一、红外图像序列中运动弱小目标检测的方法研究（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》文中研究表明低照度、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。
张灵怡[2]（2021）在《基于低秩稀疏和张量表示的红外弱小目标检测研究》文中进行了进一步梳理红外热成像系统隐蔽性高、抗干扰性好,对作用距离和外界环境的适应性强,在现代军事防御系统中占据着非常重要的地位,被广泛地应用于军事探测、预警、制导反导、航空航天等领域。对于注重隐蔽性,成像距离较远的应用场景,成像目标往往被称为红外弱小目标,信噪比低且面积很小,还缺乏颜色、纹理、形状等特征,给目标检测带来不小的困难。除了目标自身的特性,探测系统自身产生的热辐射和外部环境的多样性也进一步增大了红外弱小目标检测的难度。现有的红外弱小目标检测算法对杂波和噪声的鲁棒性较差,无法适应于复杂多变的场景,检测性能不稳定。本文基于低秩稀疏恢复理论框架,采用张量表示,研究红外图像数据的张量模型构建,分析挖掘目标和背景特性,设计相应的正则化项,通过构建并求解目标函数将稀疏目标从观测数据中恢复出来。主要研究内容有以下几点:（1）研究了红外弱小目标检测算法的发展现状和相关理论基础。本文分析了已有算法的基本思路和优缺点,确定了低秩稀疏恢复和张量表示的基本研究方向,研究了张量的基本概念定义、张量分解和相关定理,又从矩阵和张量两个层次学习了低秩稀疏恢复理论的基础算法和常用求解方法。（2）提出了基于先验信息和时空张量的红外弱小目标检测方法。为了在单帧检测框架中融入帧间的信息,本文利用背景的时空相关性构建了时空张量模型;基于目标的先验分析和结构张量,设计了能够增强目标抑制非目标稀疏结构的自适应权重;基于背景的先验分析,对背景引入非局部全变分项刻画其分段平滑的特性,减少背景中的细节部分对目标的干扰。该模型在抑制背景的同时很好地保持了目标形状的完整,在测试序列上均能达到90%以上的高检测率。（3）提出了基于联合稀疏正则化和扭转张量的红外弱小目标检测方法。利用目标在时空方向上的局部连续性,本文构建了红外扭转张量模型,将正视图视角转换为侧视图视角,使得原本复杂的背景在视角转换后更加结构化,与目标的差异性增大;引入了结构稀疏引导范数,与1l范数作为联合稀疏约束,将目标与背景稀疏成分区分开。测试结果表明,该模型对于单帧和序列图像的检测能力都非常优秀,背景抑制能力尤为突出,在极低的虚警率下能达到90%以上的检测率。
管学伟[3]（2021）在《机载IRST小目标检测技术研究》文中研究指明机载红外搜索跟踪系统（Infrared Search and Track System,IRST）能够快速发现并锁定敌方目标,有效增强了载机对战场态势的感知能力;具备较高的测角测距精度,能为武器打击系统提供精确的信息支撑;被动式探测原理,抗电子战干扰强,隐蔽性能好,能够提升载机的战场生存能力。因此,IRST系统是现代战机综合式航电系统的重要组成部分。“先敌打击”的前提是“先敌发现”,为了尽可能早地发现目标,探测距离是机载IRST的关键指标。在远距离成像条件下,目标在红外图像中的尺寸小,信号强度弱,表现为弱小特征,给检测带来了挑战;由于成像场景的复杂性,目标容易受到噪声及杂波的干扰,进而会降低机载IRST的作战效能;此外,战场环境是多变的,这对检测的适应性也提出了更高的要求。本文以新一代机载红外搜索跟踪系统工程研制为应用背景,围绕机载IRST小目标检测技术开展了研究,致力于提升机载IRST目标检测系统在复杂背景下对远距离目标的探测能力,增强其场景鲁棒性。论文的主要内容包括以下几个方面:（1）红外成像预处理方法研究。好的成像质量是高性能红外小目标检测的基础。本文对影响红外成像质量的各种因素进行了分析,重点研究了红外图像的非均匀校正、无效像元补偿以及随机噪声抑制方法。在分析典型非均匀校正方法的基础上,结合机载IRST工程实际应用,提出了一种两点定标联合实时定标偏移系数的非均匀校正方法,形成了一套完整的机载IRST成像预处理技术方案,改善了成像质量。（2）红外小目标检测的基础理论方法研究。本文对红外小目标图像的特性进行了分析,总结了红外背景和小目标的关键特性（背景的局部连续性和非局部相关性,小目标的局部显着性和全局稀疏性）,明确了红外小目标检测任务的特点,描述了红外小目标检测算法的一般框架。对基于红外块的小目标检测模型进行了介绍,阐明了背景张量的低秩性和目标张量的稀疏性,并介绍了一些相关的数学概念,为后续研究奠定了基础。（3）提出了一种基于高斯尺度空间局部对比度的红外小目标检测方法。