CN112435249B - 一种基于周扫红外搜索系统的动态小目标检测方法 - Google Patents

一种基于周扫红外搜索系统的动态小目标检测方法 Download PDF

Info

Publication number
CN112435249B
CN112435249B CN202011377553.0A CN202011377553A CN112435249B CN 112435249 B CN112435249 B CN 112435249B CN 202011377553 A CN202011377553 A CN 202011377553A CN 112435249 B CN112435249 B CN 112435249B
Authority
CN
China
Prior art keywords
target
image
gray
detection
self
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.)
Active
Application number
CN202011377553.0A
Other languages
English (en)
Other versions
CN112435249A (zh
Inventor
张梦莹
尹彤
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.)
Tianjin Jinhang Institute of Technical Physics
Original Assignee
Tianjin Jinhang Institute of Technical Physics
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 Tianjin Jinhang Institute of Technical Physics filed Critical Tianjin Jinhang Institute of Technical Physics
Priority to CN202011377553.0A priority Critical patent/CN112435249B/zh
Publication of CN112435249A publication Critical patent/CN112435249A/zh
Application granted granted Critical
Publication of CN112435249B publication Critical patent/CN112435249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • 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
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/30181—Earth observation
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明涉及一种基于周扫红外搜索系统的动态小目标检测方法，其中，包括：对当前帧输入图像进行图像拉伸预处理以提高图像对比度；对拉伸后的图像进行TopHat变换预处理；对TopHat变换后的图像进行自适应阈值分割，形成初步检测目标集Q；计算初步检测目标集Q中每个目标的自适应局部信杂比，当目标的自适应局部信杂比高于一定阈值，将其放入单帧检测目标集P；对当前帧目标集P中的每一个目标选择上一周检测目标中与其对应的目标，对于每个目标，更新轨迹连续性及方向连续性两个属性，轨迹连续性表示目标连续出现的次数，方向连续性是目标短时速度方向一致的判断指标；每当完成一周所有方向图像帧的目标检测后，计算每个目标的威胁等级并排序上报。

