CN104299229A - 一种基于时空域背景抑制的红外弱小目标检测方法 - Google Patents

一种基于时空域背景抑制的红外弱小目标检测方法 Download PDF

Info

Publication number
CN104299229A
CN104299229A CN201410490528.1A CN201410490528A CN104299229A CN 104299229 A CN104299229 A CN 104299229A CN 201410490528 A CN201410490528 A CN 201410490528A CN 104299229 A CN104299229 A CN 104299229A
Authority
CN
China
Prior art keywords
image
background
domain
time
result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410490528.1A
Other languages
English (en)
Other versions
CN104299229B (zh
Inventor
秦翰林
李佳
延翔
周慧鑫
牟媛
宗靖国
韩姣姣
曾庆杰
郝静雅
倪曼
刘上乾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Science And Technology Ltd Of Upper Hiroad Army
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201410490528.1A priority Critical patent/CN104299229B/zh
Publication of CN104299229A publication Critical patent/CN104299229A/zh
Application granted granted Critical
Publication of CN104299229B publication Critical patent/CN104299229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • G06T7/269Analysis of motion using gradient-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10048Infrared image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于红外图像处理领域,主要涉及一种基于时空域背景抑制的红外弱小目标检测方法。本发明用以解决复杂背景下的红外运动弱小目标检测问题。首先使用指导滤波抑制空域中较为平稳的背景杂波;其次,利用红外图像序列中目标的运动信息,在时域上采用梯度权重滤波方法抑制时域中变化较为缓慢的背景;然后将时空域背景抑制结果相融合,得到背景抑制后的弱小目标图像;最后利用自适应阈值分割图像,检测出弱小目标。该发明在目标检测时不仅利用了红外弱小目标的空间灰度信息,还充分利用了目标的时域运动信息,分别从时域和空域抑制背景杂波,因此大大提高了复杂背景下运动弱小目标的检测性能。