受人类视觉系统特性启发,该方法将高斯尺度空间与局部对比度有机结合起来,在尺度图像上计算局部对比度,通过下采样直接获得图像局部区域的灰度特征,使得图像局部特征的提取更加合理高效,从而有更好的背景抑制和目标增强效果。同时,该方法利用了小目标的极值点属性,设计了新的局部对比度计算形式,将滑窗的尺寸与尺度图像的尺度因子对应起来等,从而获得了出色的检测性能且运算效率高,具有较高的工程应用价值。（4）提出了一种基于张量平均秩非凸代理的红外小目标检测方法。该方法在红外块张量模型的基础上,从背景张量低秩特性的度量和局部先验信息的利用入手,采用最小化的部分和平均张量核范数来约束背景张量,利用高斯尺度空间局部对比度方法得到的目标显着图作为先验信息来权重稀疏目标张量,缓解了核范数带来的背景分离偏差,融合了局部先验和非局部先验检测方法的优势,加快了模型的收敛速度。大量实验测试表明,该方法在机载IRST典型应用场景中具有优越的性能。（5）提出了一种基于Laplace函数非凸张量秩代理的红外小目标检测方法。该方法采用奇异值的Laplace函数来度量背景张量的低秩特性,其能更好的逼近奇异值的0范数,从而获得了更好的背景分离效果;将一种局部对比度能量特征作为先验信息融合到基于红外块张量的检测模型中;结构稀疏正则项也被引入,进一步抑制了那些具有稀疏属性的结构性杂波干扰。该方法能够在复杂背景下显着增强小目标,抑制各种形态的背景杂波干扰,具有较强的场景适应性和抗噪能力。（6）研制了一套基于双片多核DSP+FPGA的小目标检测系统。结合机载红外搜索跟踪系统的工程实际,提出了联合检测策略,设计了实时信号处理平台,搭建了测试环境,并对系统进行了测试。本文所提出的技术方法均经过了大量的实验测试,并在与同类方法对比中表现优异,提升了机载IRST在复杂背景下的小目标检测性能,解决了工程应用中的具体问题,为新一代机载红外搜索跟踪系统的工程研制提供了有力支撑。
赵东[4]（2020）在《红外目标跟踪与距离感知技术研究》文中认为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。
李佳[5]（2020）在《低慢小无人机目标红外成像探测关键技术研究》文中研究表明随着无人机技术的日渐成熟,微小型无人机已经在现代农业、快递物流、航空摄影、社会安全、灾难救援、军事侦察等方面得到了广泛应用并在使用效果和成本上体现出了巨大的优势。但无人机的非法无序使用也给空域环境安全带来了巨大的隐患。因此,对这种飞行高度低、飞行速度慢、外形尺寸小的机动目标（“低慢小”目标）进行探测的反无人机系统已经成为目前业界研究的热点。其中,红外成像探测系统由于精度高、隐蔽性好、抗干扰性强、可全天时被动工作等优点而成为了大多数反无人机探测系统中的基本配置。在红外成像探测系统中,提高对“低慢小”目标探测性能的关键技术中包括了红外焦平面阵列非均匀性校正与红外图像增强这两种图像质量提升技术和对红外弱小目标的检测技术两方面。本文围绕反无人机红外成像探测系统的图像质量提升与红外弱小目标检测中的图像背景抑制算法进行了深入研究。主要的研究内容和取得的成果如下。1.针对现有非均匀性校正算法中校正结果收敛速度慢、图像质量退化以及“鬼影”等问题,提出了一种时空域非线性滤波相结合的红外焦平面阵列非均匀性校正算法框架。并以此为基础提出了两种非均匀性校正算法,分别为基于三边滤波与时域梯度加权均值滤波相结合的非均匀性校正算法和加权引导滤波与时域非线性扩散方程相结合的非均匀性校正算法。在空域中,均针对条纹状固定图案噪声的特点对三边滤波与加权引导滤波器进行了改进,使其能够获取更加准确的固定图案噪声序列。时域中非线性滤波的应用使非均匀性校正可以通过仅仅数帧连续图像来实现,不需要多达上百帧连续图像迭代来获取收敛的校正参数,而且针对慢速运动的无人机目标也有较好的校正效果,因此具有较好的工程应用价值。实验结果表明,本文所提两种非均匀性校正算法能够有效的去除图像中叠加的条纹状固定图案噪声,校正结果中未出现“鬼影”,且图像退化现象也得到了较大改善。2.针对红外图像存在的对比度低及细节模糊的问题,本文提出了两种基于图像分解的细节与对比度增强算法。基于概率非局部均值滤波与Retinex理论的红外图像增强算法首先利用单尺度Retinex算法对图像进行灰度调节,然后使用概率非局部均值滤波将图像分解为基本层与细节层,针对不同的层次分别进行对比度与细节层增强,将处理后的细节层与基本层相加得到增强的红外图像。基于双权重加权引导滤波的红外图像增强算法设计了噪声与细节权重与加权引导滤波相结合以获取图像的基本层与细节层。利用噪声图像自适应地调节细节层的增强程度。