Description

一种基于周扫红外搜索系统的动态小目标检测方法
技术领域
本发明属于红外小目标检测领域，具体涉及一种基于周扫红外搜索系统的动态小目标检测方法。
背景技术
周扫红外搜索系统使用云台带动单个红外成像器扫描，从而完成对周围环境360°方位范围成像。由于红外成像传感器全天候工作能力及抗电磁干扰的特点，该系统被广泛应用在军事领域。利用动态小目标检测方法，周扫红外搜索系统能实现在远距离对飞机、无人机、导弹等多种动态小目标的搜索，为车载、舰载等武器装备提供目标指示。作为一种被动探测设备，在强电子干扰环境下，周扫红外搜索系统已经成为辅助或代替搜索雷达的首选设备。
由于周扫红外搜索系统对360度全景范围成像，扫描一周会形成多帧图像，多帧图像包括纯天空背景图像、纯地\海面背景图像、天地\海混合背景图像等多种情况，如图1所示。而目标的成像面积小、能量较弱、且缺乏形状纹理等信息，若单纯利用传统的红外小目标检测手段将导致系统虚警率过高等的问题。
发明内容
本发明的目的在于提供一种基于周扫红外搜索系统的动态小目标检测方法，用于解决上述现有技术的问题。
本发明一种基于周扫红外搜索系统的动态小目标检测方法，其中，包括：步骤(1)、对当前帧输入图像进行图像拉伸预处理以提高图像对比度；步骤(2)、对拉伸后的图像进行TopHat变换预处理；步骤(3)、对TopHat变换后的图像进行自适应阈值分割，形成初步检测目标集Q；步骤(4)、计算初步检测目标集Q中每个目标的自适应局部信杂比，当目标的自适应局部信杂比高于一定阈值，将其放入单帧检测目标集P；步骤(5)：对当前帧目标集P中的每一个目标选择上一周检测目标中与其对应的目标，对于每个目标，更新轨迹连续性及方向连续性两个属性，轨迹连续性表示目标连续出现的次数，方向连续性是目标短时速度方向一致的判断指标；步骤(6)：每当完成一周所有方向图像帧的目标检测后，计算每个目标的威胁等级并排序上报，提供目标指示。
根据本发明所述的基于周扫红外搜索系统的动态小目标检测方法，其特征在于，步骤(1)中，对输入视频的每一帧图像的每个像素点进行线性拉伸预处理，使得原始图像全图最小灰度值minvalue拉伸后变为灰度0，全图最大灰度值maxvalue拉伸后变为灰度255，原始图像任一坐标(x,y)的像素点灰度g(x,y)拉伸后可表示为灰度d(x,y)：
d(x,y)＝(255*g(x,y)-255*minvalue)/(maxvalue-minvalue) 1)。
根据本发明所述的基于周扫红外搜索系统的动态小目标检测方法的一实施例，其中，TopHat变换选择5*5灰度为1的矩形作为结构元素。
根据本发明所述的基于周扫红外搜索系统的动态小目标检测方法的一实施例，其中，TopHat变化后的图像表示为e(x,y)；对TopHat变换后的图像进行自适应阈值分割包括：首先设置一个自适应阈值thresh；
thresh＝μ×(maxgray-mingray)+mingray 2)
其中maxgray为e(x,y)的最大灰度值，mingray为e(x,y)的最小灰度值，μ的取值范围为区间[0.7,0.9]；
再对图像e(x,y)进行二值化处理：
对二值化图像中灰度为1的像素点进行联通域提取，所有在小目标尺寸范围内的联通域即为初步检测目标集Q。
根据本发明所述的基于周扫红外搜索系统的动态小目标检测方法的一实施例，其中，信杂比的定义为：
其中μt表示目标区域的灰度均值，μ表示目标背景邻域范围内的灰度均值，σ表示目标背景邻域范围内的灰度标准差；
将目标区域外定义为目标所在的外接矩形区域加目标保护带，根据Q中每个联通域的最大及最小x和y坐标确定外接矩形的尺寸及位置，再将该矩形的宽和高同时增加Δl；
若Q中目标的自适应局部信杂比大于某固定阈值，将其放入单帧检测目标集P。
根据本发明所述的基于周扫红外搜索系统的动态小目标检测方法的一实施例，其中，对P中每一目标pi(pi∈P)，若上周3帧图像存在与pi目标航向、俯仰角度均相差有限的目标，则认为当前目标在上周已经出现，视目标与pi为同一目标；否则若上周3帧图像不存在与pi目标航向以及俯仰角度均相差有限的目标，则认为pi为首次检测到的新目标，对于新目标，轨迹连续性计数为1，方向连续性计数为0；对于非新目标，目标本周位置减去上周位置的矢量的幅值为目标本次运动的位移，矢量的方向为目标本次运动的方向。
根据本发明所述的基于周扫红外搜索系统的动态小目标检测方法的一实施例，其中，对于运动位移小的目标，增加轨迹连续性计数，方向连续性计数与关联的上周目标一致；对于有一定位移以及继续沿上周方向前进的目标，增加其方向连续性计数，增加其轨迹连续性计数；对于有一定位移且不沿上周方向前进的目标，降低方向连续性计数，增加其轨迹连续性计数。
根据本发明所述的基于周扫红外搜索系统的动态小目标检测方法的一实施例，其中，
步骤(6)包括：每当完成一周所有方向图像帧的目标检测后，目标i的轨迹连续性计数与方向连续性计数的加权和，通过公式5)计算目标i的威胁等级，对轨迹连续性计数大于一定阈值且方向连续性计数大于一定阈值的目标根据威胁等级高低进行排序上报,
threati＝w1×n1+w2×n2(w1+w2＝1) 5)
其中，n1,n2分别为轨迹连续性计数和方向连续性计数，w1,w2分别为两者的权值。
本发明个充分利用红外动态小目标的相对于周围局部背景的显著性特征及目标的运动特征以排除干扰物、降低虚警。
附图说明
图1为周扫红外搜索系统拼接图示例；
图2为本方法实现框图；
图3为目标区域、目标保护带、目标背景邻域的示意图；
