CN115035378A - 基于时空域特征融合的红外弱小目标的检测方法及装置 - Google Patents

基于时空域特征融合的红外弱小目标的检测方法及装置 Download PDF

Info

Publication number
CN115035378A
CN115035378A CN202210949749.5A CN202210949749A CN115035378A CN 115035378 A CN115035378 A CN 115035378A CN 202210949749 A CN202210949749 A CN 202210949749A CN 115035378 A CN115035378 A CN 115035378A
Authority
CN
China
Prior art keywords
target
saliency map
time
domain
background
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.)
Pending
Application number
CN202210949749.5A
Other languages
English (en)
Inventor
卢德勇
曹东
王海波
赵杨
杨阳
刘林岩
陈功
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.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202210949749.5A priority Critical patent/CN115035378A/zh
Publication of CN115035378A publication Critical patent/CN115035378A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于时空域特征融合的红外弱小目标的检测方法及装置，属于红外探测技术领域，包括步骤：将时域、空域特征信息结合起来检测弱小目标；所述将时域、空域特征信息结合起来具体包括：在时域上提取运动特征得到候选目标区域，在空域上提取目标显著性特征进行空域滤波修补得到背景估计图像，再减去背景估计图像得到空域目标显著图，再融合在时域上得到的时域目标显著图与所述空域目标显著图，得到最终的目标显著图，从最终的目标显著图中分割出弱小目标。本发明可以获得更高的目标检测率、更低的虚警率以及更远的无人机探测距离，并且该方法简洁高效、复杂度低，易于硬件实现，满足高实时性的应用需求。

