |
| 2.4 管道滤波算法 |
| 2.5 红外小目标检测评价指标 |
| 2.5.1 检测概率 |
| 2.5.2 虚警概率 |
| 2.5.3 仿真时间 |
| 2.6 本章小结 |
| 第3章 区域目标检测预处理算法 |
| 3.1 几种典型的分布模型及分析 |
| 3.1.1 高斯分布 |
| 3.1.2 瑞利分布 |
| 3.1.3 对数-正态分布 |
| 3.1.4 威布尔分布 |
| 3.1.5 伽马分布 |
| 3.2 K-S检验 |
| 3.3 区域目标检测预处理技术原理 |
| 3.3.1 区域目标检测预处理算法流程及原理分析 |
| 3.3.2 图像区域划分 |
| 3.3.3 区域统计分布模型的拟合 |
| 3.3.4 区域差异性计算 |
| 3.4 仿真验证及结果分析 |
| 3.4.1 图像区域划分结果验证 |
| 3.4.2 区域统计分布模型的拟合结果验证 |
| 3.4.3 区域差异性算法结果验证 |
| 3.5 本章小结 |
| 第4章 基于区域目标检测的自适应目标分割算法 |
| 4.1 基于区域目标检测的自适应目标分割算法原理 |
| 4.1.1 算法流程及原理分析 |
| 4.1.2 自适应目标分割算法 |
| 4.1.3 图像重构算法 |
| 4.2 仿真验证及结果分析 |
| 4.2.1 单目标检测结果及分析 |
| 4.2.2 多目标检测结果及分析 |
| 4.2.3 不同海空背景下小目标检测结果及分析 |
| 4.3 基于ATS-RTD和管道滤波的小目标检测算法 |
| 4.3.1 基于ATS-RTD和管道滤波的小目标检测算法原理 |
| 4.3.2 单目标序列图像检测仿真验证 |
| 4.3.3 多目标序列图像检测仿真检测验证 |
| 4.4 本章小结 |
| 第5章 基于区域目标检测的块均值算法 |
| 5.1 基于区域目标检测的块均值算法原理 |
| 5.1.1 算法流程及原理分析 |
| 5.1.2 块匹配均值算法 |
| 5.2 仿真验证及结果分析 |
| 5.2.1 单目标检测结果及分析 |
| 5.2.2 多目标检测结果及分析 |
| 5.2.3 不同海空背景下小目标检测结果及分析 |
| 5.3 基于BM-RTD和管道滤波的小目标检测算法 |
| 5.3.1 基于BM-RTD和管道滤波的小目标检测算法原理 |
| 5.3.2 单目标序列图像检测仿真验证 |
| 5.3.3 多目标序列图像检测仿真验证 |
| 5.4 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）复杂背景下“低小慢”目标检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于不同图像属性的检测算法 |
| 1.2.2 基于不同原理的目标检测算法 |
| 1.2.3 基于不同目标特性的检测算法 |
| 1.2.4 基于不同图像背景的检测算法 |
| 1.3 “低小慢”目标检测面临的问题 |
| 1.4 本文的主要内容及结构安排 |
| 第2章 “低小慢”目标图像特性分析及相关预处理 |
| 2.1 引言 |
| 2.2 可见光相机的成像特性 |
| 2.3 复杂背景下可见光图像的预处理算法 |
| 2.3.1 基于直方图均衡化的光照校正 |
| 2.3.2 基于Gamma变换的光照校正 |
| 2.3.3 基于单尺度Retinex的光照校正 |
| 2.3.4 基于多尺度Retinex的光照校正 |
| 2.4 红外相机的成像特性 |
| 2.5 复杂背景下红外图像的预处理算法 |
| 2.5.1 红外图像动态噪声抑制算法 |
| 2.5.2 红外图像的非均匀性噪声抑制算法 |
| 2.5.3 红外图像的增强算法 |
| 2.6 本章小结 |
| 第3章 可见光背景下的“低小慢”目标检测 |
| 3.1 引言 |
| 3.2 基于光照校正的“低小慢”目标检测 |
| 3.2.1 基于二维伽马变换的颜色特征提取 |