图4为在边界的目标选取目标背景邻域的示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明的目的在于提供一种基于周扫红外搜索系统的动态小目标检测方法。
本发明提供的动态小目标检测方法首先对红外图像进行图像拉伸、背景抑制等预处理手段，而后对预处理后的图像进行阈值分割提取出初步检测目标，再利用小目标的显著性特点通过自适应局部信杂比计算从初步检测目标筛选出单帧检测目标，再利用周间目标关联确定目标的历史运动信息，通过目标运动方向短时一致的特点提高正常运动目标的威胁等级，在完成一周图像的处理后根据目标的威胁等级对目标进行排序及上报。图2是该方法的实现框图。
本发明包括以下步骤：
步骤(1)：对当前帧输入图像进行图像拉伸预处理以提高图像对比度。
步骤(2)：对拉伸后的图像进行TopHat变换预处理。
步骤(3)：对TopHat变换后的图像进行自适应阈值分割，满足小目标尺寸的联通域即为初步检测目标集Q。
步骤(4)：计算初步检测目标集Q中每个目标的自适应局部信杂比，当目标的自适应局部信杂比高于一定阈值，将其放入单帧检测目标集P。
步骤(5)：利用目标在航向方向位置变化缓慢的特点，对当前帧目标集P中的每一个目标选择上一周检测目标中与其对应的目标。对于每个目标，更新它的轨迹连续性及方向连续性两个属性，轨迹连续性表示目标连续出现的次数，方向连续性是目标短时速度方向一致的判断指标。虽然目标的速度方向可能发生变化，但不可能在短时间内发生剧烈变化，因此轨迹连续性及方向连续性指标都较高的目标更有可能是真实目标。
步骤(6)：每当完成一周所有方向图像帧的目标检测后，计算每个目标的威胁等级并排序上报，提供目标指示。
本发明另一实施例的具体步骤实施如下：
步骤(1)，对对输入视频的每一帧图像的每个像素点进行线性拉伸预处理。由于红外图像通常存在灰度区间比较集中、对比度不显著的特点，因此需要对图像进行拉伸处理，此处采用基本的线性拉伸，使得原始图像全图最小灰度值minvalue拉伸后变为灰度0、全图最大灰度值maxvalue拉伸后变为灰度255。则原始图像任一坐标(x,y)的像素点灰度g(x,y)拉伸后可表示为灰度d(x,y)：
d(x,y)＝(255*g(x,y)-255*minvalue)/(maxvalue-minvalue) 1)
步骤(2)，对线性拉伸后的图像进行TopHat变换，TopHat变化后的图像表示为e(x,y)，TopHat变换选择5*5灰度为1的矩形作为结构元素。TopHat变换可以起到提高目标对比度的作用，是一种常见的小目标检测手段。
步骤(3)，对TopHat变换后的图像进行自适应阈值分割。
首先设置一个自适应阈值thresh,
thresh＝μ×(maxgray-mingray)+mingray 2)
其中maxgray为e(x,y)的最大灰度值，mingray为e(x,y)的最小灰度值，μ的取值范围为区间[0.7,0.9]。
再对图像e(x,y)进行二值化处理，即
对二值化图像中灰度为1的像素点进行联通域提取，所有在小目标尺寸范围内的联通域即为初步检测目标集Q。
步骤(4)，计算初步检测目标集Q中每个目标的自适应局部信杂比。
由于小目标自身发热的原因，因此小目标虽然不是整帧图像的最亮点，但相对于其局部背景邻域小目标灰度仍比较突出显著。而局部信杂比就是计算目标显著性的指标。信杂比的定义为
其中μt表示目标区域的灰度均值，μ表示目标背景邻域范围内的灰度均值，σ表示目标背景邻域范围内的灰度标准差。通常将目标区域选为实际值，背景邻域为目标区周围的固定大小。
但由于红外小目标边缘通常比较模糊，难以界定其属于目标区域还是背景区域，因此本发明中将目标区域外定义为目标所在的外接矩形区域加目标保护带。即根据Q中每个联通域的最大及最小x、y坐标确定外接矩形的尺寸及位置，再将该矩形的宽和高同时增加Δl，如图3所示。
为了适应目标的尺度变化，将局部信杂比公式中目标背景邻域改进为与目标区域尺寸基本等大的8邻域，如图3所示。当目标处于边缘位置时，为4邻域或6邻域，如图4所示。这相当于以目标的尺寸为基准观察其邻域，更符合人眼的感知习惯。
若Q中目标的自适应局部信杂比大于某固定阈值，将其放入单帧检测目标集P。
步骤(5),周间目标关联，获取当前帧P中每个目标在上一周所对应的目标。
由于目标可能发生一定的横向位移及云台本身存在误差的原因，因此在当前帧出现的目标在未必在上一周也出现在与当前相同方向的帧。考虑到红外探测器的视场角及目标的最大横向运动速度，可以在上一周当前方向及上一周当前方向左右相邻两方向这三帧图像中搜索当前帧目标所对应的上一周目标。由于飞机、无人机等目标的航向方向位置变化通常比较缓慢，对P中每一目标pi(pi∈P)，若上周3帧图像存在与pi目标航向、俯仰角度均相差有限的目标，则认为当前目标在上周已经出现，视该目标与pi为同一目标；否则若上周3帧图像不存在与pi目标航向、俯仰角度均相差有限的目标，则认为pi为首次检测到的新目标。对于新目标，轨迹连续性计数为1，方向连续性计数为0。对于非新目标，目标本周位置减去上周位置的矢量的幅值为目标本次运动的位移，矢量的方向为目标本次运动的方向。对于运动位移较小的目标，增加其轨迹连续性计数，方向连续性计数与关联的上周目标一致；对于有一定位移、继续沿上周方向前进的目标，增加其方向连续性计数，增加其轨迹连续性计数；对于有一定位移、不沿上周方向前进的目标，降低其方向连续性计数，增加其轨迹连续性计数。