Description

基于时空域特征融合的红外弱小目标的检测方法及装置
技术领域
本发明涉及红外探测技术领域，更为具体的，涉及一种基于时空域特征融合的红外弱小目标的检测方法及装置。
背景技术
近年来，低空慢速小无人机数量呈现爆发式增长趋势，大量非合作无人机的“黑飞”现象时有发生，给公共安全、保密、反恐等工作带来了新挑战。对于非合作“低小慢”无人机，迫切需要探索研制出新型反无人机系统，提供主动雷达/光电/无线电探测、目标跟踪与识别、定向无线电干扰和反制等新技术。探测识别系统，作为反无人机系统中的一个重要组成部分，采用雷达、光电、无线电、声音等多种手段对无人机目标进行探测、识别、跟踪和定位，为指控系统和反制系统提供前提和保证。
作为无人机探测的重要手段之一，红外探测技术为远距离“低小慢”无人机目标的探测跟踪与识别提供一条重要的技术路径。而远距离无人机目标探测是一个富有挑战的问题，有许多困难：(1)由于探测距离远，目标小，缺少形状、文理等特征；(2)无人机目标红外辐射一般较弱，与背景的对比度不高，信噪比低；(3)真实场景中背景复杂、变化迅速，受到杂波和噪声等干扰，虚警高。
目前红外弱小目标检测方法主要分为基于单帧图像的检测方法和基于序列图像的检测方法。基于单帧图像的检测方法包括传统滤波方法、基于人类视觉注意力机制方法、基于低秩稀疏矩阵分解的方法等，这些方法对于简单场景下信噪比足够高的小目标检测任务还可以胜任，但对于复杂场景的低信噪比目标，会出现检测率低、虚警率高、鲁棒性不足等的问题，需要采用基于序列图像的检测方法提高探测精度和探测距离。但是，目前基于序列图像的检测方法仅仅利用时域目标信息，同样存在目标检测率低、虚警率高的缺点，需开发出综合利用弱小目标空域特征和时域特征相结合的新方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于时空域特征融合的红外弱小目标的检测方法及装置，避免了单纯的时域方法或者空域滤波方法的检测率低、虚警率高的不足，通过综合利用时域信息和空域信息来增强弱小目标、抑制背景和杂波，获得更高的目标检测率、更低的虚警率以及更远的无人机探测距离，并且该方法简洁高效、复杂度低，易于硬件实现，满足高实时性的应用需求等。
本发明的目的是通过以下方案实现的：
一种基于时空域特征融合的红外弱小目标的检测方法，包括步骤：
将时域、空域特征信息结合起来检测弱小目标；所述将时域、空域特征信息结合起来具体包括：在时域上提取运动特征得到候选目标区域，在空域上提取目标显著性特征进行空域滤波修补得到背景估计图像，再减去背景估计图像得到空域目标显著图，再融合在时域上得到的时域目标显著图与所述空域目标显著图，得到最终的目标显著图，从最终的目标显著图中分割出弱小目标。
进一步地，包括子步骤：
所述在时域上提取运动特征得到候选目标区域，包括子步骤：S1，读取原始红外图像；S2，利用时间对比度滤波器，得到当前帧的时域目标显著图；S3，利用阈值分割从时域目标显著图中分割出候选目标区域；
所述在空域上提取目标显著性特征进行空域滤波修补得到背景估计图像，包括子步骤：S4，利用图像修补只对候选目标区域进行背景像素估计，重建出当前帧图像的背景估计图；
所述再减去背景估计图像得到空域目标显著图，包括子步骤：S5，利用当前帧图像减去背景估计图像，得到当前帧的空域目标显著图；
所述再融合在时域上得到的时域目标显著图与所述空域目标显著图，得到最终的目标显著图，包括子步骤：S6，利用当前帧的时域目标显著图乘以空域目标显著图，得到最终的目标显著图；
所述从最终的目标显著图中分割出弱小目标，包括子步骤：S7，利用阈值分割从最终的目标显著图中分割出无人机弱小目标，并输出目标信息。
进一步地，在步骤S1中，读取的原始红外图像为多帧序列图像。
进一步地，在步骤S2中，所述时间对比度滤波器中，计算读取的多帧图像中每个像元的时域剖面，根据像元时域剖面上是否存在高于设定值脉冲响应，判断是否有目标经过像元。
进一步地，在步骤S3中，所述阈值分割，采用如下公式：
Figure 855595DEST_PATH_IMAGE001
，
式中，
Figure 933272DEST_PATH_IMAGE002
为第一阈值，
Figure 575606DEST_PATH_IMAGE003
为步骤S2得到时域目标显著图的均值，
Figure 55129DEST_PATH_IMAGE004
为步骤S2 得到时域目标显著图的方差，
Figure 226348DEST_PATH_IMAGE005
为常数，
Figure 525742DEST_PATH_IMAGE006
取值范围为2到8；当时域目标显著图中像素值 大于
Figure 440608DEST_PATH_IMAGE002
时，记为候选弱小目标区域。
进一步地，在步骤S4中，利用标记候选目标区域，将当前帧图像分为目标区域像素和背景区域像素，利用背景区域像素对目标区域像素进行背景估计，获得当前帧的背景估计图像。
