CN107256560A - 一种红外弱小目标检测方法及其系统 - Google Patents
一种红外弱小目标检测方法及其系统 Download PDFInfo
- Publication number
- CN107256560A CN107256560A CN201710345543.0A CN201710345543A CN107256560A CN 107256560 A CN107256560 A CN 107256560A CN 201710345543 A CN201710345543 A CN 201710345543A CN 107256560 A CN107256560 A CN 107256560A
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- trajectory
- fan
- emittance
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Abstract
本发明提供一种红外弱小目标检测方法,其中,所述方法包括:背景抑制步骤:利用基于亮度对比度显著性的辐射能量特征及基于扇形高斯差分滤波器的各向同性特征对目标进行背景抑制;轨迹提取步骤:然后利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征;结果输出步骤:根据目标运动轨迹的连续性得出最终检测结果。本发明还提供一种红外弱小目标检测系统。本发明提供的技术方案针对天基卫星对地观测图像,对方向性特征、能量特征及运动特征进行了综合分析,有效的减弱了地表多种复杂虚警源的干扰,降低了检测虚警率,增强了算法鲁棒性,且计算简单高效,具有较高实时性,可方便地在硬件平台上实现。
Description
技术领域
本发明涉及目标检测领域,尤其涉及一种基于扇形高斯差分滤波器的红外弱小目标检测方法及其系统。
背景技术
当前,全球军备竞争日益激烈,出于国家安全以及战略发展的考虑,地球外层空间的开发和利用得到了越来越多的重视。卫星是监视、探测、发现的重要手段,天基红外探测的核心部分是红外探测器系统,而红外探测器的作用是探测获取有关导弹目标的红外图像。由于天基红外探测距离远,探测背景复杂,如何从获取的红外图像中检测并跟踪目标就成为重中之重了,探索和研究新的目标检测理论和算法,并将它们运用到对目标的实时监测、跟踪和识别上,这使得目标检测一直是红外探测领域的热点课题,研究红外弱小目标的检测方法对反导作战具有深远的意义。
在国外,对弱小目标检测的主要研究机构有美国的海军实验室、空军实验室、NASA以及加利福尼亚大学应用数学中心等。许多国际刊物也经常刊登一些弱小目标检测技术的研究成果。其中,研究的重点集中在红外预警系统、机载前下视系统对地面及低空目标的监测、红外制导等领域。
红外弱小目标检测算法可以分为2类:第一类是基于单帧图像的跟踪前检测算法(Detect before Track,简记为DBT);第二类是基于序列图像的检测前跟踪算法(Trackbefore Detect,简记为TBD)。
DBT算法的基本思想是:首先对序列图像中的每幅图像都进行预处理、分割,获得众多疑似目标,然后根据目标运动规律的先验知识和灰度分布形式对目标进行确认。此算法逻辑清晰,实现简单。但是,当目标的信噪比较低时,分割出的疑似目标中很可能不包含真实目标,导致算法失效。
TBD算法的基本思想是:首先根据目标运动规律的先验知识对序列图像进行搜索,然后根据判定准则获取疑似目标运动轨迹,最后根据新输入的序列图像进行真实目标运动轨迹确认。这类方法对目标信噪比的要求不高,在搜索目标轨迹时,一旦搜索到正确的目标轨迹,就有可能检测到目标。典型的TBD算法有管道滤波算法、多假设检验算法、动态规划方法、基于高阶统计量的方法、投影变换法、三维匹配滤波法、时域滤波方法及贝叶斯估计及粒子滤波方法。
对于天基红外探测卫星的成像系统,在其成像波段内存在大量辐射能量很高的虚警源,如河流、山脊、海岸线、高山湖泊、雪山、高空卷云、南北极冰盖等,这些虚警源不可避免地对成像系统产生干扰。此外,由于大气辐射等影响,目标的辐射特性可能发生变化,影响了对地探测中目标检测及识别的精度。
因此,针对天基红外探测在对地观测及遥感系统中存在的场景复杂多变、弱小目标面积小、信噪比及信杂比低以及潜在虚警源多等难题,需要研究可靠的虚警源抑制算法及红外弱小目标检测算法,以提高对地探测系统的精度和反应速度。
发明内容
有鉴于此,本发明的目的在于提供一种红外弱小目标检测方法及其系统,旨在提高对地探测系统的精度和反应速度。
本发明提出一种红外弱小目标检测方法,其中,所述方法包括:
背景抑制步骤:利用基于亮度对比度显著性的辐射能量特征及基于扇形高斯差分滤波器的各向同性特征对目标进行背景抑制;
轨迹提取步骤:然后利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征;
结果输出步骤:根据目标运动轨迹的连续性得出最终检测结果。
优选的,所述背景抑制步骤具体包括:
输入目标待处理的原始红外图像序列;
针对目标的原始红外图像,采用亮度对比度的显著性检测法提取辐射能量特征,以生成基于显著性的辐射能量特征图;