| 3.2.2 基于ESILTP算子的纹理特征提取 |
| 3.2.3 基于ViBe+的目标检测 |
| 3.2.4 实验结果及性能分析 |
| 3.3 基于视觉显着性的“低小慢”目标检测 |
| 3.3.1 人眼视觉系统结构 |
| 3.3.2 显着性可计算模型 |
| 3.3.3 “低小慢”目标显着性特征分析 |
| 3.3.4 低小慢目标的检测 |
| 3.3.5 实验结果及性能分析 |
| 3.4 本章小结 |
| 第4章 红外背景下的“低小慢”目标检测 |
| 4.1 引言 |
| 4.2 基于TCAIE-LGM平滑的“低小慢”目标检测 |
| 4.2.1 自适应TCAIE-LGM平滑算法 |
| 4.2.2 基于像素的目标检测 |
| 4.2.3 实验结果及性能分析 |
| 4.3 非平稳复杂背景下的“低小慢”目标检测 |
| 4.3.1 “低小慢”目标辐射特性分析 |
| 4.3.2 红外图像感兴趣区域提取 |
| 4.3.3 基于四条件约束的区域生长 |
| 4.3.4 实验结果及性能分析 |
| 4.4 本章小结 |
| 第5章 基于多源传感器融合的“低小慢”目标检测 |
| 5.1 引言 |
| 5.2 目标候选区域提取 |
| 5.3 基于滚动引导滤波和加权最小二乘优化的图像融合 |
| 5.4 基于局部SuBSENSE的目标检测 |
| 5.5 实验结果及性能分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（6）基于深度学习的红外弱小目标检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 本文研究背景和意义 |
| 1.2 红外运动弱小目标检测的研究内容 |
| 1.2.1 运动弱小目标的概念 |
| 1.2.2 地基平台红外运动弱小目标检测的研究内容 |
| 1.2.3 天基平台红外运动弱小目标检测的研究内容 |
| 1.2.4 本文研究内容和技术指标 |
| 1.3 红外运动弱小目标检测的研究现状分析运动弱小目标的概念 |
| 1.3.1 国内外相关实验室研究工作 |
| 1.3.2 基于单帧图像的跟踪前检测算法 |
| 1.3.3 基于序列图像的检测前跟踪算法 |
| 1.4 创新点汇总和章节安排 |
| 1.4.1 本文创新点汇总 |
| 1.4.2 章节安排 |
| 第2章 红外图像特性分析 |
| 2.1 红外图像的模型构建 |
| 2.2 红外图像弱小目标检测的影响因素分析 |
| 2.2.1 目标特性分析 |
| 2.2.2 背景特性分析 |
| 2.2.3 噪声特性分析 |
| 2.3 主要技术指标 |
| 2.4 红外弱小目标检测的难点 |
| 2.5 人类视觉系统特性在红外弱小目标检测中的应用 |
| 2.5.1 人类视觉系统概述 |
| 2.5.2 人类视觉系统特性及其应用 |
| 2.5.3 人类视觉系统特性在红外弱小目标检测领域的不足之处 |
| 2.6 基于人类视觉系统特性的红外弱小目标检测算法 |
| 2.6.1 基于HVS单尺度的拉普拉斯-高斯(Lo G)算法 |
| 2.6.2 基于多尺度块的局部对比度测量(MPCM)算法 |
| 2.6.3 多尺度平均绝对灰度差(MS-AAGD)算法 |
| 2.6.4 不同HVS算法的优缺点 |
| 2.7 本章小结 |
| 第3章 基于全卷积网络的红外弱小目标检测方法 |
| 3.1 研究动机 |
| 3.2 卷积神经网络理论基础 |
| 3.2.1 神经元与卷积神经网络结构 |
| 3.2.2 卷积神经网络前向传播 |
| 3.2.3 卷积神经网络反向传播 |
| 3.3 全卷积网络与卷积神经网络的不同点 |
| 3.4 基于全卷积网络的红外弱小目标检测方法 |
| 3.4.1 残差单元 |
| 3.4.2 递归模块 |
| 3.4.3 检测方案 |
| 3.4.4 模型设计 |
| 3.4.5 损失函数 |
| 3.4.6 实验设置 |
| 3.5 实验结果和分析 |
| 3.5.1 数据集描述 |