进一步地，在步骤S7中，所述阈值分割，采用如下公式：
Figure 305796DEST_PATH_IMAGE007
，
式中，
Figure 647916DEST_PATH_IMAGE008
为第二阈值，
Figure 700185DEST_PATH_IMAGE009
为步骤S6得到的最终的目标显著图的最大值，
Figure 887584DEST_PATH_IMAGE010
取值 范围为[0.6,0.9]；当最终的目标显著图中像素灰度值大于
Figure 76120DEST_PATH_IMAGE008
时为标记为目标像素。
进一步地，所述利用背景区域像素对目标区域像素进行背景估计，获得当前帧的背景估计图像，包括子步骤：每完成一个目标区域像素点的背景灰度值计算，都将其更新到背景区域，再进行下一个目标区域像素点的背景估计。
进一步地，所述利用背景区域像素对目标区域像素进行背景估计，获得当前帧的背景估计图像，包括子步骤：通过计算目标区域像素的像素点的邻域窗口内所有背景像素的平均值，得到该像素点的背景估计值。
一种基于时空域特征融合的红外弱小目标的检测装置，包括可读存储介质和程序，当程序在所述可读存储介质中被处理器加载运行时，实现如上任一所述方法。
本发明的有益效果包括：
本发明首先利用时域对比度滤波计算出弱小目标的运动特征，然后利用基于背景相减的空域滤波方法计算出弱小目标的辐射特征，有效结合了弱小目标的空域信息和时域信息，解决了由于噪声、杂波、复杂背景等因素导致的检测率低、虚警率高的问题，可以有效抑制复杂背景和增强弱小目标，可以探测远距离无人机目标，并且方法简洁高效，易于硬件实现，满足反无人机探测系统的高实时性的应用需求。具体而言，在实施例中，结合了弱小目标的空域信息和时域信息，基于融合的思想利用步骤S2、S3和S4等，通过时域滤波方法得到候选目标，然后空域滤波修补得到背景，相减得空域目标特征，最终分割出了无人机弱小目标。本发明提供了一种综合利用弱小目标空域特征和时域特征相结合的新方法，解决了背景中提出的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图；
图2为本发明实施例中采用的序列图像的代表图像；
图3为本发明实施例中图像序列中第35帧图像；
图4为本发明实施例中第35帧图像的时域目标显著图；
图5为本发明实施例中第35帧图像分割出的候选目标区域；
图6为本发明实施例中第35帧图像的背景估计图；
图7为本发明实施例中第35帧图像减去背景估计图，得到的空域目标显著图；
图8为本发明实施例中第35帧图像的时域目标显著图乘以空域目标显著图，得到最终的目标显著图；
图9为本发明实施例中分割得到的第35帧图像的无人机弱小目标。
具体实施方式
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
下面根据附图1~图9，对本发明的技术构思、解决的技术问题、工作原理、工作过程和有益效果作进一步详细、充分地说明。
如图1所示，为本发明实施例的具体流程，包括步骤：
S1，读取原始红外图像；
在具体实施方式中，读取原始红外图像序列为
Figure 586211DEST_PATH_IMAGE011
，如图 2所示，为本发明实施例中采用的序列图像的代表图像。其中，数字1、5、10、15、20、25、30、35 分别表示第1帧图像、第5帧图像、第10帧图像、第15帧图像、第20帧图像、第25帧图像、第30 帧图像、第35帧图像。如图3示，为本发明实施例中图像序列中第35帧图像。
S2，利用时间对比度滤波器，得到当前帧的时域目标显著图；
在具体实施方式中，在步骤S2中，所述时间对比度滤波器中，计算前序d帧图像中每个像元的时域剖面，再根据像元时域剖面上是否存在比较高的脉冲响应，判断是否有目标经过像元。将当前帧各像元强度与前序d帧中相应像元的平均强度做差，作为最终的时域对比度增强结果，计算公式如下：
Figure 125777DEST_PATH_IMAGE012
其中，
Figure 913604DEST_PATH_IMAGE013
表示第k帧图像，如图2所示，帧数d可以选为10，20或30。如图4所 示，为本发明实施例中第35帧图像的时域目标显著图。
S3，利用阈值分割方法，从时域目标显著图中分割出候选目标区域；
在具体实施方式中，在步骤S3中，所述阈值分割方法采用如下阈值：
Figure 222226DEST_PATH_IMAGE001
，
其中，
Figure 171728DEST_PATH_IMAGE014
为步骤S2得到的时域对比度滤波结果
Figure 933010DEST_PATH_IMAGE015
的均 值、方差，
Figure 258949DEST_PATH_IMAGE016
为常数，
Figure 422077DEST_PATH_IMAGE016
取值范围为2到8。当时域对比度滤波结果
Figure 542480DEST_PATH_IMAGE015