Description

一种基于时空域背景抑制的红外弱小目标检测方法
技术领域
本发明属于红外图像处理领域,主要涉及一种基于时空域背景抑制的红外弱小目标检测方法。 
背景技术
在红外搜索跟踪系统(IRST)中,来袭目标距离探测器较远,在红外图像中通常显示为复杂背景中的几个像素点,同时,由于大气衰减及干扰,红外图像中目标与背景的对比度和信噪比较低,这就为后续的目标检测带来了困难。如何从低对比度、低信噪比的红外图像中准确、稳定的检测出目标,就成为IRST中的一项关键技术。 
近年来,由于红外探测技术在军事上的重大意义,许多研究者对红外弱小检测进行了深入的研究,提出了许多检测方法。主要有时域、空域、频域、小波变换、偏微分方程等滤波方法。这些方法分别从不同的角度解决红外弱小目标的检测问题,收到了一定的效果,但针对低信噪比的复杂背景红外图像,这些算法就显示出背景抑制效果差,检测虚警率高,算法复杂度高等缺陷。 
针对弱小目标在空域上只有灰度信息,检测难度大的问题,许多学者将空域检测方法与目标时域运动信息相结合,提出了时空域融合的目标检测算法,收到了一定的效果。在《基于时空域融合的红外弱小目标检测算法》(见弹箭与制导学报。2011年31卷(2期):P225-227,作者:胡涛涛,樊翔,马东辉)中所述的一种时空域融合的红外弱小目标检测方法,首先用tophat变换对图像在空域上进行背景抑制,然后对背景抑制后的序列图像使用三帧差分法进行运动目标的检测,并对检测的结果进行或运算来累计能量,再利用形态学闭运算连接断裂轨迹,最后通过阈值检测出目标轨迹。该方法对背景变化缓慢、信噪比较高,目标运行速度较快的红外运动弱小目标序列的检测具有一定效果,但该方法同时存在明显的不足:1、tophat滤波方法对于信噪比较低的红外弱小目标图像背景抑制效果较差,并且结果与结构元的选择有非常大的关系,结构元选取不当有可能无法检测出弱小目标。2、三帧差分法可能导致目标强度变弱,且对低速运动的目标检测效果并不好,对背景变化敏感。3、算法仅能检测出目标运行轨迹,无法给出目标当前帧位置,不具有实时性。 
在《Small target detection using bilateral filter and temporal cross product in infrared images》(见Infrared Physics &Technology。54(2011):P403-411,作者:Tae-Wuk Bae等)中,作者提出了一种时空域融合的红外弱小 目标检测方法。该方法的步骤如下:1、在时域上对n帧图像每一像素点求时域向量积来提取目标运行轨迹。2、根据时域目标轨迹图像的灰度值来生成参数索引图,使不同的灰度值对应不用的σd和σr。3、根据选定的σd和σr,对图像在空域上利用双边滤波进行背景抑制,得到空域背景抑制后的图像。4、将1的结果与3的结果进行点乘。5、选取阈值进行分割,得到目标检测结果。算法存在如下问题:1、时域上利用时域向量积只能检测到目标轨迹,且云层边缘起伏较大时,虚警率会增加。2、空域滤波受时域滤波影响较大,当时域结果存在较多虚警及杂波时,会使空域滤波结果变差。3、时空域结果融合时采用点乘,在目标轨迹上容易形成虚警点。 
发明内容
针对低信噪比复杂背景下序列红外运动弱小目标检测中虚警率高的问题,本发明提出了一种时空域结合的红外序列图像运动目标检测方法。该方法分别在时域和空域上进行背景抑制。在时域上,充分利用目标运动信息,使用梯度权重滤波抑制背景,得到时域背景抑制后的图像;在空域上利用目标灰度信息,对单帧图像使用指导滤波进行背景预测,进而抑制背景,最后将时域滤波与空域滤波的结果相融合,使用自适应阈值分割图像,检测出目标。本方法能够实时地检测出目标位置,大大降低虚警概率,并且简单有效。 
本发明是通过以下技术方案实现的,本发明包括以下步骤: 
A、时域背景抑制: 
(1)取N帧图像,绘制图像中每一像素点在N帧图像中灰度值的变化的曲线(时域曲线)f(m,n,k)=xk(m,n)k=1,2…N,(m,n)为像素点的位置坐标,k为图像的帧数,x为灰度值; 
(2)对于每个像素点的时域曲线,计算曲线上每点的梯度值g: 
gk(m,n)=|[xk(m,n)-xk-1(m,n)]+[xk(m,n)-xk+1(m,n)]| 