| 3.5.2 实验结果与性能对比 |
| 3.6 本章结论 |
| 第4章 基于全卷积递归网络的红外弱小目标检测方法 |
| 4.1 研究动机 |
| 4.2 基于全卷积递归网络的红外弱小目标检测方法 |
| 4.2.1 基于全卷积递归网络的红外弱小目标检测方法 |
| 4.2.2 全卷积递归网络体系结构 |
| 4.2.3 损失函数 |
| 4.2.4 实验设置 |
| 4.3 实验结果和分析 |
| 4.3.1 数据集描述 |
| 4.3.2 实验结果与性能对比 |
| 4.4 本章结论 |
| 第5章 基于卷积长短时记忆网络的红外弱小目标轨迹提取 |
| 5.1 研究动机 |
| 5.2 模型 |
| 5.2.1 递归神经网络 |
| 5.2.2 长短时记忆神经网络 |
| 5.2.3 卷积长短时记忆网络 |
| 5.2.4 3D卷积神经网络 |
| 5.3 基于卷积长短时记忆网络的目标轨迹提取算法 |
| 5.3.1 模型设计 |
| 5.3.2 实验设置 |
| 5.3.3 与基准模型的比较 |
| 5.4 基于注意力机制卷积长短时记忆神经网络的目标轨迹提取 |
| 5.4.1 注意力机制作用原理 |
| 5.4.2 基于注意力机制的Conv LSTM |
| 5.4.3 模型设计 |
| 5.4.4 实验设置 |
| 5.4.5 实验结果分析与对比 |
| 5.5 本章结论 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）复杂背景下红外弱小目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关领域的研究现状 |
| 1.2.1 红外搜索与跟踪系统(IRST)的发展概况 |
| 1.2.2 红外弱小目标检测技术研究现状 |
| 1.3 本文主要研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第2章 红外弱小目标检测算法介绍 |
| 2.1 引言 |
| 2.2 红外图像噪声分析 |
| 2.3 背景与目标特征分析 |
| 2.3.1 背景特征分析 |
| 2.3.2 弱小目标特征分析 |
| 2.4 背景抑制算法 |
| 2.4.1 空域滤波 |
| 2.4.2 频域滤波 |
| 2.4.3 时域滤波 |
| 2.5 弱小目标检测方法 |
| 2.5.1 基于稀疏表示的弱小目标检测 |
| 2.5.2 基于视觉显着性的弱小目标检测 |
| 2.5.3 基于主成分分析的弱小目标检测 |
| 2.6 本章小结 |
| 第3章 基于软形态学的背景抑制算法 |
| 3.1 引言 |
| 3.2 传统形态学算法 |
| 3.3 基于软形态学的背景抑制算法 |
| 3.3.1 软形态学算法原理 |
| 3.3.2 重复参数的选取 |
| 3.3.3 滤波模板的选取 |
| 3.4 实验结果对比分析 |
| 3.4.1 算法检测结果 |
| 3.4.2 对比与分析 |
| 3.5 本章小结 |
| 第4章 多方向梯度阈值分割 |
| 4.1 引言 |
| 4.2 图像分割 |
| 4.2.1 阈值分割 |
| 4.2.2 边缘分割 |
| 4.2.3 区域分割 |
| 4.3 多方向梯度阈值分割 |
| 4.3.1 恒虚警率研究 |
| 4.3.2 自适应恒虚警阈值选取 |
| 4.3.3 方向选取与梯度计算 |
| 4.4 实验结果分析 |
| 4.5 分析对比与结论 |
| 4.6 本章小结 |
| 第5章 时空域联合红外弱小目标检测方法 |
| 5.1 引言 |
| 5.2 帧间目标特性 |
| 5.2.1 帧间差分法 |
| 5.2.2 传统目标轨迹关联算法 |
| 5.3 时空域联合弱小目标检测方法 |
| 5.3.1 联合算法 |
| 5.3.2 背景建模 |
| 5.3.3 相关性检测 |