中像素值 大于
Figure 56638DEST_PATH_IMAGE017
时，标记为1；否则标记为0。所有像素的标记构成掩码矩阵
Figure 920689DEST_PATH_IMAGE018
，掩码矩阵中标记 为1的像素构成候选弱小目标区域。如图5所示，为本发明实施例中第35帧图像分割出的候 选目标区域。
S4，利用图像修补方法，只对候选目标区域进行背景像素估计，重建出当前帧图像的背景估计图。
在具体实施方式中，在步骤S4中，利用标记候选弱小目标区域，将当前帧图像
Figure 938323DEST_PATH_IMAGE019
分为目标区域像素和背景区域像素，利用背景区域像素对目标区域像素进行背 景估计，获得当前帧的背景估计图像。具体为：从上到下、从左到右，当该像素点（i, j）为目 标区域像素时，首先取该像素点的某个邻域窗口
Figure 760786DEST_PATH_IMAGE020
，邻域窗口大小可以设置为
Figure 496661DEST_PATH_IMAGE021
或者
Figure 898823DEST_PATH_IMAGE022
；然后，计算该邻域窗口内所有背景像素的平均值，得到该像素点的背景估计值
Figure 770964DEST_PATH_IMAGE023
，公式为：
Figure 224381DEST_PATH_IMAGE024
其中，num为邻域窗口
Figure 447552DEST_PATH_IMAGE020
内背景像素点总数，即邻域窗口内掩码值为0的像素点总 数。每完成一个目标区域像素点的背景灰度值计算，都将其更新到背景区域（即更新该处掩 码值为0），再进行下一个目标区域像素点的背景估计，这样可以有效避免出现候选目标区 域像素点邻域窗口没有背景像素的情况，最终重建出当前帧图像的背景估计图
Figure 918984DEST_PATH_IMAGE025
。 如图6所示，为本发明实施例中第35帧图像的背景估计图。
S5，当前帧图像减去背景估计图像，得到当前帧的空域目标显著图；
在具体实施方式中，在步骤S5中，用当前帧图像减去背景估计图像，得到当前帧的空域目标显著图：
Figure 911211DEST_PATH_IMAGE026
如图7所示，为本发明实施例中第35帧图像减去背景估计图，得到的空域目标显著图。
S6，当前帧的时域目标显著图乘以空域目标显著图，得到最终的目标显著图；
在具体实施方式中，在步骤S6中，利用当前帧的时域目标显著图
Figure 809897DEST_PATH_IMAGE027
和 空域目标显著图
Figure 520364DEST_PATH_IMAGE028
的对应像素值相乘，得到最终的目标显著图
Figure 529908DEST_PATH_IMAGE029
：
Figure 376641DEST_PATH_IMAGE030
如图8所示，为本发明实施例中第35帧图像的时域目标显著图乘以空域目标显著图，得到最终的目标显著图。
S7，利用阈值分割方法，从最终目标显著图中分割出无人机弱小目标，并输出目标信息。
在具体实施方式中，在步骤S7中，所述阈值分割方法采用如下阈值：
Figure 446229DEST_PATH_IMAGE031
其中，
Figure 378413DEST_PATH_IMAGE032
为步骤S6得到最终目标显著图
Figure 457227DEST_PATH_IMAGE033
的最大值，
Figure 424046DEST_PATH_IMAGE034
取值范围为 [0.6,0.9]；当目标显著图中像素灰度值大于
Figure 398955DEST_PATH_IMAGE035
时标记为无人机目标像素。如图9所示，为本 发明实施例中分割得到的第35帧图像的无人机弱小目标。
本发明实施例的有益效果是：
本发明实施例结合了弱小目标的空域信息和时域信息，首先利用时域对比度滤波得到图像序列中的运动目标信息，分割出无人机候选目标区域，再计算该区域目标的空域对比度信息，最终结合时域、空域对比度信息得到目标显著图，最终分割出无人机弱小目标。该发明可以有效抑制复杂背景和增强弱小目标，有效解决了由于噪声、杂波、复杂背景等因素导致的检测率低、虚警率高的问题，可以探测远距离无人机目标，并且方法简洁高效，易于硬件实现，满足反无人机探测系统的高实时性的应用需求。
本发明功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，在一台计算机设备（可以是个人计算机，服务器，或者网络设备等）以及相应的软件中执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、或者光盘等各种可以存储程序代码的介质，进行测试的数据在程序实现中存在于只读存储器（Random Access Memory，RAM）、随机存取存储器（Random Access Memory，RAM）等。