实验结果表明本文所提两种增强算法能够有效地增强图像对比度与边缘细节,使红外图像具有良好的视觉效果。3.针对反无人机红外成像探测系统中红外弱小目标复杂背景抑制的难题,本文提出了两种多尺度平滑滤波的单帧图像弱小目标复杂背景抑制算法。分别为多尺度全局滤波与局部标准化欧氏距离的背景抑制算法和基于多尺度快速滚动引导滤波与双滑窗马氏距离的背景抑制算法。两种算法分别利用了全局滤波与滚动引导滤波对图像进行不同尺度的平滑以深度挖掘图像中弱小目标与背景的多维信息,最后采用多尺度图像的统计特性获取异常点（即弱小目标点）,从而达到抑制红外图像中的复杂背景、增强弱小目标的效果。实验结果表明,本文所提出的两种背景抑制算法均较好地解决了传统背景抑制算法对复杂背景中强边缘抑制效果差的难题,取得了较好的背景抑制结果。
李拓[6]（2020）在《复杂背景下的红外弱小目标检测研究》文中研究指明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。
杨其利[7]（2020）在《基于深度学习的红外弱小目标检测研究》文中认为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。
杜鹏[8]（2020）在《复杂背景条件下红外弱小目标检测关键技术研究》文中研究表明复杂背景条件下的红外弱小目标的检测具有非常重大的理论意义和实际应用价值,尤其是在军事领域,常用于红外侦察、制导及预警等方面。由于红外弱小目标所特有的面积小、亮度低、与周围背景之间的对比度弱等特点,在原始红外图像中,复杂背景下的高亮背景、背景边缘和噪声等很容易淹没真实红外弱小目标,导致目前针对复杂背景条件下的红外弱小目标检测算法存在检测率低、虚警率高等问题。当前,基于人类视觉系统Human Visual System（HVS）、以局部对比度为检测依据的红外弱小目标检测算法的原理凭借简洁易实现、契合原始图像特征,得到了该领域学者的大量关注。该类算法受HVS人眼视觉对视场中的对比度信息比亮度信息更敏感思想的启发,通过提升红外图像中局部弱小目标与背景之间的对比度,从而提高算法的检测率,降低虚警率,同时还具有多尺度检测能力。因此,针对复杂背景条件下的红外弱小目标检测难题,本文将重点研究基于HVS人类视觉系统,以局部对比度为检测依据,在复杂背景条件下的新型单帧及多帧红外弱小目标检测算法。尽管当前已有越来越多的学者投入到基于人类视觉系统的红外弱小目标检测算法研究当中,但是就总体来说,许多问题尚未得到很好的解决,主要有以下三点:一是在复杂背景条件下现有HVS型单帧算法在局部对比度定义上在增强目标和抑制背景杂波这两方面往往不能同时兼顾;二是在复杂背景条件下现有HVS单帧算法对辅助加权思想的研究较少,未能充分利用局部背景复杂度加权信息来进一步抑制背景杂波,对信杂比极低的弱小目标往往检测率较低;三是多帧空时域算法的研究在最近几年才刚刚展开,在复杂背景条件下现有HVS多帧算法中一般将空域和时域分开计算,缺点在于没有将三维空时域作为一个整体来看,空域和时域分开计算再融合会增加虚警,任意一部分检测性能的好坏会影响到整体检测性能。在本文中,我们首先对复杂背景及红外弱小目标的特点进行了分析,从单帧及多帧两个方面对近年来典型红外弱小目标检测算法进行了分析和总结,在此基础上,提出了三种在复杂背景条件下基于单帧和多帧的红外弱小目标检测算法:一是对红外弱小目标检测方法进行了初步探索,提出了一种复杂背景条件下基于小面核滤波的局部对比单帧检测算法Facet-kernel Filtering Local Contrast measure（FFLCM）,该方法利用小面核模型对红外小目标图像子块中中心子块进行灰度曲面拟合以此来增强目标,同时,结合相似度背景抑制算法从增强目标和抑制背景两方面入手,来实现对红外弱小目标的检测。二是提出了一种复杂背景条件下的全新单帧检测算法——多尺度匀质性加权局部对比检测算法Homogeneity-weighted Local Contrast Measure（HWLCM）,该算法提出了新的局部对比度计算方法,并在此基础上提出了匀质性加权计算因子,进一步抑制复杂背景杂波和增强目标。三是提出了一种复杂背景条件下的新型多帧检测算法——基于三维空时域的局部对比检测算法Spatial-temporal Local Difference Measure（STLDM）,该方法提出了新的三维局部图像块结构,通过利用目标在多帧三维空时域中目标中心的局部对比度变化特征及目标周围区域的局部对比度变化特征这两种特征,直接在三维空时域中对目标进行八方向局部对比度检测。实验表明,本文提出的三种算法,特别是HWLCM及STLDM算法不仅能显着增强目标,更能有效抑制背景杂波,对复杂背景条件下的信杂比极低的红外弱小目标,表现出了良好的检测性能。