步骤(6),每当完成一周所有方向图像帧的目标检测后，目标i的轨迹连续性计数与方向连续性计数的加权和为目标i的威胁等级，如公式(5)所示。对轨迹连续性计数大于一定阈值且方向连续性计数大于一定阈值的目标根据威胁等级高低进行排序上报。
threati＝w1×n1+w2×n2(w1+w2＝1) 5)
其中，n1,n2分别为轨迹连续性计数和方向连续性计数，w1,w2分别为两者的权值。
为验证本方法的有效性，采用帧频为75Hz、扫描一周时间为1s、单帧图像视场角为6.485°×5.188°的周扫红外搜索系统对无人机及飞机进行多次搜索试验。试验结果表明本发明的方法均能有效检测到尺寸在2*2像素到10*10像素之间的被测目标，且即使在图1所示的复杂背景条件下，每周输出的伪目标小于5个，真实目标在被搜索到的2到3周后通常保持最高的威胁等级。本发明首先利用小目标显著性的特点进行单帧检测，而后对目标进行周间关联，最后利用目标的运动特征尤其是方向特征排除静止物、提高持续运动物体的威胁等级，从而输出正常运动的小目标、降低虚警率。本发明提出了一种自适应目标尺寸的局部信杂比方法以衡量目标在某个观察尺度下相对于背景的显著程度，同时充分利用目标运动方向的短时一致性以判别目标的真伪程度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.一种基于周扫红外搜索系统的动态小目标检测方法，其特征在于，包括：
步骤(1)、对当前帧输入图像进行图像拉伸预处理以提高图像对比度；
步骤(2)、对拉伸后的图像进行TopHat变换预处理；
步骤(3)、对TopHat变换后的图像进行自适应阈值分割，形成初步检测目标集Q；
步骤(4)、计算初步检测目标集Q中每个目标的自适应局部信杂比，当目标的自适应局部信杂比高于一定阈值，将其放入单帧检测目标集P；
步骤(5)：对当前帧目标集P中的每一个目标选择上一周检测目标中与其对应的目标，对于每个目标，更新轨迹连续性及方向连续性两个属性，轨迹连续性表示目标连续出现的次数，方向连续性是目标短时速度方向一致的判断指标；
信杂比的定义为：
其中μt表示目标区域的灰度均值，μ表示目标背景邻域范围内的灰度均值，σ表示目标背景邻域范围内的灰度标准差；
将目标区域定义为目标所在的外接矩形区域加目标保护带，根据Q中每个连通域的最大及最小x和y坐标确定外接矩形的尺寸及位置，再将该矩形的宽和高同时增加Δl；
若Q中目标的自适应局部信杂比大于某固定阈值，将其放入单帧检测目标集P；
步骤(1)中，对输入视频的每一帧图像的每个像素点进行线性拉伸预处理，使得原始图像全图最小灰度值minvalue拉伸后变为灰度0，全图最大灰度值maxvalue拉伸后变为灰度255，原始图像任一坐标(x,y)的像素点灰度g(x,y)拉伸后可表示为灰度d(x,y)：
d(x,y)＝(255*g(x,y)-255*minvalue)/(maxvalue-minvalue) 1)；
TopHat变化后的图像表示为e(x,y)；
对TopHat变换后的图像进行自适应阈值分割包括：
首先设置一个自适应阈值thresh；
thresh＝μ×(maxgray-mingray)+mingray 2)
其中maxgray为e(x,y)的最大灰度值，mingray为e(x,y)的最小灰度值，μ的取值范围为区间[0.7,0.9]；
再对图像e(x,y)进行二值化处理：
对二值化图像中灰度为1的像素点进行连通域提取，所有在小目标尺寸范围内的连通域即为初步检测目标集Q；
对P中每一目标pi，pi∈P，若上周3帧图像存在与pi目标航向、俯仰角度均相差有限的目标，则认为当前目标在上周已经出现，视目标与pi为同一目标；否则若上周3帧图像不存在与pi目标航向以及俯仰角度均相差有限的目标，则认为pi为首次检测到的新目标，对于新目标，轨迹连续性计数为1，方向连续性计数为0；对于非新目标，目标本周位置减去上周位置的矢量的幅值为目标本次运动的位移，矢量的方向为目标本次运动的方向；
对于运动位移小的目标，增加轨迹连续性计数，方向连续性计数与关联的上周目标一致；对于有一定位移以及继续沿上周方向前进的目标，增加其方向连续性计数，增加其轨迹连续性计数；对于有一定位移且不沿上周方向前进的目标，降低方向连续性计数，增加其轨迹连续性计数；
步骤(6)包括：每当完成一周所有方向图像帧的目标检测后，目标i的轨迹连续性计数与方向连续性计数的加权和，通过公式5)计算目标i的威胁等级，对轨迹连续性计数大于一定阈值且方向连续性计数大于一定阈值的目标根据威胁等级高低进行排序上报,
threati＝w1×n1+w2×n2 w1+w2＝1 5)
其中，n1,n2分别为轨迹连续性计数和方向连续性计数，w1,w2分别为两者的权值。
2.如权利要求1所述的基于周扫红外搜索系统的动态小目标检测方法，其特征在于，TopHat变换选择5*5灰度为1的矩形作为结构元素。
CN202011377553.0A 2020-11-30 2020-11-30 一种基于周扫红外搜索系统的动态小目标检测方法 Active CN112435249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011377553.0A CN112435249B (zh) 2020-11-30 2020-11-30 一种基于周扫红外搜索系统的动态小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011377553.0A CN112435249B (zh) 2020-11-30 2020-11-30 一种基于周扫红外搜索系统的动态小目标检测方法