| 5.3.4 实验结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 论文主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）复杂成像探测中的微弱目标检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及发展动态分析 |
| 1.2.1 成像目标检测技术 |
| 1.2.2 红外成像弱小目标检测 |
| 1.3 主要研究内容及技术路线 |
| 1.4 论文的结构安排 |
| 第二章 成像目标视觉检测基础理论 |
| 2.1 红外成像特性分析 |
| 2.1.1 红外成像机理 |
| 2.1.2 红外图像的特点 |
| 2.1.3 典型红外背景及目标特性分析 |
| 2.2 红外图像预处理 |
| 2.2.1 图像增强 |
| 2.2.2 红外图像高分辨重建 |
| 2.3 成像目标检测技术 |
| 2.3.1 帧间差分 |
| 2.3.2 背景减除法 |
| 2.3.3 光流法 |
| 2.3.4 动态规划 |
| 2.4 红外弱小目标检测 |
| 2.4.1 空时滤波法 |
| 2.4.2 视觉显着性检测 |
| 2.4.3 基于稀疏表示的弱小目标检测 |
| 2.5 本章小结 |
| 第三章 基于背景建模的目标检测算法 |
| 3.1 概述 |
| 3.2 高斯背景模型 |
| 3.2.1 单高斯背景模型 |
| 3.2.2 混合高斯背景模型 |
| 3.3 核密度估计背景模型 |
| 3.3.1 非参数估计方法 |
| 3.3.2 基于核密度估计的背景建模 |
| 3.4 实验结果与算法分析 |
| 3.4.1 实验结果 |
| 3.4.2 性能分析 |
| 3.5 本章小结 |
| 第四章 基于多尺度几何分析的红外目标检测算法 |
| 4.1 概述 |
| 4.2 多尺度几何分析 |
| 4.2.1 多尺度几何分析理论 |
| 4.2.2 Contourlet变换 |
| 4.2.3 Shearlet变换 |
| 4.3 基于NSST的红外弱小目标检测 |
| 4.3.1 多特征融合与Kurtosis最大化 |
| 4.3.2 基于最大对比度准则的阈值分割 |
| 4.4 实验结果与性能分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.4.3 性能分析 |
| 4.5 本章小结 |
| 第五章 基于视觉显着性的红外弱小目标检测方法 |
| 5.1 概述 |
| 5.2 视觉显着性模型 |
| 5.3 红外弱小目标视觉显着性检测 |
| 5.3.1 局部对比度检测模型 |
| 5.3.2 红外目标HB-MLCM检测算法 |
| 5.4 基于MDMSHB模型的红弱小目标检测方法 |
| 5.4.1 方向滤波器 |
| 5.4.2 改进的高提升响应滤波器 |
| 5.4.3 多方向及多尺度分析 |
| 5.4.4 自适应阈值分割 |
| 5.5 实验结果与算法分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 基于分数域最优时频特征的SAR目标检测 |
| 6.1 SAR图像及其特性分析 |
| 6.1.1 SAR成像概述 |
| 6.1.2 SAR图像特性分析 |
| 6.2 时频分析理论 |
| 6.2.1 信号的展开 |
| 6.2.2 短时傅里叶变换 |
| 6.2.3 Gabor变换及展开 |
| 6.2.4 Wigner-Ville时频分布 |
| 6.3 分数阶傅里叶变换 |
| 6.3.1 FrFT的定义 |
| 6.3.2 FrFT的特性 |
| 6.4 基于最优FrGT时频谱特征的SAR目标检测 |
| 6.4.1 二维分数阶Gabor变换 |
| 6.4.2 最优窗函数设计 |
| 6.4.3 最优阶决策 |
| 6.4.4 能量衰减梯度特征 |
| 6.5 实验结果与算法分析 |
| 6.5.1 实验设置 |