李羽薇[9]（2020）在《空中弱小目标地面视觉检测系统设计与实现》文中提出随着科技的进步,小型无人机的应用领域不断扩大,与此同时,在一些机场或其他重要场合出现的无人机“黑飞”导致影响正常飞行秩序和人民生命财产安全的现象也得到广泛关注。本文针对这一现象,以空中弱小运动目标为研究对象,设计了空中弱小目标的地面视觉检测系统。根据空中弱小目标的成像特性和飞行环境,采用红外探测的方法对弱小目标进行捕捉,通过对目标、背景及噪声在红外图像中的特性分析,建立了空中弱小目标红外图像的模型并分别从时间域、空间域和变换域三个方面对空中弱小目标进行了图像预处理。随后采用固定阈值、自适应阈值和Otsu法三种不同的阈值分割方法对目标进行单帧检测并分析了单帧检测的局限性。最后,提出基于优化动态规划的多帧检测算法,在标准动态规划算法的基础上构造了基于目标强度的指标函数,并根据目标运动路径的连贯性添加了惩罚函数。通过MATLAB软件平台设计了监视界面,对模拟仿真的弱小目标进行检测并输出目标的位置信息,该算法克服了标准动态规划算法抗干扰能力差的问题,有效提高了图像的信噪比,提升了算法的检测性能。
武文成[10]（2020）在《局部显着性和时空相关性的红外小目标检测跟踪研究》文中提出红外小目标检测和跟踪技术在许多领域受到关注,包括制导系统,预警系统。由于系统应具有预警能力,要尽可能远离目标,使得目标的红外辐射能大大减弱。在红外图像中,远处投射的目标通常占据较少的像素（不超过100个像素）,呈点状,无纹理,暗淡且只有灰度信息。此外,自然环境对热源辐射的影响,红外图像很容易被噪声污染,增加了小目标检测和跟踪的难度,这也使其更具有研究价值。目标检测与跟踪算法的性能很大程度上依赖于对目标的表征能力,小目标的可利用信息较少,很难有效的表征其特征。本文致力于研究在复杂天空背景下提高目标在空间和时间上的表征能力,优化算法的性能。主要内容如下:1.通过分析小目标与杂波的区别,建立了数学模型。分析了经典形态学滤波算法用于目标增强和背景抑制的原理,总结其存在的缺点,提出了基于柔性形态学背景抑制和目标增强算法,并提出基于恒虚警率的自适应阈值分割算法。2.小目标最重要的特征是其在图像中呈现高斯光团的形式,人眼对于小目标的识别表现为有相对明亮的中心区域和昏暗的环绕区域。本文提出了一种尺度自适应的局部梯度估计的检测算法,根据红外小目标在图像空间域的局部梯度显着性检测目标,计算尺度显着性选择合适的尺度。在合适的尺度下计算目标本身与背景的差异性,度量局部区域内各个方向的像素变化强度,得到其响应值。然后通过自适应阈值剔除低响应值的虚警目标。3.为了提高跟踪过程中对小目标状态的表征能力,本文提出具有尺度不变性的局部梯度统计的特征提取方法,有效描述红外小目标。首先将窗口分为小目标像素和邻域像素两部分。然后分别提取目标像素的四个小块和邻域像素的八个小块中x方向梯度,y方向梯度和x,y方向梯度乘积的和,生成12×3维特征向量。4.在跟踪过程中提取样本的特征向量,提出基于Adaboost的小目标在线跟踪算法,通过Adaboost算法训练分类器,利用分类器的结果跟踪目标,或剔除虚假目标。为了提高算法的实时性,又提出基于相关滤波的小目标跟踪算法,计算样本特征向量与模板的相似度,选择最大的相似度区域作为目标位置。同时,为使算法在长期跟踪中仍具有较好的性能,研究了重检测机制。在跟踪过程中,通过监视目标响应值的震荡程度,判断目标是否丢失,触发重检测机制。然后使用检测算法重新检测目标,更新目标模板。
二、红外图像序列中运动弱小目标检测的方法研究（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、红外图像序列中运动弱小目标检测的方法研究（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）基于低秩稀疏和张量表示的红外弱小目标检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展动态 |
| 1.3 研究内容与技术路线 |
| 1.4 论文结构安排 |
| 第二章 张量表示和低秩稀疏恢复基础理论 |
| 2.1 预备知识 |
| 2.2 张量表示 |
| 2.2.1 张量的基本概念和运算 |
| 2.2.2 张量的分解和张量的秩 |
| 2.2.3 张量相关数学定理 |
| 2.3 低秩稀疏恢复理论 |
| 2.3.1 矩阵低秩稀疏恢复 |
| 2.3.2 张量低秩稀疏恢复 |
| 2.4 优化求解算法 |
| 2.5 本章小结 |