Publications (2)

Publication Number Publication Date
CN112435249A CN112435249A (zh) 2021-03-02
CN112435249B true CN112435249B (zh) 2024-04-16

Family

ID=74697575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011377553.0A Active CN112435249B (zh) 2020-11-30 2020-11-30 一种基于周扫红外搜索系统的动态小目标检测方法

Country Status (1)

Country Link
CN (1) CN112435249B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113741505B (zh) * 2021-11-03 2022-03-22 武汉高德红外股份有限公司 基于运动估计自动抬层的红外搜索跟踪方法、设备及系统
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
CN115082833B (zh) * 2022-07-15 2024-09-17 上海大学 一种水上目标威胁度判别方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102118561A (zh) * 2010-05-27 2011-07-06 周渝斌 监控系统中相机移动检测系统及方法
CN105955291A (zh) * 2016-04-29 2016-09-21 深圳市哈博森科技有限公司 一种无人机飞行航线轨迹记录与自动飞行控制方式
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
CN107590496A (zh) * 2017-09-18 2018-01-16 南昌航空大学 复杂背景下红外小目标的关联检测方法
CN109613530A (zh) * 2018-12-21 2019-04-12 成都航天科工微电子系统研究院有限公司 一种低小慢空中目标多源信息融合的管控方法
CN109711256A (zh) * 2018-11-27 2019-05-03 天津津航技术物理研究所 一种低空复杂背景无人机目标检测方法
CN109740445A (zh) * 2018-12-13 2019-05-10 天津津航技术物理研究所 一种变尺寸的红外弱小目标检测方法
CN109903305A (zh) * 2019-01-24 2019-06-18 天津国为信息技术有限公司 基于空中三维定位的线型目标落点定位方法
CN110751099A (zh) * 2019-10-22 2020-02-04 东南大学 一种基于深度学习的无人机航拍视频轨迹高精度提取方法
CN111079090A (zh) * 2019-12-27 2020-04-28 航天南湖电子信息技术股份有限公司 一种“低慢小目标”的威胁评估方法
CN111461011A (zh) * 2020-04-01 2020-07-28 西安电子科技大学 基于概率化管道滤波的弱小目标检测方法
CN111612673A (zh) * 2020-05-13 2020-09-01 飒铂智能科技有限责任公司 一种无人驾驶飞行器对多要地威胁程度确认方法及系统
CN111831109A (zh) * 2019-04-18 2020-10-27 卡西欧计算机株式会社 电子设备、停止判定方法以及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11747824B2 (en) * 2019-03-07 2023-09-05 The Aerospace Corporation Systems and methods for threat response