(3)使用高斯核计算时域曲线上每一点的权重W: 
w k ( m , n ) = e - g k ( m , n ) 2 / ϵ 2
其中,ε为调节参数; 
(4)对时域曲线进行梯度权重滤波,滤波器在第k帧的输出Po k为: 
P o k ( m , n ) = 1 R Σ l = k - 2 k + 2 w l ( m , n ) x l ( m , n )
其中,R为归一化参数,
(5)用原时域曲线减去梯度权重滤波的结果,得到第N帧时域背景抑制后的图像: 
xN′=xN-Po N
B、在空域上对图像进行背景抑制: 
(1)计算指导滤波中图像每一像素点的权值: 
W m , n ; s , t ( I ) = 1 | ω | 2 Σ k : ( m , n ) ∈ ω k , ( s , t ) ∈ ω k ( 1 + ( I ( m , n ) - μ k ) ( I ( s , t ) - μ k ) σ 2 + ϵ )
μk和σ2为指导图像I在滤波窗中的均值和方差,ωk为滤波窗口,ε为调节参数,调整滤波器的平滑程度,|ω|为窗口ωk中像素的个数; 
(2)计算指导滤波在每一点(m,n)处的输出: 
Q ( m , n ) = Σ s = m - L m + L Σ t = n - L n + L W m , n , s , t ( I ) P ( s , t )
其中,L为滤波窗口的半径; 
(3)第N帧图像空域背景抑制后的结果如下: 
Isout N=PN-QN
C、将A的结果与B的结果做与运算,得到第n帧背景初步抑制后的图像: 
Itemp N=Isout N·xN
D、将A的结果作为原图像,C的结果作为指导图像,进行指导滤波,得到背景抑制结果: 
Q ( m , n ) = Σ s = m - N m + N Σ t = n - N n + N W m , n , s , t ( I temp ) X ( s , t )
其中 W m , n ; s , t ( I temp ) = 1 | ω | 2 Σ k : ( m , n ) ∈ ω k , ( s , t ) ∈ ω k ( 1 + ( I temp ( m , n ) - μ k ) ( I temp ( s , t ) - μ k ) σ 2 + ϵ )
E、采用自适应阈值分割将图像二值化,得到最终目标检测结果: 
Q ′ ( m , n ) = 255 , Q ( m . n ) ≥ Th 0 , Q ( m , n ) ≤ Th
其中Th为阈值:Th=μ+10σ2,μ、σ2分别为图像的均值和方差。 
本发明采用指导滤波来实现空域背景预测,由于其在平滑图像的同时具有良好的边缘保持特性,因此可以对图像中的边缘细节进行更准确地预测,进而有效抑制空域中较为平稳的背景及边缘杂波;在时域中,本发明利用目标的运动信息,提出了一种梯度权重的滤波方法进行时域背景预测,可以有效抑制时域中变化较为缓慢的背景杂波;时域与空域背景抑制独立进行,可以充分利用红外图像中弱小目标的灰度信息与运动轨迹信息;采用指导滤波的方法融合时域与空域背景抑制的结果,巧妙的将时空域结果相融合,并且能够进一步抑除背景杂波,为后续的目标检测提供更好的基础。 
附图说明
通过参照附图更详细地描述本发明的示例性实施例,本发明的以上和其它方面及优点将变得更加易于清楚,在附图中: 
图1为本发明的一种基于时空域背景抑制的红外弱小目标检测方法的流程示意图; 
图2为不同的参数下对同一幅图像利用指导滤波平滑后的结果;(a)原图(b)ε=0.1,ωk=2(c)ε=0.1,ωk=4(d)ε=0.4,ωk=2; 
图3为红外图像中几个特征像素点的时域曲线; 
图4为两组包含弱小运动目标的复杂天空背景红外图像检测结果。(a)为原图;(b)为空域背景抑制后的结果;(c)为时域背景抑制后的结果;(d)为时空域融合后的背景抑制结果;(e)为使用自适应阈值分割后的检测结果。 
具体实施方式
在下文中,现在将参照附图更充分地描述本发明,在附图中示出了各种实施例。然而,本发明可以以许多不同的形式来实施,且不应该解释为局限于在此阐述的实施例。相反,提供这些实施例使得本公开将是彻底和完全的,并将本发明的范围充分地传达给本领域技术人员。 