| 第三章 基于先验信息和时空张量的红外弱小目标检测 |
| 3.1 红外时空张量模型 |
| 3.1.1 红外图像分析 |
| 3.1.2 时空张量模型构建 |
| 3.2 基于局部先验的目标权重 |
| 3.2.1 结构张量 |
| 3.2.2 目标自适应权重的构建 |
| 3.3 基于非局部先验的背景正则项 |
| 3.3.1 全变分 |
| 3.3.2 背景全变分项的构建 |
| 3.4 边缘角点感知的时空张量红外弱小目标检测 |
| 3.4.1 模型构建 |
| 3.4.2 优化求解 |
| 3.4.3 计算复杂度分析 |
| 3.4.4 红外弱小目标检测流程 |
| 3.5 实验结果与分析 |
| 3.5.1 评价指标 |
| 3.5.2 算法参数设置 |
| 3.5.3 检测结果与分析 |
| 3.6 本章小结 |
| 第四章 基于联合稀疏正则化和扭转张量的红外弱小目标检测 |
| 4.1 红外扭转张量模型 |
| 4.2 联合稀疏正则化 |
| 4.2.1 结构稀疏引导范数 |
| 4.2.2 联合正则化 |
| 4.3 基于联合稀疏正则化和扭转张量的红外弱小目标检测 |
| 4.3.1 模型构建 |
| 4.3.2 优化求解 |
| 4.3.3 计算复杂度分析 |
| 4.3.4 红外弱小目标检测流程 |
| 4.4 实验结果与分析 |
| 4.4.1 算法参数设置 |
| 4.4.2 检测结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）机载IRST小目标检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于背景估计的小目标检测 |
| 1.2.2 基于人类视觉系统特性的小目标检测 |
| 1.2.3 基于低秩和稀疏表示的小目标检测 |
| 1.3 主要研究内容及技术路线 |
| 1.4 本文结构安排 |
| 第二章 红外成像预处理研究及小目标检测基础 |
| 2.1 红外成像预处理 |
| 2.1.1 非均匀性校正 |
| 2.1.2 无效像元替换 |
| 2.1.3 机载IRST成像预处理 |
| 2.2 红外小目标图像特性分析 |
| 2.2.1 红外图像整体特性 |
| 2.2.2 红外背景成像特性 |
| 2.2.3 红外小目标成像特性 |
| 2.3 红外小目标检测算法框架 |
| 2.4 基于红外块的小目标检测方法 |
| 2.4.1 预备知识 |
| 2.4.2 基于红外块的小目标检测模型 |
| 2.5 本章小结 |
| 第三章 基于高斯尺度空间局部对比度的红外小目标检测 |
| 3.1 人类视觉系统特性与红外小目标检测 |
| 3.1.1 对比度机制 |
| 3.1.2 方向特征信息选择机制 |
| 3.1.3 多尺度表示与自适应尺度选择 |
| 3.2 基于高斯尺度空间局部对比度的红外小目标检测 |
| 3.2.1 高斯尺度空间 |
| 3.2.2 增强的局部对比度 |
| 3.2.3 尺度空间显着图计算 |
| 3.2.4 方法的总体流程 |
| 3.3 评价指标及实验 |
| 3.3.1 性能评价指标 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于张量平均秩非凸代理的红外小目标检测 |
| 4.1 张量分解与张量秩 |
| 4.1.1 CP分解与CP秩 |
| 4.1.2 Tucker分解与Tucker秩 |
| 4.1.3 基于T-SVD的张量秩 |
| 4.2 PSATNN-GSS红外小目标检测模型构建及求解 |
| 4.2.1 基于PSATNN的低秩背景张量正则化 |
| 4.2.2 局部对比度权重的稀疏目标张量正则化 |
| 4.2.3 模型求解 |
| 4.2.4 总体检测方法 |
| 4.3 实验结果及分析 |
| 4.3.1 实验环境准备 |
| 4.3.2 融合检测验证 |
| 4.3.3 多尺度多目标检测验证 |
| 4.3.4 单帧图像实验 |
| 4.3.5 序列图像实验 |
| 4.4 本章小结 |
| 第五章 基于Laplace函数非凸张量秩代理的红外小目标检测 |
| 5.1 LFNTRS-SSR红外小目标检测模型构建 |
| 5.1.1 基于Laplace函数的非凸张量秩代理 |
| 5.1.2 局部对比度能量 |
| 5.1.3 结构稀疏正则项 |
| 5.2 模型求解及总体检测方法 |
| 5.2.1 模型求解 |
| 5.2.2 总体检测方法 |
| 5.3 实验结果及分析 |
| 5.3.1 实验准备 |
| 5.3.2 参数分析 |