通过确定扇形滤波器的半径、顶角及相对x轴的夹角,构建扇形高斯差分滤波器;
用构建的扇形高斯差分滤波器对所述辐射能量特征图进行滤波。
优选的,所述轨迹提取步骤具体包括:
利用帧间差分法处理相邻帧的滤波结果,得到差分图像;
针对所述差分图像,利用恒虚警率阈值分割法进行阈值分割,得到二值图像;
将连续几帧生成的二值图像进行叠加,以提取出目标运动轨迹特征。
优选的,所述结果输出步骤具体包括:
根据目标运动轨迹的连续性判断目标的真实性,并输出最终检测结果。
另一方面,本发明还提供一种红外弱小目标检测系统,其中,所述系统包括:
背景抑制模块,用于利用基于亮度对比度显著性的辐射能量特征及基于扇形高斯差分滤波器的各向同性特征对目标进行背景抑制;
轨迹提取模块,用于然后利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征;
结果输出模块,用于根据目标运动轨迹的连续性得出最终检测结果。
优选的,所述背景抑制模块具体用于:
输入目标待处理的原始红外图像序列;
针对目标的原始红外图像,采用亮度对比度的显著性检测法提取辐射能量特征,以生成基于显著性的辐射能量特征图;
通过确定扇形滤波器的半径、顶角及相对x轴的夹角,构建扇形高斯差分滤波器;
用构建的扇形高斯差分滤波器对所述辐射能量特征图进行滤波。
优选的,所述轨迹提取模块具体用于:
利用帧间差分法处理相邻帧的滤波结果,得到差分图像;
针对所述差分图像,利用恒虚警率阈值分割法进行阈值分割,得到二值图像;
将连续几帧生成的二值图像进行叠加,以提取出目标运动轨迹特征。
优选的,所述结果输出模块具体用于:
根据目标运动轨迹的连续性判断目标的真实性,并输出最终检测结果。
本发明提供的技术方案针对天基卫星对地观测图像,利用基于LC显著性的辐射能量特征及基于FDoG的各向同性特征对目标进行背景抑制,利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征,根据对方向性特征、能量特征及运动特征进行综合性分析以得出最终检测结果,有效的减弱了地表多种复杂虚警源的干扰,降低了检测虚警率,增强了算法鲁棒性,且计算简单高效,具有较高实时性,可方便地在硬件平台上实现。
附图说明
图1为本发明一实施方式中红外弱小目标检测方法流程图;
图2为本发明一实施方式中通过确定扇形滤波器的半径、顶角及相对x轴的夹角构建FDoG滤波器示意图;
图3为本发明一实施方式中红外弱小目标检测方法的具体实施例流程图;
图4为本发明一实施方式中红外弱小目标检测系统10的结构示意图;
图5为本发明一实施方式中基于LC显著性的辐射能量特征图;
图6为本发明一实施方式中基于FDoG滤波器的滤波结果示意图;
图7为本发明一实施方式中基于帧间差分法和CFAR阈值分割方法提取的运动轨迹示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下将对本发明所提供的一种红外弱小目标检测方法进行详细说明。
请参阅图1,为本发明一实施方式中红外弱小目标检测方法流程图。
在本实施方式中,该红外弱小目标检测方法主要是基于扇形高斯差分(FanDifference of Gaussian Filter,FDoG)滤波器的红外弱小目标检测方法,应用于针对天基卫星对地观测图像。
在步骤S1中,背景抑制步骤:利用基于亮度对比度(Local Contrast,LC)显著性的辐射能量特征及基于FDoG滤波器的各向同性特征对目标进行背景抑制。
在本实施方式中,所述背景抑制步骤具体包括:
输入目标待处理的原始红外图像序列;
针对目标的原始红外图像,采用亮度对比度的显著性检测法提取辐射能量特征,以生成基于显著性的辐射能量特征图;
通过确定扇形滤波器的半径、顶角及相对x轴的夹角,构建扇形高斯差分滤波器;
用构建的扇形高斯差分滤波器对所述辐射能量特征图进行滤波。
在本实施方式中,在一副图像I中像素点Ik处的亮度对比度定义如下:
其中,Ii的取值范围是[0,255],||·||表示灰度空间的距离度量,这个公式(1)有一个扩展形式:
S(Ik)=||Ik-I1||+||Ik-I2||+…+||Ik-IN|| (2)
其中,公式(2)中N是图像中像素点的总数,通过给定的图像,可以得知像素点的灰度值,令Ik=am,则上述公式(2)可以写作:
其中,fn是灰度值an出现的频率,此公式(3)通过灰度直方图大大减少了运算量。
在本实施方式中,LC模型可以计算得到像素级显著性,将该LC模型应用于原始红外图像中,由于背景区域及虚警源区域与整个图像相比面积较小,且与周围区域的对比度较强,具有较强的视觉显著性,故经过LC模型处理后,在生成的特征图中目标区域及虚警源区域的辐射能量特性更加凸显,而平坦区域背景得以有效抑制。
在本实施方式中,通过确定扇形滤波器的半径、顶角及相对x轴的夹角,构建FDoG滤波器的示意图如图2所示,用该FDoG滤波器对辐射能量特征图进行滤波,在每个像素点上,以扇形滤波器的顶点为轴并以一定角度间隔旋转该扇形滤波器,计算每个旋转角度下的滤波响应,取其最小值作为最终的滤波器响应,其中,FDoG滤波器的具体定义如下:
FDoG(x,y)=min(f0(x,y),f△θ(x,y),f△2θ(x,y),…,f2π(x,y)); (5)