| 6.5.2 实验结果与分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（9）时空谱多特征联合红外弱小目标检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状与发展动态 |
| 1.2.1 空域方法 |
| 1.2.2 时域方法 |
| 1.2.3 谱域方法 |
| 1.2.4 多域特征联合检测 |
| 1.3 本文研究内容及技术路线 |
| 1.4 本文结构安排 |
| 第二章 红外弱小目标检测基础理论 |
| 2.1 目标与背景的红外成像特性 |
| 2.1.1 远距离目标的红外成像特性 |
| 2.1.2 复杂背景的红外成像特性 |
| 2.2 红外弱小目标检测任务的描述 |
| 2.3 红外弱小目标检测算法框架 |
| 2.4 弱小目标检测算法性能评价 |
| 2.5 本章小结 |
| 第三章 基于链条生长滤波的红外背景抑制方法 |
| 3.1 概述 |
| 3.2 链条生长滤波 |
| 3.2.1 术语介绍 |
| 3.2.2 生长过程 |
| 3.2.3 停止准则 |
| 3.2.4 滤波模型 |
| 3.3 总体检测方法 |
| 3.4 实验与结果分析 |
| 3.4.1 实验环境搭建 |
| 3.4.2 抗噪性分析 |
| 3.4.3 多尺度目标检测 |
| 3.4.4 检测性能定性分析 |
| 3.4.5 检测性能定量评价 |
| 3.5 本章小结 |
| 第四章 基于密度峰搜索的红外弱小目标检测方法 |
| 4.1 概述 |
| 4.2 检测方法介绍 |
| 4.2.1 基于密度峰搜索的候选目标提取 |
| 4.2.2 基于最大灰度区域生长的特征提取 |
| 4.2.3 基于四分位数的阈值化方法 |
| 4.2.4 总体检测方法 |
| 4.3 基于PR曲线的性能评价方法 |
| 4.4 实验结果分析 |
| 4.4.1 实验环境搭建 |
| 4.4.2 算法参数设置 |
| 4.4.3 抗噪性分析 |
| 4.4.4 定性分析 |
| 4.4.5 定量评价 |
| 4.5 本章小结 |
| 第五章 基于核相关滤波的红外弱小运动目标检测方法 |
| 5.1 概述 |
| 5.2 核相关滤波理论 |
| 5.2.1 脊回归模型 |
| 5.2.2 循环移位矩阵 |
| 5.2.3 核脊回归模型 |
| 5.2.4 核相关滤波 |
| 5.2.5 核相关函数的快速计算 |
| 5.3 总体检测方法 |
| 5.4 实验结果分析 |
| 5.4.1 实验环境搭建 |
| 5.4.2 算法参数设置 |
| 5.4.3 定性分析 |
| 5.4.4 定量评价 |
| 5.5 本章小结 |
| 第六章 基于时空谱多域特征联合的鲁棒检测策略 |
| 6.1 概述 |
| 6.2 异常检测理论 |
| 6.2.1 RX异常检测 |
| 6.2.2 PPCA异常检测 |
| 6.3 多域特征联合检测 |
| 6.4 实验结果分析 |
| 6.4.1 实验环境搭建 |
| 6.4.2 算法参数设置 |
| 6.4.3 定性分析 |
| 6.4.4 定量分析 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（10）针对空中小目标的红外与毫米波复合检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 红外小目标检测研究现状 |
| 1.2.2 毫米波目标检测与参数估计研究现状 |
| 1.2.3 红外与毫米波复合检测研究现状 |
| 1.3 红外与毫米波复合检测的技术难点 |
| 1.4 论文主要内容及结构 |
| 第二章 红外与毫米波复合检测系统设计思路 |
| 2.1 红外与毫米波复合检测系统架构 |
| 2.1.1 红外与毫米波复合检测系统组成 |
| 2.1.2 毫米波相控阵天线阵设计 |
| 2.2 红外与毫米波复合检测方式分析 |
| 2.3 本章小结 |
| 第三章 基于局部梯度特征的红外小目标检测 |