| 5.3.3 定性分析 |
| 5.3.4 定量评价 |
| 5.4 本章小结 |
| 第六章 机载IRST小目标检测系统设计及实现 |
| 6.1 联合检测策略 |
| 6.2 硬件设计 |
| 6.2.1 多核DSP设计 |
| 6.2.2 FPGA设计 |
| 6.2.3 基于DSP+FPGA的信号处理平台设计 |
| 6.3 软件设计 |
| 6.4 系统测试 |
| 6.5 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 主要贡献和创新点 |
| 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 |
（4）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 |
（5）低慢小无人机目标红外成像探测关键技术研究（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 选题背景与意义 |
| 1.2 提高红外成像探测系统性能的关键技术 |
| 1.2.1 红外图像质量提升技术 |
| 1.2.2 红外弱小目标图像背景抑制技术 |
| 1.3 相关领域算法研究现状 |
| 1.3.1 非均匀性校正算法国内外现状 |
| 1.3.2 红外图像增强算法国内外现状 |
| 1.3.3 红外弱小目标背景抑制算法国内外现状 |
| 1.4 本论文课题来源及主要研究内容 |
| 1.4.1 本论文课题来源 |
| 1.4.2 主要研究内容 |
| 1.4.3 论文的内容安排 |
| 第二章 红外成像原理及相关理论基础 |
| 2.1 引言 |
| 2.2 红外图像获取及数学模型 |
| 2.2.1 红外图像获取 |
| 2.2.2 红外图像数学模型 |
| 2.3 图像滤波理论 |
| 2.3.1 基于局部图像的滤波算法 |
| 2.3.2 基于全局的图像滤波 |
| 2.4 红外图像质量客观评价指标 |
| 2.4.1 有参照评价 |
| 2.4.2 无参照评价 |
| 2.5 本章小结 |
| 第三章 基于时空域非线性滤波的红外焦平面非均匀性校正 |
| 3.1 引言 |
| 3.2 基于时空域非线性滤波的非均匀性校正算法框架 |
| 3.2.1 红外探测器的响应模型 |
| 3.2.2 算法流程 |
| 3.3 基于改进三边滤波的红外焦平面阵列非均匀校正 |
| 3.3.1 基于改进三边滤波的空域FPN提取 |
| 3.3.2 基于梯度加权均值滤波的时域图像细节残差剔除 |
| 3.3.3 算法流程 |
| 3.3.4 实验结果和分析 |
| 3.4 基于自适应权重加权引导滤波的红外焦平面阵列非均匀性校正 |
| 3.4.1 针对条纹状噪声的自适应全局权重 |
| 3.4.2 基于自适应权重加权引导滤波的非均匀性校正 |
| 3.4.3 实验结果和分析 |
| 3.5 本章小结 |
| 第四章 基于图像分解的红外图像细节与对比度增强 |
| 4.1 引言 |
| 4.2 基于概率非局部均值滤波与Retinex的红外图像增强 |
| 4.2.1 算法流程 |
| 4.2.2 基于单尺度Retinex的红外图像灰度调节 |
| 4.2.3 基于概率非局部均值的红外图像细节与对比度增强 |
| 4.2.4 图像重构 |
| 4.2.5 实验结果和分析 |
| 4.3 基于双权重加权引导滤波的红外图像增强 |
| 4.3.1 算法流程 |
| 4.3.2 噪声权重与细节权重估算 |
| 4.3.3 基于双权重引导滤波的噪声滤除与图像边缘细节提取 |
| 4.3.4 图像对比度与细节增强 |
| 4.3.5 实验结果分析 |
| 4.4 本章小结 |
| 第五章 基于多尺度平滑滤波的红外弱小目标背景抑制 |
| 5.1 引言 |
| 5.2 基于多尺度全局滤波与局部标准化欧氏距离的红外弱小目标背景抑制 |
| 5.2.1 基于全局滤波的多尺度平滑及数据立方体构建 |
| 5.2.2 基于局部标准化欧氏距离与非线性函数的背景抑制 |
| 5.2.3 实验结果和分析 |
| 5.3 基于多尺度快速滚动引导滤波的红外弱小目标背景抑制 |
| 5.3.1 基于多尺度快速滚动引导滤波的图像立方体构造 |
| 5.3.2 基于核主成分分析的图像数据降维及主成分提取 |
| 5.3.3 基于马氏距离的背景抑制 |
| 5.3.4 实验结果和分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）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 |