其中,x,y为像素点的坐标,θ表示扇形滤波器的顶角,为扇形滤波器相对x轴的夹角,ρ为扇形滤波器半径,σ1与σ2为FDoG滤波器中的两方差。
在本实施方式中,该FDoG滤波器对于各向同性的点状目标响应较大,对于平坦背景区域的响应几乎为零,对于各向异性的线型背景与虚警源响应较小,故可有效减弱对地观测场景中的平缓背景区域及河流、山脊、海岸线等线型虚警源对目标的干扰和影响,为目标检测创造有利条件。
在步骤S2中,轨迹提取步骤:然后利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征。
在本实施方式中,所述轨迹提取步骤具体包括:
利用帧间差分法处理相邻帧的滤波结果,得到差分图像;
针对所述差分图像,利用恒虚警率阈值分割法进行阈值分割,得到二值图像;
将连续几帧生成的二值图像进行叠加,以提取出目标运动轨迹特征。
在本实施方式中,利用帧间差分法处理相邻帧的滤波结果,得到差分图像,其中,具体公式如下:
D(x,y)=|FDoGn+1(x,y)-FDoGn(x,y)| (6)
其中,D(x,y)表示差分图像,FDoGn(x,y)表示第n帧图像的滤波结果,绝对值运算使两帧图像的差异被显示出来。
在本实施方式中,帧间差分法可以利用帧间信息,找出两相邻帧图像的差异,由于处理的图像序列背景无明显运动,而目标运动明显,故帧间差分可以进一步去除前面步骤残余的背景和虚警源,而运动目标在差分图像中得以保留。
在本实施方式中,针对差分图像,利用恒虚警率(Constant False Alarm Rate,CFAR)方法进行阈值分割,得到二值图像,则该二值图像中包含当前帧及上一帧中的目标。
在本实施方式中,CFAR检测算子遵循Neyman–Pearson准则,它根据一个像素点的灰度值与阈值的对比度来判定该像素点是否属于目标区域,且该阈值随着像素点周围的杂波能量变化以保证在整个图像中虚警率恒定。假设残余的背景杂波符合高斯分布,那么一个像素是否属于目标由下式决定:
其中,f'(x,y)为待检验像素点处的灰度值,和对局部背景杂波估计出的均值和方差。
此外,阈值ηCFAR将由高斯分布中的参数和虚警率Pfa共同决定,假设均值为0,方差为1,则阈值ηCFAR计算公式如下:
在本实施方式中,将连续几帧生成的二值图像叠加,则可得知目标在每一帧中的位置,即提取出运动轨迹。
在步骤S3中,结果输出步骤:根据目标运动轨迹的连续性得出最终检测结果。
在本实施方式中,所述结果输出步骤具体包括:
根据目标运动轨迹的连续性判断目标的真实性,并输出最终检测结果。
请参阅图3,为本发明一实施方式中红外弱小目标检测方法的具体实施例流程图。
本发明提供的一种红外弱小目标检测方法,针对天基卫星对地观测图像,利用基于LC显著性的辐射能量特征及基于FDoG的各向同性特征对目标进行背景抑制,利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征,根据对方向性特征、能量特征及运动特征进行综合性分析以得出最终检测结果,有效的减弱了地表多种复杂虚警源的干扰,降低了检测虚警率,增强了算法鲁棒性,且计算简单高效,具有较高实时性,可方便地在硬件平台上实现。
以下将对本发明所提供的一种红外弱小目标检测系统10进行详细说明。
请参阅图4,所示为本发明一实施方式中红外弱小目标检测系统10的结构示意图。
在本实施方式中,红外弱小目标检测系统10,主要包括背景抑制模块11、轨迹提取模块12和结果输出模块13。
背景抑制模块11,用于利用基于亮度对比度显著性的辐射能量特征及基于扇形高斯差分滤波器的各向同性特征对目标进行背景抑制。
在本实施方式中,背景抑制模块11具体用于:
输入目标待处理的原始红外图像序列;
针对目标的原始红外图像,采用亮度对比度的显著性检测法提取辐射能量特征,以生成基于显著性的辐射能量特征图;
通过确定扇形滤波器的半径、顶角及相对x轴的夹角,构建扇形高斯差分滤波器;
用构建的扇形高斯差分滤波器对所述辐射能量特征图进行滤波。
在本实施方式中,背景抑制模块11具体的抑制方法如上述步骤S1所示,在此不做重复叙述。
轨迹提取模块12,用于然后利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征。
在本实施方式中,轨迹提取模块12具体用于:
利用帧间差分法处理相邻帧的滤波结果,得到差分图像;
针对所述差分图像,利用恒虚警率阈值分割法进行阈值分割,得到二值图像;
将连续几帧生成的二值图像进行叠加,以提取出目标运动轨迹特征。
在本实施方式中,轨迹提取模块12具体的提取方法如上述步骤S2所示,在此不做重复叙述。
结果输出模块13,用于根据目标运动轨迹的连续性得出最终检测结果。
在本实施方式中,结果输出模块13具体用于:
根据目标运动轨迹的连续性判断目标的真实性,并输出最终检测结果。
本发明提供的一种红外弱小目标检测系统10,针对天基卫星对地观测图像,利用基于LC显著性的辐射能量特征及基于FDoG的各向同性特征对目标进行背景抑制,利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征,根据对方向性特征、能量特征及运动特征进行综合性分析以得出最终检测结果,有效的减弱了地表多种复杂虚警源的干扰,降低了检测虚警率,增强了算法鲁棒性,且计算简单高效,具有较高实时性,可方便地在硬件平台上实现。
