CN105374026A - 一种适用于海防监控的海上红外小目标的检测方法 - Google Patents
一种适用于海防监控的海上红外小目标的检测方法 Download PDFInfo
- Publication number
- CN105374026A CN105374026A CN201510649705.0A CN201510649705A CN105374026A CN 105374026 A CN105374026 A CN 105374026A CN 201510649705 A CN201510649705 A CN 201510649705A CN 105374026 A CN105374026 A CN 105374026A
- Authority
- CN
- China
- Prior art keywords
- target
- noise
- frame
- detection method
- infrared
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 230000007123 defense Effects 0.000 title abstract 4
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000003068 static effect Effects 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000013459 approach Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 238000011084 recovery Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30212—Military
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种适用于海防监控的海上红外小目标的检测方法,对海防监控视频中相邻两帧红外图像进行相邻帧的帧间差分,得到去除了静态噪声的潜在目标区域;再通过低秩和稀疏矩阵恢复法来重构目标和背景区域,并通过加速近端梯度算法克服监控场景中的随机噪声及监控场景中的一部分符合独立同分布规律的动态杂波噪声,以近似恢复出稀疏目标矩阵;之后通过局部自适应门限阈值分割方法,对不同灰度能量值特性区域进行判定,以能量最大和能量差异特性的综合作为判定条件,将监控场景中剩余动态杂波噪声排除,将重构的目标区域清晰提取出来。本发明能在低信噪比背景的视频中成功检测出运动红外小目标,检测率高、计算量小,适用于海防监控等严酷的场景。
Description
技术领域
本发明属于目标检测跟踪技术,具体涉及在复杂背景中海防红外小目标的高效检测方法。
背景技术
红外小目标检测技术在红外跟踪系统等众多领域都发挥着重要作用,因此在过去的几十年中人们采用了许多办法去改进检测的精确度和稳定性。然而,在海防监控等类似的信噪比极低的场景中,由于复杂的背景、海洋杂波和类小目标等的干扰,检测的精确性、稳定性问题仍没有很好解决,其性能堪忧。
近来,低秩矩阵恢复(Low-rankMatrixRecovery:LRMR)理论被提出来并应用于目标的检测和跟踪,与传统的方法相比,采用低秩矩阵恢复方法进行的目标检测在某些情况下表现更为优异。这些基于低秩矩阵恢复理论的方法主要分为两类。一类在单帧中检测目标,但当信噪比比较低时,其性能会急剧下降。另外一类利用视频中所有帧的信息,这能较好地克服在低信噪比场景中的检测困难问题,但是其计算量和时间非常大,并且应用此方法必须满足目标在视频中均一分布的前提条件。
低秩矩阵恢复理论由压缩感知和稀疏表示理论衍生而来,它认为任何一幅理想的图像都满足低秩的特性,但其低秩性又通常会受噪声等的干扰而不再存在。因此,我们可将图像看成是一个低秩矩阵和一个噪声(稀疏)矩阵的结合。近年来的研究表明,在非常宽泛的条件下,采用稳定主成分分析(RobustPrincipalComponentAnalysis:RPCA)求取曲线最优解的方式是可以从图像中精确恢复出低秩矩阵和稀疏矩阵的。
通常,海防监控场景由三部分组成:背景、小目标和各类噪声。已有文献证明,海防背景特别是大面积的海洋背景局部块图之间是近似相关的,即使相隔一定像素距离的子块,仍然具备这一特点。因此,可以把海防背景认为是一种低秩矩阵。而目标相对整幅图像来说通常非常小,所以可以认为是一种稀疏矩阵。由以上所述可推断,小目标检测问题实质上是一个典型的从图像数组中恢复低秩成分(背景)和稀疏成分(目标)的问题,这个假设在当噪声满足独立同分布,且其Frobenius范数小于某个大于零的值这两个条件时已被证实有效。但是实际情况中,并不是所有的噪声都能满足这两个条件,尤其在海防监控这类背景复杂且杂波种类较多的场景中。
发明内容
鉴于现有技术所存在的上述问题,本发明的目的在于提供一种能在低信噪比背景的视频中成功检测出运动红外小目标的方法,既具有较高的检测率又能避免巨大的计算量。本发明能最终应用于海防监控等严酷的场景。
为了达到上述目的,本发明的技术方案是提供一种适用于海防监控的海上红外小目标的检测方法,其包含:
对海防监控视频中相邻两帧红外图像进行相邻帧的帧间差分,得到去除了监控场景中静态噪声的潜在目标区域;