| 3.1 目标与背景红外特性分析 |
| 3.1.1 目标特性 |
| 3.1.2 背景杂波特性 |
| 3.1.3 噪声特性 |
| 3.2 基于LOG尺度空间的红外图像小目标检测算法分析 |
| 3.3 基于局部梯度特征的复杂背景下红外小目标检测 |
| 3.3.1 局部梯度二阶原点矩 |
| 3.3.2 滞后阈值分割法 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于FRFT的毫米波运动目标速度特性参数估计 |
| 4.1 目标与噪声毫米波特性分析 |
| 4.1.1 目标特性 |
| 4.1.2 噪声特性 |
| 4.2 相控阵雷达的信号处理和参数估计 |
| 4.2.1 毫米波相控阵雷达的信号处理 |
| 4.2.2 基于FRFT的速度特性参数估计 |
| 4.3 基于u域优化牛顿法的FRFT速度特性参数精估计 |
| 4.3.1 FRFT参数估计分辨率分析 |
| 4.3.2 基于u域优化牛顿法的LFM信号参数估计 |
| 4.4 仿真结果及分析 |
| 4.5 本章小结 |
| 第五章 基于视觉注意机制的引导式红外与毫米波复合检测 |
| 5.1 视觉注意机制 |
| 5.1.1 视觉注意机制的分类 |
| 5.1.2 引导式红外和毫米波复合检测工作流程 |
| 5.2 红外全局显着图构建 |
| 5.2.1 针对红外小目标的视觉特征 |
| 5.2.2 基于贝叶斯框架的红外全局显着图构建 |
| 5.3 基于视觉焦点转移的毫米波验证性检测 |
| 5.3.1 视觉焦点转移原则 |
| 5.3.2 基于模糊模式的毫米波目标检测 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 基于异构数据处理的并列式红外与毫米波复合检测 |
| 6.1 异构数据处理步骤 |
| 6.1.1 红外特征提取 |
| 6.1.2 数据关联 |
| 6.1.3 特征约简 |
| 6.2 基于HVS的红外特征提取 |
| 6.3 网格化全局最近邻数据关联 |
| 6.4 基于先验信息的加权互信息特征选择 |
| 6.5 实验结果及分析 |
| 6.5.1 数据集及实验设置 |
| 6.5.2 融合检测与单传感器的检测结果与分析 |
| 6.5.3 HVS特征提取和网格化数据关联的检测结果与分析 |
| 6.5.4 PWMI特征选择的检测结果与分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、一种低信噪比条件下的红外图像序列小目标实时检测算法（论文参考文献）
- [1]红外弱小目标的检测与跟踪方法研究[D]. 田静. 大连理工大学, 2021(01)
- [2]红外目标跟踪与距离感知技术研究[D]. 赵东. 西安电子科技大学, 2020(05)
- [3]复杂背景下的红外弱小目标检测研究[D]. 李拓. 西安电子科技大学, 2020(05)
- [4]海空背景下红外小目标检测方法研究[D]. 付文宇. 哈尔滨工程大学, 2020(04)
- [5]复杂背景下“低小慢”目标检测技术研究[D]. 吴言枫. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(08)
- [6]基于深度学习的红外弱小目标检测研究[D]. 杨其利. 中国科学院大学(中国科学院国家空间科学中心), 2020(02)
- [7]复杂背景下红外弱小目标检测方法研究[D]. 许美琪. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(08)
- [8]复杂成像探测中的微弱目标检测算法研究[D]. 彭凌冰. 电子科技大学, 2020
- [9]时空谱多特征联合红外弱小目标检测方法研究[D]. 黄苏琦. 电子科技大学, 2020(07)
- [10]针对空中小目标的红外与毫米波复合检测技术研究[D]. 魏元. 国防科技大学, 2019(01)