（7）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 |
（8）复杂背景条件下红外弱小目标检测关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单帧检测算法研究现状 |
| 1.2.2 多帧检测算法研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 复杂背景条件下红外弱小目标图像特性分析 |
| 2.1 引言 |
| 2.2 红外弱小目标的图像特性 |
| 2.3 本章小结 |
| 第3章 复杂背景条件下基于单帧的小面核滤波局部对比检测算法FFLCM |
| 3.1 引言 |
| 3.2 基于HVS的两种基准方法理论及实验分析 |
| 3.2.1 基于DoG滤波器的红外小目标检测方法 |
| 3.2.2 局部对比度LCM检测方法 |
| 3.3 基于小面核滤波局部对比检测算法FFLCM |
| 3.3.1 小面核滤波局部对比检测FFLCM算法原理及分析 |
| 3.3.2 小面核滤波局部对比检测算法FFLCM实验结果及分析 |
| 3.4 本章小结 |
| 第4章 复杂背景条件下基于单帧的多尺度匀质性加权局部对比检测算法HWLCM |
| 4.1 引言 |
| 4.2 具有代表性的单帧红外小目标检测算法理论及实验分析 |
| 4.2.1 基于ILCM算子的目标增强型单帧红外小目标检测方法 |
| 4.2.2 多尺度基于块对比的单帧红外小目标检测方法MPCM |
| 4.3 复杂背景条件下基于单帧的多尺度匀质性加权局部对比检测算法HWLCM |
| 4.3.1 HWLCM算法介绍 |
| 4.3.2 HWLCM实验结果分析 |
| 4.4 本章小结 |
| 第5章 复杂背景条件下基于多帧的三维空时域局部对比检测算法STLDM |
| 5.1 引言 |
| 5.2 近年来效果较好的多帧检测算法分析 |
| 5.2.1 基于空时域局部对比检测方法STLCM |
| 5.2.2 基于空时域局部对比滤波算法STLCF |
| 5.2.3 基于空时域显着模型及跟踪预测算法STP |
| 5.3 复杂背景条件下基于多帧的三维空时域局部对比检测算法STLDM |
| 5.3.1 STLDM算法介绍 |
| 5.3.2 STLDM实验结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文研究工作及创新点总结 |
| 6.2 对未来的展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文及研究成果 |
（9）空中弱小目标地面视觉检测系统设计与实现（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外弱小目标图像预处理研究现状 |
| 1.2.2 红外弱小目标检测技术研究现状 |
| 1.3 课题主要研究内容 |
| 1.4 本文结构安排 |
| 第2章 弱小目标特性分析及图像预处理方法 |
| 2.1 红外成像原理及特性 |
| 2.1.1 红外成像系统的原理及构成 |
| 2.1.2 红外图像特性 |
| 2.2 空中弱小目标红外成像特性分析 |
| 2.2.1 空中弱小目标红外图像特点 |
| 2.2.2 红外成像背景和噪声分析 |
| 2.2.3 空中弱小目标红外图像建模 |
| 2.3 红外弱小目标图像预处理方法 |
| 2.3.1 时间域图像预处理方法 |
| 2.3.2 空间域图像预处理方法 |
| 2.3.3 变换域图像预处理方法 |
| 2.4 本章小结 |
| 第3章 空中弱小目标单帧检测算法 |
| 3.1 基于阈值分割的单帧检测算法简介 |
| 3.2 常用的阈值分割检测技术 |
| 3.2.1 固定阈值分割技术 |
| 3.2.2 自适应阈值分割算法 |
| 3.2.3 最大类间方差法 |
| 3.3 基于单帧检测的算法性能分析 |
| 3.4 本章小结 |
| 第4章 基于优化动态规划的多帧检测算法 |
| 4.1 空中弱小目标多帧探测理论 |
| 4.1.1 多帧探测理论基础 |
| 4.1.2 多帧探测模型 |
| 4.2 基于动态规划的空中弱小目标探测 |
| 4.2.1 动态规划的理论基础 |
| 4.2.2 基于动态规划的检测前跟踪算法 |
| 4.2.3 基于动态规划的检测前跟踪算法分析 |
| 4.2.4 基于动态规划的多帧检测方法性能分析 |