在下文中,将参照附图更详细地描述本发明的示例性实施例。 
参照图1,本发明的具体实现步骤如下: 
本方法具体实现步骤如下: 
步骤1、对序列红外图像的前N帧进行时域滤波,抑制背景杂波,图4(a)为序列红外图像中的一帧。 
1.1输入1~N帧图像(N可由具体情况确定,本方法取N=10),绘制出图像中每个像素点N帧的时域曲线: 
f(m,n,k)=xk(m,n)  k=1,2…n 
其中(m,n)为像素点的位置坐标,k为图像的帧数,x为灰度值。 
1.2对图像中每一个像素点的时域曲线,进行梯度权重法滤波,具体步骤如下:(1)对于每个像素点的时域曲线,计算曲线上每点的梯度值g: 
gk(m,n)=|[xk(m,n)-xk-1(m,n)]+[xk(m,n)-xk+1(m,n)]| 
(2)使用高斯核计算时域曲线上每一点的权重W: 
w k ( m , n ) = e - g k ( m , n ) 2 / ϵ 2
其中,ε为调节参数。 
(3)对时域曲线进行梯度权重滤波,滤波器在第k帧的输出Po k为: 
P o k ( m , n ) = 1 R Σ l = k - 2 k + 2 w l ( m , n ) x l ( m , n )
其中,R为归一化参数,
1.3用原时域曲线减去梯度权重滤波的结果,得到第N帧图像时域背景抑制后的结果。如图4中的(c): 
xN′=xN-Po N
步骤2、利用指导滤波对第N帧图像进行背景预测,得经空域背景抑制后的图像。2.1选取指导滤波参数:滤波窗口大小为5×5,调节参数ε=0.2。指导滤波中,调节参数ε与滤波窗口大小N对滤波结果有着非常重要的影响。ε相当于一个基准,对σ2<ε的区域进行平滑,对σ2>ε的区域进行保持,在对较为平稳的区域进行平滑时,指导滤波相当于高斯平滑滤波器,窗口越大,平滑效果越强。通过以上的分析可以看出,调节ε与窗口半径N可以改变指导滤波的输出结果。 
2.2选取原图为指导图像,计算图像中每一像素点的权值: 
W m , n ; s , t ( I ) = 1 | ω | 2 Σ k : ( m , n ) ∈ ω k , ( s , t ) ∈ ω k ( 1 + ( I ( m , n ) - μ k ) ( I ( s , t ) - μ k ) σ 2 + ϵ )
μk和σ2为指导图像I在滤波窗中的均值和方差,ωk为滤波窗口,ε为调节参数,调整滤波器的平滑程度,|ω|为窗口ωk中像素的个数。 
2.3计算滤波结果: 
Q ( m , n ) = Σ s = m - L m + L Σ t = n - L n + L W m , n , s , t ( I ) P ( s , t )
其中,L为滤波窗口半径。 
2.4第N帧图像空域背景抑制后的结果如下: 
Isout N=PN-QN
步骤3、将步骤1的结果与步骤2所得到结果做与运算,得到第N帧图像背景抑制后的结果: 
Itemp N=Isout N·xN
步骤4、将步骤1的结果作为原图像,步骤3的结果作为指导图像,进行指导滤波,得到背景抑制结果。如图4(d): 
Q out ( m , n ) = Σ s = m - N m + L Σ t = n - N n + L W m , n , s , t ( I temp ) X ( s , t )
其中 W m , n ; s , t ( I temp ) = 1 | ω | 2 Σ k : ( m , n ) ∈ ω k , ( s , t ) ∈ ω k ( 1 + ( I temp ( m , n ) - μ k ) ( I temp ( s , t ) - μ k ) σ 2 + ϵ )
步骤5、采用自适应阈值分割将图像二值化,得到最终目标检测结果。 
采用自适应阈值分割将图像二值化,得到最终目标检测结果: 
Q ′ ( m , n ) = 255 , Q ( m . n ) ≥ Th 0 , Q ( m , n ) ≤ Th
其中Th为阈值:Th=μ+10σ2,μ、σ2分别为图像的均值和方差。 
以上所述仅为本发明的实施例而已,并不用于限制本发明。本发明可以有各种合适的更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。 