请参阅图5,所示为本发明一实施方式中基于LC显著性的辐射能量特征图,其中,图5-a与图5-b是原始图像,均存在典型的河流虚警源,图5-c及图5-d是对应的辐射能量特征图。
请参阅图6,所示为本发明一实施方式中基于FDoG滤波器的滤波结果示意图,其中,图6-a及图6-b是对应于图5-c及图5-d的滤波结果。
请参阅图7,所示为本发明一实施方式中基于帧间差分法和CFAR阈值分割方法提取的运动轨迹示意图,其中,图7-a是对应于图5-a场景的运动轨迹,图7-b是对应于图5-b场景的运动轨迹。
本发明提供的技术方案针对天基卫星对地观测图像,对方向性特征、能量特征及运动特征进行了综合分析,有效的减弱了地表多种复杂虚警源的干扰,降低了检测虚警率,增强了算法鲁棒性,且计算简单高效,具有较高实时性,可方便地在硬件平台上实现。
值得注意的是,上述实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种红外弱小目标检测方法,其特征在于,所述方法包括:
背景抑制步骤:利用基于亮度对比度显著性的辐射能量特征及基于扇形高斯差分滤波器的各向同性特征对目标进行背景抑制;
轨迹提取步骤:然后利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征;
结果输出步骤:根据目标运动轨迹的连续性得出最终检测结果。
2.如权利要求1所述的红外弱小目标检测方法,其特征在于,所述背景抑制步骤具体包括:
输入目标待处理的原始红外图像序列;
针对目标的原始红外图像,采用亮度对比度的显著性检测法提取辐射能量特征,以生成基于显著性的辐射能量特征图;
通过确定扇形滤波器的半径、顶角及相对x轴的夹角,构建扇形高斯差分滤波器;
用构建的扇形高斯差分滤波器对所述辐射能量特征图进行滤波。
3.如权利要求2所述的红外弱小目标检测方法,其特征在于,所述轨迹提取步骤具体包括:
利用帧间差分法处理相邻帧的滤波结果,得到差分图像;
针对所述差分图像,利用恒虚警率阈值分割法进行阈值分割,得到二值图像;
将连续几帧生成的二值图像进行叠加,以提取出目标运动轨迹特征。
4.如权利要求3所述的红外弱小目标检测方法,其特征在于,所述结果输出步骤具体包括:
根据目标运动轨迹的连续性判断目标的真实性,并输出最终检测结果。
5.一种红外弱小目标检测系统,其特征在于,所述系统包括:
背景抑制模块,用于利用基于亮度对比度显著性的辐射能量特征及基于扇形高斯差分滤波器的各向同性特征对目标进行背景抑制;
轨迹提取模块,用于然后利用帧间差分法及恒虚警率阈值分割法提取目标运动轨迹特征;
结果输出模块,用于根据目标运动轨迹的连续性得出最终检测结果。
6.如权利要求5所述的红外弱小目标检测系统,其特征在于,所述背景抑制模块具体用于:
输入目标待处理的原始红外图像序列;
针对目标的原始红外图像,采用亮度对比度的显著性检测法提取辐射能量特征,以生成基于显著性的辐射能量特征图;
通过确定扇形滤波器的半径、顶角及相对x轴的夹角,构建扇形高斯差分滤波器;
用构建的扇形高斯差分滤波器对所述辐射能量特征图进行滤波。
7.如权利要求6所述的红外弱小目标检测系统,其特征在于,所述轨迹提取模块具体用于:
利用帧间差分法处理相邻帧的滤波结果,得到差分图像;
针对所述差分图像,利用恒虚警率阈值分割法进行阈值分割,得到二值图像;
将连续几帧生成的二值图像进行叠加,以提取出目标运动轨迹特征。
8.如权利要求7所述的红外弱小目标检测系统,其特征在于,所述结果输出模块具体用于:
根据目标运动轨迹的连续性判断目标的真实性,并输出最终检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710345543.0A CN107256560B (zh) | 2017-05-16 | 2017-05-16 | 一种红外弱小目标检测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710345543.0A CN107256560B (zh) | 2017-05-16 | 2017-05-16 | 一种红外弱小目标检测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256560A true CN107256560A (zh) | 2017-10-17 |
CN107256560B CN107256560B (zh) | 2020-02-14 |
Family
ID=60027868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710345543.0A Active CN107256560B (zh) | 2017-05-16 | 2017-05-16 | 一种红外弱小目标检测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256560B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461171A (zh) * | 2018-09-21 | 2019-03-12 | 西安电子科技大学 | 基于多通道改进DoG滤波的红外弱小目标检测算法 |