| 4.3 基于动态规划的目标检测优化算法 |
| 4.3.1 传统动态规划算法的局限性 |
| 4.3.2 指标函数和惩罚函数的设计 |
| 4.3.3 优化动态规划算法的基本步骤 |
| 4.3.4 目标检测仿真实验及结果分析 |
| 4.4 本章小结 |
| 第5章 空中国弱小目标地面视觉检测系统与测试 |
| 5.1 空中弱小目标地面视觉检测系统总体设计方案 |
| 5.1.1 检测系统基本组成及工作原理 |
| 5.1.2 硬件设计与设备选型 |
| 5.1.3 检测系统界面设计 |
| 5.2 地面视觉检测系统功能测试与分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的科研成果 |
（10）局部显着性和时空相关性的红外小目标检测跟踪研究（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 红外小目标预处理方法 |
| 1.2.2 红外小目标检测技术研究现状 |
| 1.2.3 红外小目标跟踪技术研究现状 |
| 1.3 论文研究内容及创新点 |
| 1.4 论文结构安排 |
| 第2章 红外图像模型及形态学预处理研究 |
| 2.1 引言 |
| 2.2 红外图像模型分析 |
| 2.2.1 小目标模型分析 |
| 2.2.2 红外背景杂波模型分析 |
| 2.2.3 预处理评价方式 |
| 2.3 形态学算法研究 |
| 2.3.1 腐蚀运算 |
| 2.3.2 膨胀运算 |
| 2.3.3 开运算 |
| 2.3.4 礼帽运算 |
| 2.4 改进的形态学预处理方法研究 |
| 2.4.1 柔性形态学滤波器 |
| 2.4.2 算法运行效果 |
| 2.4.3 自适应阈值分割方法研究 |
| 2.5 本章小结 |
| 第3章 基于尺度自适应局部梯度估计的小目标检测算法研究 |
| 3.1 引言 |
| 3.2 基于尺度自适应的局部梯度估计的检测算法 |
| 3.2.1 不同区域梯度矢量场分析 |
| 3.2.2 局部梯度显着性估计算法 |
| 3.2.3 局部尺度显着性优化方法 |
| 3.2.4 自适应阈值分割方法 |
| 3.3 实验结果与对比分析 |
| 3.3.1 检测数据集介绍 |
| 3.3.2 检测性能评价指标 |
| 3.3.3 对比分析 |
| 3.4 本章小结 |
| 第4章 基于集成学习的红外小目标在线跟踪算法研究 |
| 4.1 引言 |
| 4.2 基于集成学习的在线红外小目标跟踪算法 |
| 4.2.1 局部梯度分布的特征提取方法 |
| 4.2.2 尺度不变性的局部梯度分布的特征描述方法 |
| 4.2.3 基于Adaboost的红外小目标在线跟踪算法研究 |
| 4.3 实验结果与对比分析 |
| 4.3.1 跟踪数据集介绍 |
| 4.3.2 跟踪性能评价指标 |
| 4.3.3 对比分析 |
| 4.4 本章小结 |
| 第5章 基于相关滤波的红外小目标长期跟踪算法研究 |
| 5.1 引言 |
| 5.2 基于相关滤波的红外小目标长期跟踪算法 |
| 5.2.1 KCF相关滤波跟踪器原理 |
| 5.2.2 重检测机制 |
| 5.3 实验结果与对比分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
四、红外图像序列中运动弱小目标检测的方法研究（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]基于低秩稀疏和张量表示的红外弱小目标检测研究[D]. 张灵怡. 电子科技大学, 2021(01)
- [3]机载IRST小目标检测技术研究[D]. 管学伟. 电子科技大学, 2021
- [4]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)
- [5]低慢小无人机目标红外成像探测关键技术研究[D]. 李佳. 西安电子科技大学, 2020
- [6]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)
- [7]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)
- [8]复杂背景条件下红外弱小目标检测关键技术研究[D]. 杜鹏. 新疆大学, 2020(06)
- [9]空中弱小目标地面视觉检测系统设计与实现[D]. 李羽薇. 黑龙江大学, 2020(04)
- [10]局部显着性和时空相关性的红外小目标检测跟踪研究[D]. 武文成. 新疆大学, 2020(07)