Claims (2)

1.一种基于时空域背景抑制的红外弱小目标检测方法,其特征在于:该方法包含以下步骤:
A、时域背景抑制:
(1)取N帧图像,绘制图像中每一像素点在N帧图像中灰度值的变化曲线(时域曲线)f(m,n,k)=xk(m,n) k=1,2…N,(m,n)为像素点的位置坐标,k为图像的帧数,x为灰度值;
(2)对于每个像素点的时域曲线,计算曲线上每点的梯度值g:
gk(m,n)=|[xk(m,n)-xk-1(m,n)]+[xk(m,n)-xk+1(m,n)]|
(3)使用高斯核计算时域曲线上每一点的权重W:
w k ( m , n ) = e - g k ( m , n ) 2 / ϵ 2
其中,ε为调节参数;
(4)对时域曲线进行梯度权重滤波,滤波器在第k帧的输出Po k为:
P o k ( m , n ) = 1 R Σ l = k - 2 k + 2 w l ( m , n ) x l ( m , n )
其中,R为归一化参数,
(5)用原时域曲线减去梯度权重滤波的结果,得到第N帧时域背景抑制后的图像;
xN′=xN-Po N
B、空域背景抑制:
对输入第N帧图像进行指导滤波,得到背景的估计图像(即背景预测),用原图像减去经指导滤波后的背景图像,得到空域背景抑制后的图像;
C、将A的结果与B的结果做与运算,得到第N帧背景初步抑制后的图像;
D、将A的结果作为原图像,C的结果作为指导图像,进行指导滤波,得到背景抑制结果;
E、采用自适应阈值法将D的结果二值化,得到最终目标检测结果。
2.如权利要求1所述的一种基于时空域背景抑制的红外弱小目标检测方法,其特征在于:所述的步骤B中,使用指导滤波进行空域背景预测,具体的方法如下:
指导滤波输出图像在像素点(m,n)处的值可以表示为:
Q ( m , n ) = Σ s = m - L m + L Σ t = n - L n + L W m , n , s , t ( I ) P ( s , t )
其中,P为输入图像,I为指导图像,在本方法中,I=P,Q为输出图像,L为滤波窗口的半径,Wm,n,s,t(I)为滤波核,可以表示为:
W m , n ; s , t ( I ) = 1 | ω | 2 Σ k : ( m , n ) ∈ ω k , ( s , t ) ∈ ω k ( 1 + ( I ( m , n ) - μ k ) ( I ( s , t ) - μ k ) σ 2 + ϵ )
μk和σ2为指导图像I在滤波窗中的均值和方差,ωk为滤波窗口,ε为调节参数,调整滤波器的平滑程度,|ω|为窗口ωk中像素的个数。
CN201410490528.1A 2014-09-23 2014-09-23 一种基于时空域背景抑制的红外弱小目标检测方法 Active CN104299229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410490528.1A CN104299229B (zh) 2014-09-23 2014-09-23 一种基于时空域背景抑制的红外弱小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410490528.1A CN104299229B (zh) 2014-09-23 2014-09-23 一种基于时空域背景抑制的红外弱小目标检测方法

Publications (2)

Publication Number Publication Date
CN104299229A true CN104299229A (zh) 2015-01-21
CN104299229B CN104299229B (zh) 2017-04-19

Family

ID=52318951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410490528.1A Active CN104299229B (zh) 2014-09-23 2014-09-23 一种基于时空域背景抑制的红外弱小目标检测方法

Country Status (1)