CN109691090A (zh) * | 2018-12-05 | 2019-04-26 | 珊口(深圳)智能科技有限公司 | 移动目标的监控方法、装置、监控系统及移动机器人 |
CN109799760A (zh) * | 2019-01-30 | 2019-05-24 | 华通科技有限公司 | 电力行业的驱鸟机器人控制系统及控制方法 |
CN110363123A (zh) * | 2019-07-03 | 2019-10-22 | 中国电子科技集团公司第三研究所 | 水下运动小目标的检测跟踪方法及系统 |
CN110415208A (zh) * | 2019-06-10 | 2019-11-05 | 西安电子科技大学 | 一种自适应目标检测方法及其装置、设备、存储介质 |
CN114463365A (zh) * | 2022-04-12 | 2022-05-10 | 中国空气动力研究与发展中心计算空气动力研究所 | 红外弱小目标分割方法、设备及介质 |
CN115294439A (zh) * | 2022-08-02 | 2022-11-04 | 北京卫星信息工程研究所 | 空中弱小运动目标检测方法、系统、设备及存储介质 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336947A (zh) * | 2013-06-21 | 2013-10-02 | 上海交通大学 | 基于显著性和结构性的红外运动小目标识别方法 |
CN104299229A (zh) * | 2014-09-23 | 2015-01-21 | 西安电子科技大学 | 一种基于时空域背景抑制的红外弱小目标检测方法 |
CN104766334A (zh) * | 2015-04-21 | 2015-07-08 | 西安电子科技大学 | 红外弱小目标检测跟踪方法及其装置 |
-
2017
- 2017-05-16 CN CN201710345543.0A patent/CN107256560B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336947A (zh) * | 2013-06-21 | 2013-10-02 | 上海交通大学 | 基于显著性和结构性的红外运动小目标识别方法 |
CN104299229A (zh) * | 2014-09-23 | 2015-01-21 | 西安电子科技大学 | 一种基于时空域背景抑制的红外弱小目标检测方法 |
CN104766334A (zh) * | 2015-04-21 | 2015-07-08 | 西安电子科技大学 | 红外弱小目标检测跟踪方法及其装置 |
Non-Patent Citations (2)
Title |
---|
ZI-ZHAN ZHANG等: "An effective filtering for GRACE time-variable gravity: Fan filter", 《GEOPHYSICAL RESEARCH LETTERS》 * |
艾斯卡尔等: "基于概率数据关联的点状动目标CFAR高分辨检测技术研究", 《信号处理》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461171A (zh) * | 2018-09-21 | 2019-03-12 | 西安电子科技大学 | 基于多通道改进DoG滤波的红外弱小目标检测算法 |
CN109461171B (zh) * | 2018-09-21 | 2021-11-09 | 西安电子科技大学 | 基于多通道改进DoG滤波的红外弱小目标检测算法 |
CN109691090A (zh) * | 2018-12-05 | 2019-04-26 | 珊口(深圳)智能科技有限公司 | 移动目标的监控方法、装置、监控系统及移动机器人 |
CN109799760A (zh) * | 2019-01-30 | 2019-05-24 | 华通科技有限公司 | 电力行业的驱鸟机器人控制系统及控制方法 |
CN110415208A (zh) * | 2019-06-10 | 2019-11-05 | 西安电子科技大学 | 一种自适应目标检测方法及其装置、设备、存储介质 |
CN110415208B (zh) * | 2019-06-10 | 2023-10-17 | 西安电子科技大学 | 一种自适应目标检测方法及其装置、设备、存储介质 |
CN110363123A (zh) * | 2019-07-03 | 2019-10-22 | 中国电子科技集团公司第三研究所 | 水下运动小目标的检测跟踪方法及系统 |
CN114463365A (zh) * | 2022-04-12 | 2022-05-10 | 中国空气动力研究与发展中心计算空气动力研究所 | 红外弱小目标分割方法、设备及介质 |