对于帧间差分的结果,通过低秩和稀疏矩阵恢复法来重构目标和背景区域,并通过加速近端梯度算法克服监控场景中的随机噪声及监控场景中的一部分符合独立同分布规律的动态杂波噪声,以近似恢复出稀疏目标矩阵;
对于稀疏目标矩阵,通过局部自适应门限阈值分割方法,对不同灰度能量值特性区域进行判定,以能量最大和能量差异特性的综合作为判定条件,将监控场景中剩余的动态杂波噪声排除,从而将重构的目标区域清晰提取出来,实现目标检测定位。
优选地,待检测定位的是小目标,其通常距离较远,没有形状、纹理信息,大小在2*2~10*10像素之间,亮度不一;所述的红外小目标视频是由波长为8~14微米的红外热传感器采集所得。
优选地,所述静态噪声,包含点状类目标、海岸线、海岸建筑物中的任意一个或其任意组合;
所述随机噪声,包含传感器噪声;
所述动态杂波噪声,包含海天杂波。
优选地,相邻帧的帧间差分的公式为:
T=|I(t)-I(t-1)|
其中,I(t)为红外图像的第t帧视频,I(t-1)为第t帧前一时刻的帧,|*|为取模操作;T为包含待检测目标的潜在目标区域。
优选地,在加速近端梯度算法中,根据已知m*n维的海防监控视频中的任意一帧D,以曲线最优的迭代逼近方式,求取该帧中具有低秩特性的背景区域A,及该帧中具有稀疏特性的潜在目标区域E时,折中因子λ=0.1;用以加快迭代速度的一些参数μ0=||D||2、δ=10-5、η=0.99。
优选地,局部自适应门限阈值分割方法的公式为:
其中,E(x,y)是潜在目标区域,(x,y)代表潜在目标的像素坐标;Mmax是图像最大灰度能量值;Mmin为大于零的图像最小灰度能量值;α为门限系数,是表示小目标与背景的分割阈值系数;β是用于判定小目标是否存在的门限阈值;当图像最大灰度能量值和图像最小灰度能量值差异小于β时,判断图像中并不存在小目标。
优选地,所述门限系数α=0.6;门限阈值β=40。
本发明提供一种可以用于海防监控的海上红外小目标的高效检测方法。该方法深入分析海防监控场景,将场景中的主要噪声源——海洋杂波噪声、传感器噪声、点状类目标噪声、海岸线及岸上建筑物或其他目标噪声归为三大类。点状类目标、海岸线、海岸上的建筑物等归类为静态噪声,传感器噪声等符合独立同分布和Frobenius范数小于某个大于零的值的规律性噪声归类为随机噪声,而海天杂波等被归类为动态且缺乏规律的噪声。据此提出结合相邻帧差分、低秩和稀疏矩阵恢复理论、局部自适应门限阈值分割方法的优势,分类排除噪声,最终有效检测到感兴趣的红外小目标。
与现有技术中一些使用K-SVD训练红外小目标超完备字典的检测方法不同,本发明中没有字典,而是基于曲线优化逼近的APG算法进行目标区域的重构。与一些单纯采用自适应低秩和稀疏矩阵分解的检测方法不同,本发明将低秩矩阵恢复算法与相邻帧差分、自适应门限结合的方法应用于红外小目标检测。与一些检测方法针对显著图做低秩处理不同,本发明是在原红外图的基础上进行处理,并且更为关注稀疏而非低秩部分矩阵的恢复。
因此,本发明的优点及有益效果在于:
1.充分利用了多帧信息,克服了强杂波背景的干扰。
2.将噪声进行了分类,结合不同的手段对噪声分类处理。
3.以相邻帧差分手段作为预处理手段,不仅排除了静态噪声的影响,而且与基于视频多帧的低秩矩阵恢复算法相比,大大减少了检测的计算量和时间。
4.结合局部自适应门限和相邻帧差分两者的优势进一步改进了低秩和稀疏恢复的小目标检测结果,大大提高了红外图像的信噪比增益和背景抑制因子。
综上所述,本发明所阐述的基于帧差分的低秩和稀疏分解的目标检测方法,可以成功应用于海防监控等背景复杂且杂波种类较多的场景中。
附图说明
图1为本发明应用的典型海防监控场景;
图2为本发明方法的流程图;
图3a、图3b为典型海防监控视频中的随机相邻两帧;
图4a、图4b为图3a、图3b所示相邻两帧对应的灰度分布图;
图5为相邻帧差分结果图;
图6a、图6b为经低秩和稀疏矩阵恢复重构的目标和背景图;
图7a、图7b为最终检测到的目标反色图及其灰度分布图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合说明书附图,进一步阐述本发明,但本发明的实施方式不限于此。
如图1所示,是本发明针对的典型应用场景——海防监控中的红外图像。它通常包括海岸线11,岸上建筑物12,随机噪声13,点状类目标14,海浪杂波15。由于这些噪声特性的不同,直接采用稀疏矩阵恢复重构小目标的效果并不理想。对此,本发明提出结合相邻帧差分、低秩和稀疏矩阵恢复理论、局部自适应门限阈值分割方法的优势,分类排除噪声,最终有效检测到感兴趣的红外小目标。
所述的红外小目标视频是由波长为8~14微米的红外热传感器采集所得,小目标通常距离较远,没有形状、纹理信息,大小在2*2~10*10像素之间,亮度不一。
将海防监控场景中的噪声分成三大类,具体包括静态干扰(静态噪声)、随机噪声、动态和非规则海洋杂波。其中静态干扰为点状类目标14、海岸线11、海岸上的建筑物12等,这些目标通常复杂且无规则,但是在某一时间段内相对静止。随机噪声通常为传感器噪声等符合规律的噪声;海天杂波等认为是动态且缺乏规律的噪声。
本发明的方法首先采用相邻帧差分迅速且有效地排除静态噪声得到初始潜在运动目标区域。然后基于低秩和稀疏矩阵恢复理论,利用APG算法(加速近端梯度AcceleratedProximalGradient)克服随机噪声影响,以近似恢复出稀疏目标矩阵。最后通过局部自适应门限,对不同灰度能量值特性区域进行判定,用能量最大和能量差异特性的综合作为判定条件,将剩余的动态杂波噪声排除,精确提取出感兴趣目标。
具体实施过程如图2所示,包括以下步骤:
S1、采用相邻帧差分迅速且有效地排除静态类噪声,得到初始潜在运动目标区域T。帧差分采用的公式为:
T=|I(t)-I(t-1)|(1)
这里I(t)为海防监控红外图像的第t帧视频,I(t-1)为第t帧前一时刻的帧,|*|为取模操作。T就是包含目标的潜在区域。
S2、对于帧差分的结果,基于低秩和稀疏矩阵恢复理论,利用APG算法克服几类随机噪声影响,以近似恢复出稀疏目标矩阵。
APG算法在RPCA众算法中具有较高的检测率和速度。APG算法,如表1中所示,本发明采用的λ=0.1,μ0=||D||2,δ=10-5,η=0.99。
表1加速近端梯度(APG)算法
其中,D是m*n维的海防监控视频中的任意一帧;
A是该帧中具有低秩特性的背景区域;
E是该帧中具有稀疏特性的潜在目标区域。
已知D,求A和E问题,在符合前述条件下是一个双目标(A和E)优化问题,λ是折中因子,可以将双目标优化问题转换为单目标优化问题(曲线最优),λ可取大于零的值,其值选取影响最终的最优解,经过实验分析,本发明中的λ取0.1时对潜在小目标区域的判断较为准确。针对不同的低秩矩阵恢复需要,λ值在不同的应用中其值选取会有所不同。
步骤2-10其实质是在做不断地迭代逼近(曲线最优),采用的系数t,μ,η,δ都是加快迭代速度的参数,这些参数的改变对逼近速度或者说函数的收敛速度都有一定的影响。本发明采用的参数经实验证明能在较少的迭代周期达到函数的收敛,得到重构的目标区域。
S3、对于近似恢复出的稀疏目标矩阵,通过局部自适应门限对不同灰度能量值特性区域进行判定,用能量最大和能量差异特性的综合作为判定条件,将剩余的动态杂波噪声排除,精确提取出感兴趣目标。
所采用的分割算法公式为:
其中,E(x,y)是潜在目标区域,(x,y)代表潜在目标的像素坐标。Mmax是图像最大灰度能量值。Mmin为图像最小灰度,其能量值(大于零)。α是门限系数,本发明中设置为0.6。β是用于判定小目标是否存在的门限阈值,本发明中设置为40。当图像最大灰度能量值和图像最小灰度能量值差异小于β时,我们认为图像中并不存在小目标。
α为小目标与背景的分割阈值系数,α越小,背景被认为是目标的可能性越大,反之,目标有可能会被认为是背景。0.6是针对海防监控场景,在实验中确定的一个较好的分割点,最大限度的保留目标,排除背景。β是用于判定小目标是否存在的门限阈值,β越小,对灰度变化越明敏感,背景被认为是目标的可能性越大。β越大,弱目标被认为是背景的可能性越大。两个参数一起控制小目标的正确检出率。
为了证明本发明方法的有效性,截取了一段真实且具有代表性的海防监控视频作为试验对象。图3a、图3b的两幅图即为在视频中随机采集的两幅相邻帧,图4a、图4b为这两帧对应的灰度分布图。从图4a、图4b中我们可以看出,两帧的信噪比都极低,信号完全淹没在背景和噪声中。采用前述步骤S1得到的相邻帧差分结果如图5所示,我们可以发现,点状类目标噪声,海岸线和岸上建筑物等静态噪声都已经成功被去除了。继续采用前述步骤S2重构目标和背景,得到的图像参见图6a、图6b所示,从图中可以看出,随机噪声和符合独立同分布规律的部分海浪杂波噪声也被进一步去除了。最后采用前述步骤S3,最终将剩余的动态不规则噪声排除,提取出了感兴趣的运动小目标。为便于视觉观察,小目标图进行了黑白反色,其反色图和灰度分布图示于图7a、图7b;可以看到,目标与背景被充分区分了开来,达到了目标检测定位的目的。
表2中将本发明方法取得的检测性能与传统方法做了对比。对比指标为信噪比增益SCRG,和背景压制因子BSF,两者分别定义如下:
其中S为目标最大幅度值,C为噪声标准差,in代表输入信号,out代表输出信号。IPI(Infraredpatch-imagemodel)为红外块图模型方法。比较中使用的五帧图像为上述海防监控视频中随机选取的帧。从表中结果可以看出本发明具有较好的检测性能。并且由于本发明的主要计算是基于帧差分的结果,其计算量比起基于整个视频的低秩矩阵恢复算法来说,自然是小的多的,这是显而易见的。
表2:几种海上红外小目标检测方法的对比
综上所述,本发明公开了一种海上红外小目标的高效检测方法,可以用于海洋杂波严重、信噪比极低的海防监控场景。该方法首先进行相邻帧的帧间差分,初步定位我们感兴趣的潜在目标区域。然后进一步采用低秩和稀疏矩阵分解法重构目标和背景区域,进一步排除各类杂波和非目标干扰。最后利用一个自适应阈值将重构的目标区域清晰提取出来。实验结果显示,该方法可以有效增强信噪比增益和背景抑制因子,在高杂波的复杂海防场景中精确提取出目标。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种适用于海防监控的海上红外小目标的检测方法,其特征在于,包含:
对海防监控视频中相邻两帧红外图像进行相邻帧的帧间差分,得到去除了监控场景中静态噪声的潜在目标区域;
对于帧间差分的结果,通过低秩和稀疏矩阵恢复法来重构目标和背景区域,并通过加速近端梯度算法克服监控场景中的随机噪声及监控场景中的一部分符合独立同分布规律的动态杂波噪声,以近似恢复出稀疏目标矩阵;
对于稀疏目标矩阵,通过局部自适应门限阈值分割方法,对不同灰度能量值特性区域进行判定,以能量最大和能量差异特性的综合作为判定条件,将监控场景中剩余的动态杂波噪声排除,从而将重构的目标区域清晰提取出来,实现目标检测定位。
2.如权利要求1所述的检测方法,其特征在于,
待检测定位的目标是小目标,其没有形状、纹理信息,大小在2*2~10*10像素之间,亮度不一;所述红外小目标的视频是由波长为8~14微米的红外热传感器采集所得。
3.如权利要求1所述的检测方法,其特征在于,
所述静态噪声,包含点状类目标、海岸线、海岸建筑物中的任意一个或其任意组合;
所述随机噪声,包含传感器噪声;
所述动态杂波噪声,包含海天杂波。
4.如权利要求1所述的检测方法,其特征在于,
相邻帧的帧间差分的公式为
T=|I(t)-I(t-1)|
其中,I(t)为红外图像的第t帧视频,I(t-1)为第t帧前一时刻的帧,|*|为取模操作;T为包含待检测目标的潜在目标区域。
5.如权利要求1所述的检测方法,其特征在于,
在加速近端梯度算法中,根据已知m*n维的海防监控视频中的任意一帧D,以曲线最优的迭代逼近方式,求取该帧中具有低秩特性的背景区域A,及该帧中具有稀疏特性的潜在目标区域E时,折中因子λ=0.1;用以加快迭代速度的一些参数μ0=||D||2、δ=10-5、η=0.99。
6.如权利要求1所述的检测方法,其特征在于,
局部自适应门限阈值分割方法的公式为:
其中,E(x,y)是潜在目标区域,(x,y)代表潜在目标的像素坐标;Mmax是图像最大灰度能量值;Mmin为大于零的图像最小灰度能量值;α为门限系数,是表示小目标与背景的分割阈值系数;β是用于判定小目标是否存在的门限阈值;当图像最大灰度能量值和图像最小灰度能量值差异小于β时,判断图像中并不存在小目标。
7.如权利要求6所述的检测方法,其特征在于,
所述门限系数α=0.6;门限阈值β=40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510649705.0A CN105374026B (zh) | 2015-10-09 | 2015-10-09 | 一种适用于海防监控的海上红外小目标的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510649705.0A CN105374026B (zh) | 2015-10-09 | 2015-10-09 | 一种适用于海防监控的海上红外小目标的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105374026A true CN105374026A (zh) | 2016-03-02 |
CN105374026B CN105374026B (zh) | 2017-12-22 |
Family
ID=55376198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510649705.0A Expired - Fee Related CN105374026B (zh) | 2015-10-09 | 2015-10-09 | 一种适用于海防监控的海上红外小目标的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105374026B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931235A (zh) * | 2016-04-18 | 2016-09-07 | 电子科技大学 | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 |
CN106447668A (zh) * | 2016-08-25 | 2017-02-22 | 南京理工大学 | 红外场景下基于随机取样和稀疏矩阵恢复的小目标检测方法 |
CN106840407A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 基于遥感卫星成像的目标红外辐射特性测量方法及系统 |
CN107274412A (zh) * | 2017-05-18 | 2017-10-20 | 北京环境特性研究所 | 基于红外图像的小目标检测的方法 |
CN107742306A (zh) * | 2017-09-20 | 2018-02-27 | 徐州工程学院 | 一种智能视觉中运动目标跟踪算法 |
CN108537757A (zh) * | 2018-04-18 | 2018-09-14 | 泰山医学院 | 一种固点噪声定位、精子显微环境洁净度评价方法 |
CN108734103A (zh) * | 2018-04-20 | 2018-11-02 | 复旦大学 | 卫星视频中运动目标的检测与跟踪方法 |
CN109584303A (zh) * | 2018-12-03 | 2019-04-05 | 电子科技大学 | 一种基于Lp范数和核范数的红外弱小目标检测方法 |
CN110288616A (zh) * | 2019-07-01 | 2019-09-27 | 电子科技大学 | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 |
CN117784028A (zh) * | 2024-02-27 | 2024-03-29 | 南京天朗防务科技有限公司 | 随机杂波识别方法、系统、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087744A (zh) * | 2010-02-25 | 2011-06-08 | 上海海事大学 | 海洋动态背景下视频小目标快速检测的结构张量方法 |
CN103871058A (zh) * | 2014-03-12 | 2014-06-18 | 北京航空航天大学 | 基于压缩采样矩阵分解的红外小目标检测方法 |
CN104867162A (zh) * | 2015-05-26 | 2015-08-26 | 南京信息工程大学 | 基于多成分鲁棒pca的运动目标检测方法 |
-
2015
- 2015-10-09 CN CN201510649705.0A patent/CN105374026B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087744A (zh) * | 2010-02-25 | 2011-06-08 | 上海海事大学 | 海洋动态背景下视频小目标快速检测的结构张量方法 |
CN103871058A (zh) * | 2014-03-12 | 2014-06-18 | 北京航空航天大学 | 基于压缩采样矩阵分解的红外小目标检测方法 |
CN104867162A (zh) * | 2015-05-26 | 2015-08-26 | 南京信息工程大学 | 基于多成分鲁棒pca的运动目标检测方法 |
Non-Patent Citations (2)
Title |
---|
刘亮亮: "基于稀疏和低秩矩阵恢复的目标检测算法研究", 《中国优秀硕士学位论文全文数据库》 * |
包金宇等: "基于背景图像集与稀疏分析的运动目标检测", 《计算机应用》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931235A (zh) * | 2016-04-18 | 2016-09-07 | 电子科技大学 | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 |
CN105931235B (zh) * | 2016-04-18 | 2018-08-03 | 电子科技大学 | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 |
CN106447668B (zh) * | 2016-08-25 | 2019-06-25 | 南京理工大学 | 红外场景下基于随机取样和稀疏矩阵恢复的小目标检测方法 |
CN106447668A (zh) * | 2016-08-25 | 2017-02-22 | 南京理工大学 | 红外场景下基于随机取样和稀疏矩阵恢复的小目标检测方法 |
CN106840407A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 基于遥感卫星成像的目标红外辐射特性测量方法及系统 |
CN106840407B (zh) * | 2016-12-31 | 2018-01-26 | 华中科技大学 | 基于遥感卫星成像的目标红外辐射特性测量方法及系统 |
CN107274412A (zh) * | 2017-05-18 | 2017-10-20 | 北京环境特性研究所 | 基于红外图像的小目标检测的方法 |
CN107742306B (zh) * | 2017-09-20 | 2021-03-23 | 徐州工程学院 | 一种智能视觉中运动目标跟踪算法 |
CN107742306A (zh) * | 2017-09-20 | 2018-02-27 | 徐州工程学院 | 一种智能视觉中运动目标跟踪算法 |
CN108537757A (zh) * | 2018-04-18 | 2018-09-14 | 泰山医学院 | 一种固点噪声定位、精子显微环境洁净度评价方法 |
CN108734103A (zh) * | 2018-04-20 | 2018-11-02 | 复旦大学 | 卫星视频中运动目标的检测与跟踪方法 |
CN108734103B (zh) * | 2018-04-20 | 2021-08-20 | 复旦大学 | 卫星视频中运动目标的检测与跟踪方法 |
CN109584303A (zh) * | 2018-12-03 | 2019-04-05 | 电子科技大学 | 一种基于Lp范数和核范数的红外弱小目标检测方法 |
CN109584303B (zh) * | 2018-12-03 | 2023-04-14 | 电子科技大学 | 一种基于Lp范数和核范数的红外弱小目标检测方法 |
CN110288616A (zh) * | 2019-07-01 | 2019-09-27 | 电子科技大学 | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 |
CN110288616B (zh) * | 2019-07-01 | 2022-12-09 | 电子科技大学 | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 |
CN117784028A (zh) * | 2024-02-27 | 2024-03-29 | 南京天朗防务科技有限公司 | 随机杂波识别方法、系统、计算机设备和存储介质 |
CN117784028B (zh) * | 2024-02-27 | 2024-05-28 | 南京天朗防务科技有限公司 | 随机杂波识别方法、系统、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105374026B (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105374026A (zh) | 一种适用于海防监控的海上红外小目标的检测方法 | |
CN104299229B (zh) | 一种基于时空域背景抑制的红外弱小目标检测方法 | |
CN105528619A (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
Si et al. | Random noise attenuation based on residual learning of deep convolutional neural network | |
CN103729854A (zh) | 一种基于张量模型的红外弱小目标检测方法 | |
CN112842348B (zh) | 一种基于特征提取与深度学习的心电信号自动分类方法 | |
CN105590301A (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN104778670A (zh) | 一种基于多元统计模型的分形小波自适应图像去噪方法 | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
CN105930793A (zh) | 一种基于sae特征可视化学习的人体检测方法 | |
Liu et al. | [Retracted] Self‐Correction Ship Tracking and Counting with Variable Time Window Based on YOLOv3 | |
Xiong et al. | Oil spills identification in SAR image based on convolutional neural network | |
Zhang et al. | The range of harmful frequency for DNN corruption robustness | |
CN114460648A (zh) | 基于3d卷积神经网络自监督3d地震数据随机噪声压制方法 | |
Wang et al. | MSSPN: Automatic First Arrival Picking using Multi-Stage Segmentation-Picking Network | |
Lyu | Oil spill detection based on features and extreme learning machine method in SAR images | |
Guo et al. | Small aerial target detection using trajectory hypothesis and verification | |
Liu et al. | A Multi-scale Feature Pyramid SAR Ship Detection Network with Robust Background Interference | |
Duan et al. | A deep learning denoising framework based on FFDNet for SAR image change detection | |
CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
Xinlong et al. | Research on infrared small target tracking method | |
Xmpmg et al. | Recognition of the type of welding joint based on line structured-light vision | |
Chen et al. | Learning Transformations between Heterogeneous SAR and Optical Images for Change Detection | |
Chen et al. | Summary about detection and tracking of infrared small targets |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171222 Termination date: 20201009 |