Country Link
CN (1) CN104299229B (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616299A (zh) * 2015-01-30 2015-05-13 南京邮电大学 一种基于空时偏微分方程的弱小目标检测方法
CN105809147A (zh) * 2016-03-29 2016-07-27 北京环境特性研究所 基于Markov自回归模型的地球大气红外背景抑制方法
CN106469313A (zh) * 2016-09-30 2017-03-01 中国科学院光电技术研究所 一种管径自适应时空域滤波的弱小目标检测方法
CN107256560A (zh) * 2017-05-16 2017-10-17 北京环境特性研究所 一种红外弱小目标检测方法及其系统
CN107392885A (zh) * 2017-06-08 2017-11-24 江苏科技大学 一种基于视觉对比机制的红外弱小目标检测方法
CN107742282A (zh) * 2017-11-13 2018-02-27 中国人民解放军国防科技大学 基于主方向抑制高通滤波器的叠加图像预处理方法
CN108010065A (zh) * 2017-11-07 2018-05-08 西安天和防务技术股份有限公司 低空目标快速检测方法及装置、存储介质及电子终端
CN108830798A (zh) * 2018-04-23 2018-11-16 西安电子科技大学 一种基于传播滤波器改进的图像去噪方法
CN109272489A (zh) * 2018-08-21 2019-01-25 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN109410137A (zh) * 2018-10-11 2019-03-01 中国科学院上海技术物理研究所 一种暗弱目标的探测方法
CN109978851A (zh) * 2019-03-22 2019-07-05 北京航空航天大学 一种红外视频空中弱小运动目标检测跟踪方法
CN110728668A (zh) * 2019-10-09 2020-01-24 中国科学院光电技术研究所 一种小目标形态保持的空域高通滤波器
CN110751068A (zh) * 2019-10-08 2020-02-04 浙江大学 基于自适应时空融合的远距离弱小目标视觉检测方法
CN111027496A (zh) * 2019-12-16 2020-04-17 电子科技大学 基于空时联合局部对比度的红外弱小目标检测方法
CN111353496A (zh) * 2018-12-20 2020-06-30 中国科学院沈阳自动化研究所 一种红外弱小目标实时检测方法
CN111368585A (zh) * 2018-12-25 2020-07-03 中国科学院长春光学精密机械与物理研究所 一种弱小目标检测方法、检测系统、存储装置及终端设备
CN111666944A (zh) * 2020-04-27 2020-09-15 中国空气动力研究与发展中心计算空气动力研究所 一种红外弱小目标检测方法及装置
CN111814579A (zh) * 2020-06-15 2020-10-23 西安方元明科技股份有限公司 一种基于帧间差分法和形态学的连续视频小目标检测方法
CN112802020A (zh) * 2021-04-06 2021-05-14 中国空气动力研究与发展中心计算空气动力研究所 基于图像修补和背景估计的红外弱小目标检测方法
CN113555117A (zh) * 2021-07-19 2021-10-26 江苏金海星导航科技有限公司 一种基于穿戴设备的驾驶员健康管理系统
CN115222775A (zh) * 2022-09-15 2022-10-21 中国科学院长春光学精密机械与物理研究所 弱小目标检测跟踪装置及其检测跟踪方法
CN115311460A (zh) * 2022-08-16 2022-11-08 哈尔滨工业大学 一种缓动背景下融合时空域信息的红外小目标检测方法
CN115359085A (zh) * 2022-08-10 2022-11-18 哈尔滨工业大学 一种基于检出点时空密度判别的密集杂波抑制方法
CN116645580A (zh) * 2023-06-05 2023-08-25 北京邮电大学 一种基于时空特征差异的红外弱小目标检测方法及装置
CN117095029A (zh) * 2023-08-22 2023-11-21 中国科学院空天信息创新研究院 空中飞行小目标检测方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700113A (zh) * 2012-09-27 2014-04-02 中国航天科工集团第二研究院二O七所 一种下视复杂背景弱小运动目标检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700113A (zh) * 2012-09-27 2014-04-02 中国航天科工集团第二研究院二O七所 一种下视复杂背景弱小运动目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALEXIS P. TZANNES: "Detecting Small Moving Objects Using Temporal Hypothesis Testing", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 *
Detecting Small Moving Objects Using Temporal Hypothesis Testing;ALEXIS P. TZANNES;《IEEE Transactions on Aerospace and Electronic Systems》;20020807;第38卷(第2期);570-586 *
时空域结合的红外弱小运动目标检测新方法;柯泽贤;《仪器仪表学报》;20130630;第34卷(第6期);1401-1405 *
柯泽贤: "时空域结合的红外弱小运动目标检测新方法", 《仪器仪表学报》 *