CN114463365B (zh) * | 2022-04-12 | 2022-06-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 红外弱小目标分割方法、设备及介质 |
CN115294439A (zh) * | 2022-08-02 | 2022-11-04 | 北京卫星信息工程研究所 | 空中弱小运动目标检测方法、系统、设备及存储介质 |
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 |
---|---|
CN107256560B (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256560A (zh) | 一种红外弱小目标检测方法及其系统 | |
Deng et al. | Small infrared target detection based on weighted local difference measure | |
He et al. | Infrared target tracking via weighted correlation filter | |
Del Bimbo et al. | Particle filter-based visual tracking with a first order dynamic model and uncertainty adaptation | |
JP2008542922A (ja) | 保安用途向けの人間の検出及び追跡 | |
Berg et al. | Channel coded distribution field tracking for thermal infrared imagery | |
CN102521842B (zh) | 一种实现快速移动检测的方法和装置 | |
CN102609906A (zh) | 一种基于各向异性扩散的气体红外图像增强方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
Hu et al. | An infrared target intrusion detection method based on feature fusion and enhancement | |
CN107220628A (zh) | 红外干扰源检测的方法 | |
CN102116876B (zh) | 基于轨迹编目模型的空间点目标天基探测方法 | |
Li et al. | A collaborative learning tracking network for remote sensing videos | |
Chauhan et al. | Study of moving object detection and tracking for video surveillance | |
CN108876807A (zh) | 一种实时星载卫星图像运动对象检测跟踪方法 | |
Li et al. | An infrared dim and small target detection method based on fractional differential | |
Yu et al. | Review of intelligent video surveillance technology research | |
Lee et al. | Moving dim-target tracking algorithm using template matching | |
Lohani et al. | Surveillance system based on Flash LiDAR | |
Carlotto | Enhancement of low-contrast curvilinear features in imagery | |
Chen et al. | An automated data exploitation system for airborne sensors | |
Ma et al. | Data fusion and fuzzy clustering on ratio images for change detection in synthetic aperture radar images | |
Tian et al. | Joint spatio-temporal features and sea background prior for infrared dim and small target detection | |
Lu et al. | An objects detection framework in UAV videos | |
Yao et al. | Small infrared target detection based on spatio-temporal fusion saliency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |