一、复杂背景下红外点目标检测的预处理（论文文献综述）
刘杨帆[1]（2021）在《海天背景下红外动态目标检测方法研究》文中研究表明我国具有广阔的领海,丰富的海洋资源,为了保障我国的海域安全,在运动观测平台上对海域动态目标进行检测和识别具有十分重要的意义,目前在运动平台上最为常用的是红外搜索与跟踪系统,这类系统主要包括目标检测、目标跟踪等模块。其中目标检测模块位于系统前端,是整个系统工作的基础,其工作状况将直接决定整个系统的稳定性和可靠性。因此,海天背景下红外动态目标的检测对于提升系统性能、加强海域安全具有十分重要的意义。近年来,基于深度学习的目标检测算法得到了巨大的提升,因此本研究希望通过应用深度学习技术为海天背景下红外动态目标检测提供高效可行的解决思路与方案。在海天背景下生成的红外图像,由于海面杂波、海天背景等影响,使的生成的红外图像往往存在图像边缘模糊以及图像背景复杂等特点。因此采用传统的目标检测算法,往往会导致目标虚警率高、检测精度低,除此之外,采用单一的红外图像检测往往难以实现对红外点目标的检测。因此为了解决上述问题,本文在深入了解课题的研究背景后,提出以海天背景下的鸟、直升机、民航等目标的红外图像数据和辐射特性数据作为主要数据源,利用深度学习技术构建出适用于海天背景下红外动态目标的双模型一体化检测算法,本文主要研究内容如下:（1）研究了海天背景下红外图像背景、噪声以及动态目标的特性;针对海天背景下红外动态目标信噪比低、边缘模糊等特点,采用了复合滤波算法对其进行了图像的预处理;另外针对要检测的目标为海天背景空域目标,采用了基于局部Otsu和Hough变换的海天线提取技术实现对海天背景空域的分割。（2）对比测试了几种经典的深度学习目标检测模型,从中选择出适合海天背景红外图像检测的YOLOv4模型;接着针对海天背景下红外动态目标对比度较差,图像边缘模糊等特点,对YOLOv4检测模型的不足进行改进:首先从提高检测精度的角度,利用k-means聚类算法重新构造数据集先验框;然后针对红外弱目标的特性设计了多尺度融合算法来提高弱目标的检测精度。最终在保持目标检测速度的同时,提高了模型的图像检测性能。结果显示:改进后的模型的检测精度提升了2.66%。（3）接着针对仅靠单一的红外图像检测模型很难准确的检测出红外点目标的问题,本文引入了辐射特性判别模型来对红外图像检测模型进行辅组判别,其具体的做法是将两模型的判别结果利用贝叶斯融合法则进行融合,从而完成双模型一体化的建立。结果显示:相较于单一的红外图像检测模型,融合后的一体化模型对于民航的检测精度提高了1.75%,召回率提高了0.67%;对于直升机的检测精度提高了0.98%,召回率提高了0.84%;对于鸟的检测精度提高了2.01%,召回率提高了0.55%。综上所述,本文针对海天背景下红外动态目标的检测任务,对相关的技术理论进行了研究。对比测试各种模型,以此来搭建适合本次任务的神经网络结构框架,最后针对在检测任务中涉及到的关键技术进行了探索,并取得了一定的研究成果。
楼晨风[2]（2021）在《线列红外成像系统目标检测关键技术研究》文中指出随着红外成像技术的不断发展,红外成像系统现已具有探测距离远,探测灵敏度高,抗干扰能力强,可全天时工作等优点,在工业,安防及国防领域发挥了重要作用。在红外成像系统中,红外目标的检测与识别算法扮演了重要角色。近年来,国产处理器蓬勃发展,但其种类与性能依然与世界先进水平存在一定差距,因此,本文立足于现有国产处理器平台,围绕复杂背景下红外目标检测的客观难点,提出了一种可扩展的异构计算框架,并设计了对应的红外目标算法。着重进行了:（1）针对线列扫描探测器优化的快速红外目标预检测算法研究。该算法针对线列探测器的带状噪声特点,定义了衡量离散像素圆度的指标,并提出了一种利用疑似目标的圆度对噪声和目标进行快速分类,最后利用局域分割得到目标的方法。该方法的计算速度具有较佳的伸缩性,在国产DSP上最高可提供4000万像素/秒的目标识别性能,同时具有低虚警率和优于典型实时检测算法的识别率。（2）基于梯度增强的红外小目标检测算法研究。该算法针对（1）中难以判别的场景,利用红外目标的梯度对称性和线列探测器校正方法存在的不足,提出了一种在梯度空间上对红外目标进行多尺度融合增强的算法。首先,计算图像四方向上的前向差分图,寻找差分图中的互补像素,增强互补像素的对比度,并积分还原图像,然后融合叠加不同尺度,不同方向的增强还原图像,最后利用背景杂波的峰-峰值计算自适应分割阈值,分割红外小目标。算法实验表明,该算法具有较佳的小目标检测能力,在高对比度的复杂场景下,具有优秀的识别率与虚警率,同时计算开销较低。（3）基于深度学习的红外目标检测难度估计算法。利用深度学习直接对红外小目标进行端到端检测存在缺少训练集的困难,而通过合理的阈值或参数设置,传统特征工程目标检测算法在红外小目标的识别率上仍具有提升空间,因此,本文提出一种名为iRCNN的多重网络阈值估计框架,利用多个子网对待检测区域进行阈值估计并加权获得预测阈值,且利用子网预测结果的分布特性导出预测阈值的可信度,最后综合两者以指导传统算法的阈值确定。实验表明,相较于Ranking-CNN,iRCNN网络结构更适合对算法阈值进行基于场景的动态估计,且效果优于人为设置的固定阈值或超参数。（4）基于运动特性建模的低帧率航迹匹配算法。由于线列红外探测器产生的图像帧率低,小目标帧间相关性差,传统的多帧红外小目标检测算法往往不能很好地对航迹进行估计,因此,本文对红外小目标的运动特性进行建模,利用小目标之前的运动特性估计目标机动能力,并以此确定搜索空间,最后利用搜索空间边界条件构建目标评价函数,对红外小目标进行自适应拟合,最终获得航迹。实验表明,该方法对机动目标具有良好的检测能力。（5）一种实时目标检测系统设计。针对我国对芯片生产独立自主的追求,利用本文所提及的各种技术,本文提出了一种异构计算框架,以融合DSP和通用计算机的优势实现实时目标检测。首先,在系统运行前,利用iRCNN网络对整个空域进行背景阈值预标定,以降低深度学习方法对性能的需求;其次,发挥DSP的实时处理能力,利用DSP对整个红外图像场景进行实时检测,产生对应的粗检测区域;然后,整合梯度空间小目标检测算法与iRCNN的预测阈值,对粗检测区域进行详细检测,分割获得疑似目标,并使用航迹匹配算法整合目标输出结果。该框架在提供较高性能的目标检测能力的前提下,通过充分优化算法流程,掩盖了线列扫描探测器的低实时性问题,具有较高的实用价值。
王周春[3]（2020）在《基于机器学习的目标探测与识别技术研究》文中指出在计算机视觉、图像处理、模式识别、机器学习研究领域中,目标探测（亦称检测,后面统一称检测）与目标识别一直是永恒的热门课题,红外成像以及处理技术由于得天独厚的优势,在智能交通、安防监控、工业生产检测、军事目标识别等有广泛运用。在科学研究旅程中,人类一直在思考,机器是否可以像人类一样具有思考能力以及智能解决疑难问题,经过多年的持续研究,机器学习算法取得很大发展,特别是红外技术领域中的目标检测与识别研究工作取得不少成果,但是仍然存在很多需要解决的关键科学技术问题,目标所处环境复杂多变,目前还没有一种比较通用成熟的检测与识别算法,因此,在实际应用中,算法研究的机遇与挑战并存。本文针对红外技术应用领域的目标检测和识别三个方面分别进行研究,取得的主要创新性结果如下:1.基于对比度的红外点目标检测与识别技术研究:当目标本身形体很小,或者是目标和红外成像系统之间距离非常远,目标成像面积很小,在视场中表现为孤点或者斑点,红外点目标检测与识别技术难度较大。本文采用一种以局部对比测度（LCM）方法为基础的MLCM算法,结合SSDA模板匹配算法、数学形态学运算、基于块的多尺寸对比测度（MPCM）算法,解决视场中表现为孤点或者斑点目标的难题,对红外点目标进行检测识别,算法工作性能良好,适合多种运用场景。2.基于支持向量机的红外面目标分类识别技术研究:面目标的成像面积比点目标大,在红外成像系统中,相同一个人穿着不同的服饰,成像特点不一样,不同的行人成像特点也不同等。本文采用一种以SVM+HOG为基础的分类模型,通过加入GLCM算法提取目标纹理特征,对红外面目标进行分类识别,解决穿着不同服饰的红外面目标分类识别问题。结果显示,在自己采集的长波红外面目标场景中,提出的SVM+HOG+GLCM算法模型对面目标的分类识别的正确率较高,达到90.5%,可以满足一定应用需求。3.基于卷积神经网络的红外空中动目标和地上行人检测研究:针对红外空中动目标检测和地上行人检测,采用两种思路进行解决;对于红外高空动目标,先使用传统的基于阈值分割的帧间差分检测算法,然后使用Faster R-CNN算法对其进行检测,最后将两种类型算法的检测结果进行比较,分析它们的优点与缺点;对于红外地上行人目标,同样也先使用传统的级联检测器对目标进行检测,然后使用Faster R-CNN算法对其进行检测,最后比较两种算法的检测效果;比较两种目标场景的检测结果,卷积神经网络算法的检测效果更加优异。总之,本文主要针对红外技术应用领域的目标检测和识别三个方面进行研究,同时也研究传统的目标检测算法,对两种类型算法的检测结果进行比较,研究算法间的优点与不足,取得一定的研究成果,但仍然存在一些问题,特别是机器学习算法是近年来国际兴起的新型研究领域,需要在往后的研究工作中进一步深入。本文的研究结果将对红外技术领域中的目标检测与识别应用起到一定的促进作用。
李梦阳[4]（2020）在《天基复杂背景下空间暗弱小目标检测方法研究》文中认为随着科技发展,人类对太空的探索活动日益频繁,在轨航天器数量迅速增加,由此引发的空间环境安全问题也日益受到人们的关注。而空间目标监视对于感知空间态势、避免空间碰撞,从而实现维护空间环境安全具有重要意义。其中,空间目标检测是实现空间目标监视的关键技术,其具体包括:星图预处理技术、暗弱小目标检测技术以及空间目标定位技术。空间目标监视主要分为地基和天基两类,相比于传统的地基空间目标监视,天基空间目标监视不受大气环境影响、探测覆盖面广、探测能力强,近年来成为各国重点的发展方向。但由于天基空间目标监视所处轨道环境和探测目标的特殊性,其实现也面临诸多挑战。其一,星图的预处理。太空环境复杂的噪声及杂散光,导致图像背景强度分布不均匀,这些非均匀性噪声在图像分割时将导致大量的虚警目标,影响目标检测,并给图像在轨处理带来了巨大的计算负担;其二,暗弱小目标的检测。在天基图像中,不同轨道的空间目标成像大小、强弱,运动速度、方向等复杂多样,导致检测难度增加,尤其是在背景大量恒星相似干扰下,对低信噪比目标进行有效检测尤为困难;其三,空间目标的高精度定位。空间目标由于轨道相对运动速度不同,低速目标在图像中的成像为点状,高速目标的成像为条状,天基平台振动以及背景噪声会影响其成像形状及灰度值,导致目标的定位误差。以上几个方面,是实现有效的天基空间目标监视所需要解决的关键技术问题。然而,当前针对天基空间目标检测的研究相对较少,且存在针对性不足、适用性不强的问题,因此,本论文围绕着天基图像背景非均匀性噪声的抑制消除、天基复杂背景下空间暗弱小目标的检测以及天基空间目标质心和端点的高精度定位三个方面,深入系统地展开了研究,主要进行了以下工作。（1）天基图像预处理算法研究星图预处理的主要目的是抑制或消除背景的非均匀性噪声对目标分割、检测的影响。针对传统的图像去噪算法在天基星图的去噪处理中难以适用的问题,首先,我们对天基星图背景中非均匀性噪声的来源、组成和特点进行分析,对Smear效应产生的原因及其对成像的影响进行了总结。然后,我们分析了传统的背景抑制方法的优点及存在的问题。最后,在上述研究的基础上,我们提出了一种基于一维自适应中值迭代的非均匀性噪声背景抑制消除算法。实验结果表明,本文所提方法可以兼顾对星图背景非均匀性噪声和Smear效应引起的亮线进行精确的消除,同时不损失暗弱小目标的信息,在不同场景下具有较强的鲁棒性。（2）天基复杂背景下暗弱小目标检测算法研究针对天基复杂条件下（如:多目标运动速度、方向各异,目标拖尾、低信噪比、受恒星遮挡,运动轨迹不连续、非线性等）暗弱小目标检测困难这一问题,我们充分利用空间目标的时空域特征,提出了一种利用多帧序列图像的空间目标检测的新方法。本方法基于经典的多级假设检验思想,引入了时空域管道检测方法,改进了空间目标轨迹候选点的获取方式,能够大大减少了虚警目标数量,降低了算法的时间开销。同时,我们利用提出的自适应搜索区间,实现了不需要任何目标的先验信息,即可对不同轨道的多个目标同时进行有效检测。最后,我们对所提出算法的有效性进行了仿真和真实星图的实验验证,结果表明,在目标信噪比为3时,目标检测率可达100%,即使目标信噪比低至1.5时,检测率仍可达到92%。此外,该算法具有较强的鲁棒性,较小的计算量,可实现在天基复杂背景下对暗弱小目标的有效检测。（3）天基空间目标定位技术研究目标的高精度定位对于目标运动状态的描述、轨道参数的确定以及空间位置的编目具有重要意义。因此,我们对空间目标定位技术展开了深入研究。首先,我们从传统的灰度质心定位算法出发,分析了其适用范围及局限性;然后,分析了传统方法中误差的来源,我们有针对性的提出了一种双线性插值迭代加权质心定位算法,通过插值和窗口迭代,提高了目标质心定位精度。实验结果表明,改进后的新算法在目标信噪比低至3时,定位精度可达0.14像元,远优于传统的灰度质心法。最后,针对单一质心信息难以对条状目标的位置及运动状态进行准确描述的问题,我们提出了基于Harris角点的条状目标端点定位方法。实验证明,该方法可有效的对条状目标进行端点定位,而条状目标端点的定位可以为目标位置的确定、角速度的估算等提供必要的信息,该方法的提出对于后续相关的研究具有重要的参考意义。
许美琪[5]（2020）在《复杂背景下红外弱小目标检测方法研究》文中研究指明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。
杨其利[6]（2020）在《基于深度学习的红外弱小目标检测研究》文中研究指明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。
李羽薇[7]（2020）在《空中弱小目标地面视觉检测系统设计与实现》文中研究说明随着科技的进步,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[8]（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》文中进行了进一步梳理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。
宋聪聪[9]（2020）在《多种场景下红外小目标检测技术研究》文中提出近年来,随着红外传感器工艺水平的提高,以红外成像技术为核心的红外探测系统不断被应用到安防领域,受到各国的高度关注。红外小目标检测技术是红外探测系统的关键技术,由于红外小目标具有纹理信息少、信噪比低的特点,以及红外小目标周围背景的复杂性和多变性,探索新型的红外小目标检测技术一直是图像处理领域的研究热点。本文以天空场景、海天场景、山地场景和城市场景中的红外小目标作为主体进行分析,主要从以下几个方面进行研究:针对红外图像特性,分别从三个方面进行研究,包括不同场景下红外图像中目标特性、背景特性和噪声特性。由于红外图像存在噪声干扰与对比度低的特点,对红外图像进行预处理,包括图像滤波和图像增强,并进行了实验对比分析。针对红外小目标局部亮度和梯度分布特性,本文重点研究了基于红外小目标局部亮度和梯度分布（LIG）的红外小目标检测算法。针对该方法存在局部亮度和局部梯度数量级差距巨大、梯度约束条件不足导致虚警率过高的问题,本文提出了一种改进的基于LIG的红外小目标检测算法,主要作了两点改进,第一,本方法重新定义了局部梯度的计算公式,使得亮度和梯度在同一数量级上,两者所作贡献相近;第二,本方法在计算梯度分布时,同时引入梯度的数量信息和角度信息作为约束条件,进一步降低了虚警率。最终在不同场景下进行实验,结果表明本方法具有较强的鲁棒性。针对红外小目标局部对比度特性,本文重点研究了基于传统局部对比度机制（Local Contrast Mechanism,LCM）的红外小目标检测算法。针对该方法存在背景抑制能力弱、虚警率高以及对噪声敏感等问题,本文提出了一种n LCM（new Local Contrast Mechanism）红外小目标检测算法,主要作了两点改进,第一,本方法新增了图像预处理,进行背景抑制与亮目标增强,同时只需要改变一个参数,即可完成对暗目标的增强;第二,本方法重新定义了局部对比度公式,引入图像局部的均值和方差代替最大亮度,从而减少了噪声的干扰。最终通过实验对比验证了本方法的优越性和鲁棒性。
刘维习[10]（2020）在《复杂背景下红外小目标检测方法研究》文中研究说明红外小目标检测技术是红外预警系统的重要组成部分,但是在复杂背景下该项技术的应用依然面临着不少挑战,主要包括在地面强杂波或云层强杂波下,背景杂波难以抑制的问题,以及小目标运动过程中的交汇、分裂等问题。因此本文对该领域中的上述问题进行了深入研究,具体内容如下:基于红外成像过程推导小目标的像面分布模型,并通过拟合实验,验证模型的有效性。通过对背景杂波进行多尺度差分析,提出了一种基于梯度均值的背景杂波量化模型,通过和传统的统计方差模型比较,验证了该模型的有效性。基于上述实验分析,对小目标和背景杂波进行四个方向上的梯度对比,得到二者的分布差异。针对传统检测算法背景抑制能力不足的缺点,本文根据小目标与背景杂波在多个方向上梯度分布的差异,提出了一种基于局部导数和邻域极差的背景抑制算法。算法通过构造结构元,求取原始图像的局部导数图,然后利用邻域极差来表征结构元中心点的极值,最后对极差图进行融合获得小目标显着图。实验结果表明,本文提出的算法背景抑制能力强,且在信杂比、背景抑制因子、ROC曲线等定量指标上,均有优异的表现。根据红外预警系统的实际需求,本文研究了运动红外小目标的检测问题,提出了基于多特征匹配和航迹关联的小目标检测算法。首先,算法利用红外小目标的多个特征对航迹和疑似目标进行匹配,通过航迹更新机制完成航迹的生成、更新、删除等操作;然后根据航迹判决获得真实目标信息;最后使用多组图像序列对算法进行仿真实验。实验结果表明,算法能够通过调整阈值控制计算量,同时能够解决目标运动过程中因交汇、分裂导致目标检测失败的问题,并能将检测精度控制在一个像素以内。
二、复杂背景下红外点目标检测的预处理（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、复杂背景下红外点目标检测的预处理（论文提纲范文）
（1）海天背景下红外动态目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外发展现状研究 |
| 1.2.1 传统的海天背景下红外目标检测发展现状 |
| 1.2.1.1 海天背景下红弱目标检测技术 |
| 1.2.1.2 海天背景下红外面目标检测技术 |
| 1.2.2 基于深度学习的目标检测发展现状 |
| 1.2.2.1 双阶段目标检测算法 |
| 1.2.2.2 单阶段目标检测算法 |
| 1.3 存在的问题 |
| 1.4 本文的主要内容 |
| 1.5 本文的结构安排 |
| 第二章 基于深度学习目标检测算法的理论基础 |
| 2.1 引言 |
| 2.2 人工神经网络 |
| 2.3 卷积神经网络 |
| 2.4 经典的深度学习目标检测模型 |
| 2.4.1 Faster R-CNN模型 |
| 2.4.2 YOLOv3 模型 |
| 2.4.3 YOLOv4 模型 |
| 2.4.4 SSD模型 |
| 2.5 本章小结 |
| 第三章 海天背景下红外图像预处理 |
| 3.1 引言 |
| 3.2 海天背景下红外图像背景分析 |
| 3.2.1 海天背景下红外图像整体特点 |
| 3.2.2 红外动态目标特征分析 |
| 3.2.3 噪声分析 |
| 3.3 海天背景下红外图像预处理 |
| 3.3.1 传统的预处理算法 |
| 3.3.1.1 高斯滤波算法 |
| 3.3.1.2 中值滤波算法 |
| 3.3.1.3 算法对比 |
| 3.3.2 海天背景下红外图像的预处理算法设计 |
| 3.3.2.1 自适应中值滤波 |
| 3.3.2.2 引导滤波 |
| 3.3.2.3 多尺度目标增强 |
| 3.3.2.4 实验结果分析 |
| 3.4 基于局部Otsu和 hough变换的海天线检测 |
| 3.4.1 基于局部otsu分割的边缘提取 |
| 3.4.2 基于Hough线性拟合 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于深度学习的海天背景红外动态目标检测 |
| 4.1 引言 |
| 4.2 红外图像数据集制作 |
| 4.2.1 海天背景红外图像采集 |
| 4.2.2 红外图像处理 |
| 4.2.3 实验环境搭建 |
| 4.3 模型的初选 |
| 4.4 改进的YOLOv4 深度学习目标检测 |
| 4.4.1 先验框改进 |
| 4.4.2 多尺度特征改进 |
| 4.5 优化结果和分析 |
| 4.5.1 先验框对比实验 |
| 4.5.2 MY-YOLOv4 对比试验 |
| 4.5.3 MY-YOLOv4 真实数据验证实验 |
| 4.6 本章小结 |
| 第五章 基于辐射特性辅助判别的双模型一体化检测 |
| 5.1 引言 |
| 5.2 辐射特性判别 |
| 5.2.1 辐射特性数据集制作 |
| 5.2.2 红外目标辐射特性判别模型的建立 |
| 5.2.2.1 网络结构的设计 |
| 5.2.2.2 自调整阈值的建立 |
| 5.2.3 网络模型的训练 |
| 5.2.4 实验结果与分析 |
| 5.2.4.1 海天背景下红外动态目标辐射特性判别实验 |
| 5.2.4.2 实验结果分析 |
| 5.3 双模型一体化检测 |
| 5.3.1 双模型一体化模型结构 |
| 5.3.2 目标检测实验 |
| 5.4 本章小结 |
| 第六章 结论展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 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 |
（2）线列红外成像系统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 |
| 1.2 红外目标算法相关研究现状 |
| 1.2.1 主流红外小目标检测方法及特点 |
| 1.2.2 主流多目标航迹匹配方法及特点 |
| 1.3 本文内容及章节安排 |
| 1.3.1 研究动机 |
| 1.3.2 主要研究内容 |
| 1.3.3 论文章节安排 |
| 第2章 基于像素聚拢度的快速红外目标检测方法 |
| 2.1 研究背景 |
| 2.2 目标特征分析 |
| 2.2.1 线列探测器的带状噪声 |
| 2.2.2 Robinson-Guard滤波器的优缺点 |
| 2.2.3 像素聚拢度 |
| 2.2.4 像素聚拢度的作用 |
| 2.2.5 利用像素聚拢度和目标能量扩展Robinson-Guard滤波器 |
| 2.3 目标识别算法设计 |
| 2.3.1 窗口分布热力图 |
| 2.3.2 目标概率图 |
| 2.3.3 算法流程与参数确定 |
| 2.4 算法性能评价 |
| 2.4.1 在线列探测器真实图像上的性能评价 |
| 2.4.2 在线列探测器合成图像上的性能评价 |
| 2.4.3 在公开红外数据集上的评价 |
| 2.4.4 算法运行速度对比 |
| 2.5 在国产DSP上的算法简化移植 |
| 2.5.1 分支预测与受其影响的热点函数 |
| 2.5.2 针对窗口设置与移动逻辑的简化 |
| 2.5.3 针对计算ERG的简化 |
| 2.5.4 简化算法的目标检测性能 |
| 2.6 小结 |
| 第3章 增强图像梯度检测红外小目标 |
| 3.1 研究背景 |
| 3.2 线列探测器的误差分析 |
| 3.2.1 线列探测器的两点校正与高阶误差 |
| 3.2.2 基于图像梯度的局域校正 |
| 3.3 利用单向梯度图进行目标增强 |
| 3.3.1 红外小目标的梯度特性与增强约束 |
| 3.3.2 一种增强红外小目标单向梯度图的方法 |
| 3.4 基于增强单向梯度图的红外目标检测 |
| 3.4.1 堆叠抑制随机噪声 |
| 3.4.2 基于目标尺度金字塔融合图像 |
| 3.4.3 自适应局域化分割融合图像 |
| 3.5 性能测试与对比 |
| 3.5.1 使用复杂空地背景红外数据集评价 |
| 3.5.2 使用线列探测器无人机图像评价 |
| 3.6 小结 |
| 第4章 基于深度学习的红外目标检测阈值估计 |
| 4.1 研究背景 |
| 4.1.1 卷积神经网络的优势 |
| 4.1.2 使用卷积神经网络检测红外小目标的困难 |
| 4.2 针对特征工程算法的深度学习阈值增强框架 |
| 4.2.1 利用CNN解决回归问题的相关工作 |
| 4.2.2 针对阈值分布概率的CNN子网设计 |
| 4.2.3 iRCNN框架设计 |
| 4.2.4 iRCNN的预测误差 |
| 4.2.5 iRCNN的目标函数与交叉训练流程 |
| 4.3 实验与分析 |
| 4.3.1 数据集构建与训练流程 |
| 4.3.2 阈值预测精度分析 |
| 4.3.3 算法增益性能分析 |
| 4.4 小结 |
| 第5章 基于有限机动假设的LM-JPDA目标航迹匹配算法 |
| 5.1 引言 |
| 5.2 基于有限机动假设的JPDA |
| 5.2.1 JPDA的基本原理 |
| 5.2.2 多假设跟踪的基本原理 |
| 5.2.3 基于有限机动能力的搜索门限估计 |
| 5.2.4 量测关联概率估计 |
| 5.2.5 静止目标过滤与径向速度估计 |
| 5.3 实验与分析 |
| 5.4 小结 |
| 第6章 基于长波红外线列探测器的实时目标检测系统设计 |
| 6.1 引言 |
| 6.2 系统框架设计 |
| 6.2.1 系统硬件组成 |
| 6.2.2 图像预处理与死点去除 |
| 6.2.3 背景检测与阈值标定 |
| 6.2.4 基于DSP的目标粗检测 |
| 6.2.5 航迹拟合与目标确认 |
| 6.3 系统测试与分析 |
| 6.3.1 多场景测试 |
| 6.3.2 实时性分析 |
| 6.4 小结 |
| 第7章 总结与展望 |
| 7.1 全文工作总结 |
| 7.1.1 主要工作 |
| 7.1.2 工作的特色与创新点 |
| 7.2 未来展望 |
| 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 |
（3）基于机器学习的目标探测与识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外发展状况 |
| 1.2.1 传统目标检测算法 |
| 1.2.2 基于深度学习的目标检测算法 |
| 1.2.3 机器学习算法 |
| 1.3 研究内容和论文章节安排 |
| 第2章 红外成像和目标检测技术 |
| 2.1 红外成像技术理论 |
| 2.1.1 红外辐射基本理论 |
| 2.1.2 红外成像原理介绍 |
| 2.1.3 红外图像特点介绍 |
| 2.2 红外目标检测与识别技术流程 |
| 2.2.1 红外目标检测与识别技术基础 |
| 2.2.2 红外目标检测与识别技术方案 |
| 2.3 本章总结 |
| 第3章 基于对比度的红外点目标检测与识别技术研究 |
| 3.1 常规的红外点目标检测算法介绍 |
| 3.2 基于局部对比测度的红外点目标检测识别 |
| 3.2.1 基于局部对比测度基本原理介绍 |
| 3.2.2 基于局部对比测度的红外点目标检测结果 |
| 3.3 基于模板匹配算法的红外点目标检测识别 |
| 3.3.1 模板匹配算法原理介绍 |
| 3.3.2 基于模板匹配算法的红外点目标检测结果 |
| 3.4 基于数学形态学运算的红外点目标检测识别 |
| 3.4.1 二值图像中的基本数学形态学运算 |
| 3.4.2 灰度图像中的基本数学形态学运算 |
| 3.4.3 基于数学形态学的红外点目标检测结果 |
| 3.5 基于块的多尺度对比测度的红外点目标检测识别 |
| 3.5.1 基于块的多尺度对比测度算法原理介绍 |
| 3.5.2 基于块的多尺度对比测度的红外点目标检测结果 |
| 3.6 本章总结 |
| 第4章 基于支持向量机的红外面目标分类识别技术研究 |
| 4.1 基于不同服饰的红外面目标分类识别的科学问题 |
| 4.2 面目标识别特征提取算法分析 |
| 4.2.1 方向梯度直方图算法介绍 |
| 4.2.2 灰度共生矩阵算法介绍 |
| 4.3 支持向量机分类器介绍 |
| 4.4 分类模型算法设计与验证结果 |
| 4.4.1 分类模型介绍 |
| 4.4.2 混淆矩阵和分类模型性能评估参数 |
| 4.4.3 分类模型算法参数设计与实验结果 |
| 4.5 本章总结 |
| 第5章 基于卷积神经网络的红外空中动目标和地上行人检测研究 |
| 5.1 深度学习理论基础 |
| 5.1.1 感知器原理介绍 |
| 5.1.2 反向传播算法介绍 |
| 5.1.3 卷积神经网络介绍 |
| 5.2 典型CNN网络介绍 |
| 5.2.1 R-CNN网络介绍 |
| 5.2.2 SPP-Net网络介绍 |
| 5.2.3 Fast R-CNN网络介绍 |
| 5.2.4 Faster R-CNN网络介绍 |
| 5.3 红外空中动目标检测算法研究 |
| 5.3.1 阈值分割算法原理介绍 |
| 5.3.2 基于阈值分割的帧间差分算法的目标检测结果 |
| 5.3.3 基于卷积神经网络的目标检测结果 |
| 5.3.4 本节总结 |
| 5.4 红外地上行人检测算法研究 |
| 5.4.1 级联目标检测器原理介绍 |
| 5.4.2 基于级联检测器的目标检测结果 |
| 5.4.3 基于卷积神经网络的目标检测结果 |
| 5.4.4 本节总结 |
| 5.5 本章总结 |
| 第6章 结论和展望 |
| 6.1 结论 |
| 6.2 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 |
（4）天基复杂背景下空间暗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 课题研究背景及意义 |
| 1.1.1 空间目标的定义及空间碎片的来源 |
| 1.1.2 空间目标的数量和分布 |
| 1.1.3 空间碎片的危害 |
| 1.1.4 空间目标监视的方法及重要意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间目标监视系统发展现状及发展趋势 |
| 1.2.2 空间目标检测技术研究现状 |
| 1.2.3 技术难点 |
| 1.3 本论文主要研究内容及章节安排 |
| 1.3.1 本论文主要研究内容 |
| 1.3.2 论文章节安排 |
| 1.4 本章小结 |
| 第2章 天基复杂背景下空间暗弱小目标检测技术基础 |
| 2.1 引言 |
| 2.2 空间目标检测技术基础 |
| 2.2.1 图像预处理技术 |
| 2.2.2 暗弱小目标检测技术 |
| 2.2.3 空间目标质心定位技术 |
| 2.3 天基空间目标探测系统成像链路分析 |
| 2.3.1 目标辐射特性 |
| 2.3.2 光学系统 |
| 2.3.3 探测器 |
| 2.4 最佳积分时间的确定 |
| 2.4.1 信噪比 |
| 2.4.2 运动拖尾 |
| 2.4.3 积分时间对成像的影响 |
| 2.4.4 积分时间优化选择 |
| 2.5 天基仿真星图数据的生成 |
| 2.5.1 恒星背景图像的生成 |
| 2.5.2 不同轨道运动目标图像的生成 |
| 2.6 本论文使用的真实星图数据介绍 |
| 2.7 本章小结 |
| 第3章 天基图像预处理技术研究 |
| 3.1 引言 |
| 3.2 天基图像背景成像特性分析 |
| 3.2.1 图像背景噪声 |
| 3.2.2 图像背景非均匀性 |
| 3.2.3 图像Smear(漏光-拖尾)效应 |
| 3.3 非均匀性噪声背景的抑制算法 |
| 3.3.1 传统图像背景抑制方法的分析 |
| 3.3.2 基于一维自适应中值迭代的非均匀性噪声去除算法 |
| 3.4 实验结果与分析 |
| 3.4.1 仿真星图实验 |
| 3.4.2 真实星图实验 |
| 3.4.3 不同非均匀性星图背景下算法的鲁棒性 |
| 3.4.4 不同目标下算法的鲁棒性 |
| 3.5 本章小结 |
| 第4章 天基复杂背景下空间暗弱小目标检测技术研究 |
| 4.1 引言 |
| 4.2 基于时空域管道的拟多级假设检验算法理论 |
| 4.2.1 时空域管道滤波算法 |
| 4.2.2 序列图像多级假设检验算法 |
| 4.3 基于时空域管道拟多级假设检验的目标检测 |
| 4.3.1 目标时空域成像特性分析及模型的建立 |
| 4.3.2 时空域管道滤波去除背景恒星和噪声 |
| 4.3.3 时空域管道拟多级假设检验检测目标 |
| 4.3.4 算法性能分析 |
| 4.4 实验结果与分析 |
| 4.4.1 仿真目标的建模与生成 |
| 4.4.2 单帧候选点的检测率 |
| 4.4.3 SPMHT算法的检测率 |
| 4.4.4 SPMHT算法在复杂条件下的鲁棒性 |
| 4.4.5 真实目标检测试验 |
| 4.5 本章小结 |
| 第5章 天基空间目标定位技术研究 |
| 5.1 引言 |
| 5.2 空间目标质心定位算法 |
| 5.2.1 传统基于灰度质心定位算法的分析 |
| 5.2.2 双线性插值迭代加权质心法 |
| 5.2.3 实验结果与分析 |
| 5.3 条状目标的端点定位算法 |
| 5.3.1 基于Harris角点的条状目标端点定位方法 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 主要创新点 |
| 6.3 展望及待研究工作 |
| 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 |
（5）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 |
（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）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 |
（8）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 |
（9）多种场景下红外小目标检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外图像预处理 |
| 1.2.2 红外小目标检测算法研究现状 |
| 1.3 红外小目标检测技术难点 |
| 1.4 本文主要内容与结构安排 |
| 2 红外图像特性研究与分析 |
| 2.1 红外成像原理 |
| 2.1.1 红外成像基本原理 |
| 2.1.2 红外热像仪的选取 |
| 2.2 红外图像特性分析 |
| 2.2.1 红外图像弱点状小目标特性分析 |
| 2.2.2 红外图像背景特性分析 |
| 2.2.3 红外图像噪声特性分析 |
| 2.3 图像预处理 |
| 2.3.1 红外图像降噪算法 |
| 2.3.2 滤波降噪算法评价 |
| 2.3.3 红外图像增强算法 |
| 2.4 本章小结 |
| 3 改进的基于局部亮度与梯度分布的红外小目标检测算法 |
| 3.1 常见的小目标检测算法 |
| 3.1.1 帧差法 |
| 3.1.2 背景减除法 |
| 3.1.3 基于高斯拉普拉斯算子(Lo G)的红外小目标检测 |
| 3.1.4 基于高斯差分(Do G)的红外小目标检测 |
| 3.1.5 常用目标检测算法比较 |
| 3.2 基于LIG红外小目标检测算法 |
| 3.2.1 红外小目标局部亮度映射图 |
| 3.2.2 红外小目标局部梯度映射图 |
| 3.2.3 LIG红外小目标检测算法 |
| 3.2.4 改进的LIG红外目标检测算法 |
| 3.3 实验结果分析 |
| 3.3.1 定性分析 |
| 3.3.2 定量分析 |
| 3.4 本章小结 |
| 4 基于视觉注意力机制的红外小目标检测算法 |
| 4.1 理论背景知识 |
| 4.1.1 人类视觉注意力机制 |
| 4.1.2 人类视觉对比机制 |
| 4.2 传统LCM算法 |
| 4.2.1 LCM算法 |
| 4.2.2 多尺度LCM算法 |
| 4.2.3 阈值分割 |
| 4.2.4 LCM实验结果与分析 |
| 4.3 改进的LCM算法 |
| 4.3.1 图像背景抑制 |
| 4.3.2 显着性区域计算 |
| 4.3.3 多尺度n LCM算法 |
| 4.3.4 目标检测 |
| 4.4 实验与分析 |
| 4.4.1 实验数据分析 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）复杂背景下红外小目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 红外探测系统发展现状 |
| 1.3 红外小目标检测算法研究现状 |
| 1.4 本文组织结构 |
| 2 目标与背景特性分析 |
| 2.1 引言 |
| 2.2 红外成像原理 |
| 2.2.1 红外辐射原理 |
| 2.2.2 红外成像系统 |
| 2.3 红外小目标特性分析 |
| 2.3.1 目标成像过程分析 |
| 2.3.2 目标像面分布模型 |
| 2.3.3 实验与分析 |
| 2.4 红外图像背景与噪声分析 |
| 2.4.1 背景杂波分析 |
| 2.4.2 动态噪声分析 |
| 2.5 本章小结 |
| 3 基于局部导数和邻域极差的背景抑制算法 |
| 3.1 引言 |
| 3.2 基于局部导数与邻域极差的背景抑制算法 |
| 3.2.1 局部导数原理 |
| 3.2.2 邻域极差表征极值 |
| 3.2.3 算法步骤 |
| 3.3 实验与分析 |
| 3.4 本章小结 |
| 4 基于多特征匹配和航迹关联的小目标检测算法 |
| 4.1 引言 |
| 4.2 传统多帧小目标检测算法介绍 |
| 4.2.1 基于高斯模型的时域背景建模算法 |
| 4.2.2 基于核相关的跟踪算法 |
| 4.3 基于多特征匹配和航迹关联的小目标检测算法 |
| 4.3.1 动态阈值分割与连通标记 |
| 4.3.2 多特征匹配 |
| 4.3.3 航迹更新与航迹判决 |
| 4.3.4 算法步骤及性能分析 |
| 4.4 实验与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、复杂背景下红外点目标检测的预处理（论文参考文献）
- [1]海天背景下红外动态目标检测方法研究[D]. 刘杨帆. 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), 2021(08)
- [2]线列红外成像系统目标检测关键技术研究[D]. 楼晨风. 中国科学院大学(中国科学院上海技术物理研究所), 2021(01)
- [3]基于机器学习的目标探测与识别技术研究[D]. 王周春. 中国科学院大学(中国科学院上海技术物理研究所), 2020(03)
- [4]天基复杂背景下空间暗弱小目标检测方法研究[D]. 李梦阳. 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(01)
- [5]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)
- [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]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)
- [8]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)
- [9]多种场景下红外小目标检测技术研究[D]. 宋聪聪. 南京理工大学, 2020(01)
- [10]复杂背景下红外小目标检测方法研究[D]. 刘维习. 南京理工大学, 2020(01)