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616299B (zh) * 2015-01-30 2019-02-19 南京邮电大学 一种基于空时偏微分方程的弱小目标检测方法
CN104616299A (zh) * 2015-01-30 2015-05-13 南京邮电大学 一种基于空时偏微分方程的弱小目标检测方法
CN105809147A (zh) * 2016-03-29 2016-07-27 北京环境特性研究所 基于Markov自回归模型的地球大气红外背景抑制方法
CN106469313B (zh) * 2016-09-30 2019-06-11 中国科学院光电技术研究所 一种管径自适应时空域滤波的弱小目标检测方法
CN106469313A (zh) * 2016-09-30 2017-03-01 中国科学院光电技术研究所 一种管径自适应时空域滤波的弱小目标检测方法
CN107256560A (zh) * 2017-05-16 2017-10-17 北京环境特性研究所 一种红外弱小目标检测方法及其系统
CN107256560B (zh) * 2017-05-16 2020-02-14 北京环境特性研究所 一种红外弱小目标检测方法及其系统
CN107392885A (zh) * 2017-06-08 2017-11-24 江苏科技大学 一种基于视觉对比机制的红外弱小目标检测方法
CN108010065A (zh) * 2017-11-07 2018-05-08 西安天和防务技术股份有限公司 低空目标快速检测方法及装置、存储介质及电子终端
CN107742282A (zh) * 2017-11-13 2018-02-27 中国人民解放军国防科技大学 基于主方向抑制高通滤波器的叠加图像预处理方法
CN108830798A (zh) * 2018-04-23 2018-11-16 西安电子科技大学 一种基于传播滤波器改进的图像去噪方法
CN109272489A (zh) * 2018-08-21 2019-01-25 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN109410137B (zh) * 2018-10-11 2021-10-01 中国科学院上海技术物理研究所 一种暗弱目标的探测方法
CN109410137A (zh) * 2018-10-11 2019-03-01 中国科学院上海技术物理研究所 一种暗弱目标的探测方法
CN111353496B (zh) * 2018-12-20 2023-07-28 中国科学院沈阳自动化研究所 一种红外弱小目标实时检测方法
CN111353496A (zh) * 2018-12-20 2020-06-30 中国科学院沈阳自动化研究所 一种红外弱小目标实时检测方法
CN111368585A (zh) * 2018-12-25 2020-07-03 中国科学院长春光学精密机械与物理研究所 一种弱小目标检测方法、检测系统、存储装置及终端设备
CN109978851B (zh) * 2019-03-22 2021-01-15 北京航空航天大学 一种红外视频空中弱小运动目标检测跟踪方法
CN109978851A (zh) * 2019-03-22 2019-07-05 北京航空航天大学 一种红外视频空中弱小运动目标检测跟踪方法
CN110751068B (zh) * 2019-10-08 2022-08-23 浙江大学 基于自适应时空融合的远距离弱小目标视觉检测方法
CN110751068A (zh) * 2019-10-08 2020-02-04 浙江大学 基于自适应时空融合的远距离弱小目标视觉检测方法
CN110728668A (zh) * 2019-10-09 2020-01-24 中国科学院光电技术研究所 一种小目标形态保持的空域高通滤波器
CN110728668B (zh) * 2019-10-09 2022-06-28 中国科学院光电技术研究所 一种小目标形态保持的空域高通滤波器
CN111027496A (zh) * 2019-12-16 2020-04-17 电子科技大学 基于空时联合局部对比度的红外弱小目标检测方法
CN111666944A (zh) * 2020-04-27 2020-09-15 中国空气动力研究与发展中心计算空气动力研究所 一种红外弱小目标检测方法及装置
CN111814579A (zh) * 2020-06-15 2020-10-23 西安方元明科技股份有限公司 一种基于帧间差分法和形态学的连续视频小目标检测方法
CN112802020A (zh) * 2021-04-06 2021-05-14 中国空气动力研究与发展中心计算空气动力研究所 基于图像修补和背景估计的红外弱小目标检测方法
CN112802020B (zh) * 2021-04-06 2021-06-25 中国空气动力研究与发展中心计算空气动力研究所 基于图像修补和背景估计的红外弱小目标检测方法
CN113555117A (zh) * 2021-07-19 2021-10-26 江苏金海星导航科技有限公司 一种基于穿戴设备的驾驶员健康管理系统
CN113555117B (zh) * 2021-07-19 2022-04-01 江苏金海星导航科技有限公司 一种基于穿戴设备的驾驶员健康管理系统
CN115359085A (zh) * 2022-08-10 2022-11-18 哈尔滨工业大学 一种基于检出点时空密度判别的密集杂波抑制方法
CN115311460A (zh) * 2022-08-16 2022-11-08 哈尔滨工业大学 一种缓动背景下融合时空域信息的红外小目标检测方法
CN115222775A (zh) * 2022-09-15 2022-10-21 中国科学院长春光学精密机械与物理研究所 弱小目标检测跟踪装置及其检测跟踪方法
CN116645580A (zh) * 2023-06-05 2023-08-25 北京邮电大学 一种基于时空特征差异的红外弱小目标检测方法及装置
CN116645580B (zh) * 2023-06-05 2023-11-14 北京邮电大学 一种基于时空特征差异的弱小目标检测方法及装置
CN117095029A (zh) * 2023-08-22 2023-11-21 中国科学院空天信息创新研究院 空中飞行小目标检测方法及装置

Also Published As

Publication number Publication date
CN104299229B (zh) 2017-04-19

Similar Documents

Publication Publication Date Title
CN104299229A (zh) 一种基于时空域背景抑制的红外弱小目标检测方法
CN106780485B (zh) 基于超像素分割和特征学习的sar图像变化检测方法
CN109741318B (zh) 基于有效感受野的单阶段多尺度特定目标的实时检测方法
CN110543837A (zh) 一种基于潜在目标点的可见光机场飞机检测方法
CN108038846A (zh) 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN108830225B (zh) 太赫兹图像中目标物体的检测方法、装置、设备及介质
CN103886325B (zh) 一种分块的循环矩阵视频跟踪方法
CN107657225B (zh) 一种基于聚合通道特征的行人检测方法
CN108320306B (zh) 融合tld和kcf的视频目标跟踪方法
CN103473755B (zh) 基于变化检测的sar图像稀疏去噪方法
CN103729854A (zh) 一种基于张量模型的红外弱小目标检测方法
CN104992429A (zh) 一种基于图像局部增强的山体裂缝检测方法
CN103824302A (zh) 基于方向波域图像融合的sar图像变化检测方法
CN105279772A (zh) 一种红外序列图像的可跟踪性判别方法
CN104268877A (zh) 一种红外图像海天线自适应检测方法
CN104834915A (zh) 一种复杂云天背景下小红外目标检测方法
CN108010065A (zh) 低空目标快速检测方法及装置、存储介质及电子终端
CN107886526A (zh) 基于时域滤波的序列图像弱小目标检测方法
CN105005983A (zh) 一种sar图像背景杂波建模及目标检测方法
CN108614998B (zh) 一种单像素红外目标检测方法
CN106887012A (zh) 一种基于循环矩阵的快速自适应多尺度目标跟踪方法
CN110706208A (zh) 一种基于张量均方最小误差的红外弱小目标检测方法
CN105654511A (zh) 一种弱小运动目标快速检测与跟踪方法
CN105354863A (zh) 基于特征滤波和快速运动检测模板预测的自适应尺度图像序列目标跟踪方法
CN107610156A (zh) 基于引导滤波和核相关滤波的红外弱小目标跟踪方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20191230

Address after: 201306 No. 453, block a0201, Shanghai Lingang marine hi tech industrialization base, Pudong New Area, Shanghai

Patentee after: Science and Technology Ltd. of upper Hiroad army

Address before: Xi'an City, Shaanxi province Taibai Road 710071 No. 2

Patentee before: Xi'an University of Electronic Science and Technology

TR01 Transfer of patent right