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102118561A (zh) * 2010-05-27 2011-07-06 周渝斌 监控系统中相机移动检测系统及方法
CN105955291A (zh) * 2016-04-29 2016-09-21 深圳市哈博森科技有限公司 一种无人机飞行航线轨迹记录与自动飞行控制方式
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
CN107590496A (zh) * 2017-09-18 2018-01-16 南昌航空大学 复杂背景下红外小目标的关联检测方法
CN109711256A (zh) * 2018-11-27 2019-05-03 天津津航技术物理研究所 一种低空复杂背景无人机目标检测方法
CN109740445A (zh) * 2018-12-13 2019-05-10 天津津航技术物理研究所 一种变尺寸的红外弱小目标检测方法
CN109613530A (zh) * 2018-12-21 2019-04-12 成都航天科工微电子系统研究院有限公司 一种低小慢空中目标多源信息融合的管控方法
CN109903305A (zh) * 2019-01-24 2019-06-18 天津国为信息技术有限公司 基于空中三维定位的线型目标落点定位方法
CN111831109A (zh) * 2019-04-18 2020-10-27 卡西欧计算机株式会社 电子设备、停止判定方法以及存储介质
CN110751099A (zh) * 2019-10-22 2020-02-04 东南大学 一种基于深度学习的无人机航拍视频轨迹高精度提取方法
CN111079090A (zh) * 2019-12-27 2020-04-28 航天南湖电子信息技术股份有限公司 一种“低慢小目标”的威胁评估方法
CN111461011A (zh) * 2020-04-01 2020-07-28 西安电子科技大学 基于概率化管道滤波的弱小目标检测方法
CN111612673A (zh) * 2020-05-13 2020-09-01 飒铂智能科技有限责任公司 一种无人驾驶飞行器对多要地威胁程度确认方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于快速移动的红外小目标实时检测跟踪方法";张佳楠，杨晓梅，张劲;《湘潭大学自然科学学报》;20181231;全文 *
中国电子学会无线电定位技术分会编.《第十届全国雷达学术年会论文集（2008年10月31日-11月2日北京）下》.国防工业出版社,2008,全文. *
张建奇，王晓蕊著.《光电成像系统建模及性能评估理论》.西安电子科技大学出版社,2010,全文. *
陈慧岩.《智能车辆理论与应用》.北京理工大学出版社,2018,全文. *

Also Published As

Publication number Publication date
CN112435249A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112435249B (zh) 一种基于周扫红外搜索系统的动态小目标检测方法
CN109740445B (zh) 一种变尺寸的红外弱小目标检测方法
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN109409283A (zh) 一种海面舰船跟踪和监控的方法、系统和存储介质
CN108182690B (zh) 一种基于前景加权局部对比度的红外微弱目标检测方法
CN111881725B (zh) 一种融合空频域特征的光学遥感图像船舶目标检测方法
CN107728115A (zh) 一种雷达目标成像后基于svm的背景干扰抑制方法
CN105225251B (zh) 基于机器视觉的超视距海上运动目标快速识别与定位装置及方法
CN104834915B (zh) 一种复杂云天背景下小红外目标检测方法
CN111666854B (zh) 融合统计显著性的高分辨率sar影像车辆目标检测方法
CN111323756B (zh) 一种基于深度学习的航海雷达目标检测方法及装置
CN116310837B (zh) 一种sar舰船目标旋转检测方法及系统
CN112633274A (zh) 一种声呐图像目标检测方法、装置、电子设备
CN111323757B (zh) 一种航海雷达目标检测方法及装置
CN112487912A (zh) 基于改进YOLOv3的任意方向舰船检测方法
CN111123251B (zh) 一种雷达的目标对象检测方法及装置
CN111428573A (zh) 一种复杂背景下的红外弱小目标检测虚警抑制方法
CN113205494B (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统
CN114373135A (zh) 基于局部显著性特征度量的舰船目标检测方法
CN112215832B (zh) Sar尾迹图像质量评估及自适应探测参数调整方法
CN106780545A (zh) 一种结合时空域的弱小目标能量累积增强方法
CN112669332A (zh) 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法
CN110827257A (zh) 一种嵌入式机载红外图像视觉导航定位方法
CN115797773A (zh) 一种基于边缘检测和区域分割的超宽带雷达目标识别方法
CN115187856A (zh) 一种基于人眼视觉注意机制的sar图像舰船检测方法

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