Claims (10)

1.一种基于时空域特征融合的红外弱小目标的检测方法，其特征在于，包括步骤：
将时域、空域特征信息结合起来检测弱小目标；所述将时域、空域特征信息结合起来具体包括：在时域上提取运动特征得到候选目标区域，在空域上提取目标显著性特征进行空域滤波修补得到背景估计图像，再减去背景估计图像得到空域目标显著图，再融合在时域上得到的时域目标显著图与所述空域目标显著图，得到最终的目标显著图，从最终的目标显著图中分割出弱小目标。
2.根据权利要求1所述的基于时空域特征融合的红外弱小目标的检测方法，其特征在于，所述在时域上提取运动特征得到候选目标区域，包括子步骤：S1，读取原始红外图像；S2，利用时间对比度滤波器，得到当前帧的时域目标显著图；S3，利用阈值分割从时域目标显著图中分割出候选目标区域；
所述在空域上提取目标显著性特征进行空域滤波修补得到背景估计图像，包括子步骤：S4，利用图像修补只对候选目标区域进行背景像素估计，重建出当前帧图像的背景估计图；
所述再减去背景估计图像得到空域目标显著图，包括子步骤：S5，利用当前帧图像减去背景估计图像，得到当前帧的空域目标显著图；
所述再融合在时域上得到的时域目标显著图与所述空域目标显著图，得到最终的目标显著图，包括子步骤：S6，利用当前帧的时域目标显著图乘以空域目标显著图，得到最终的目标显著图；
所述从最终的目标显著图中分割出弱小目标，包括子步骤：S7，利用阈值分割从最终的目标显著图中分割出无人机弱小目标，并输出目标信息。
3.根据权利要求2所述的基于时空域特征融合的红外弱小目标的检测方法，其特征在于，在步骤S1中，读取的原始红外图像为多帧序列图像。
4.根据权利要求2所述的基于时空域特征融合的红外弱小目标的检测方法，其特征在于，在步骤S2中，所述时间对比度滤波器中，计算读取的多帧图像中每个像元的时域剖面，根据像元时域剖面上是否存在高于设定值脉冲响应，判断是否有目标经过像元。
5.根据权利要求2所述的基于时空域特征融合的红外弱小目标的检测方法，其特征在于，在步骤S3中，所述阈值分割，采用如下公式：
Figure 682356DEST_PATH_IMAGE001
，
式中，
Figure 298145DEST_PATH_IMAGE002
为第一阈值，
Figure 529406DEST_PATH_IMAGE003
为步骤S2得到时域目标显著图的均值，
Figure 179830DEST_PATH_IMAGE004
为步骤S2得到时 域目标显著图的方差，
Figure 307186DEST_PATH_IMAGE005
为常数，
Figure 410271DEST_PATH_IMAGE006
取值范围为2到8；当时域目标显著图中像素值大于
Figure 445223DEST_PATH_IMAGE002
时，记为候选弱小目标区域。
6.根据权利要求2所述的基于时空域特征融合的红外弱小目标的检测方法，其特征在于，在步骤S4中，利用标记候选目标区域，将当前帧图像分为目标区域像素和背景区域像素，利用背景区域像素对目标区域像素进行背景估计，获得当前帧的背景估计图像。
7.根据权利要求2所述的基于时空域特征融合的红外弱小目标的检测方法，其特征在于，在步骤S7中，所述阈值分割，采用如下公式：
Figure 950154DEST_PATH_IMAGE007
，
式中，
Figure 45149DEST_PATH_IMAGE008
为第二阈值，
Figure 901110DEST_PATH_IMAGE009
为步骤S6得到的最终的目标显著图的最大值，
Figure 208594DEST_PATH_IMAGE010
取值范围 为[0.6,0.9]；当最终的目标显著图中像素灰度值大于
Figure 833610DEST_PATH_IMAGE008
时为标记为目标像素。
8.根据权利要求6所述的基于时空域特征融合的红外弱小目标的检测方法，其特征在于，所述利用背景区域像素对目标区域像素进行背景估计，获得当前帧的背景估计图像，包括子步骤：每完成一个目标区域像素点的背景灰度值计算，都将其更新到背景区域，再进行下一个目标区域像素点的背景估计。
9.根据权利要求6所述的基于时空域特征融合的红外弱小目标的检测方法，其特征在于，所述利用背景区域像素对目标区域像素进行背景估计，获得当前帧的背景估计图像，包括子步骤：通过计算目标区域像素的像素点的邻域窗口内所有背景像素的平均值，得到该像素点的背景估计值。
10.一种基于时空域特征融合的红外弱小目标的检测装置，其特征在于，包括可读存储介质和程序，当程序在所述可读存储介质中被处理器加载运行时，实现如权利要求1~9中任一所述方法。
CN202210949749.5A 2022-08-09 2022-08-09 基于时空域特征融合的红外弱小目标的检测方法及装置 Pending CN115035378A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210949749.5A CN115035378A (zh) 2022-08-09 2022-08-09 基于时空域特征融合的红外弱小目标的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210949749.5A CN115035378A (zh) 2022-08-09 2022-08-09 基于时空域特征融合的红外弱小目标的检测方法及装置

Publications (1)

Publication Number Publication Date
CN115035378A true CN115035378A (zh) 2022-09-09

Family

ID=83131280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210949749.5A Pending CN115035378A (zh) 2022-08-09 2022-08-09 基于时空域特征融合的红外弱小目标的检测方法及装置

Country Status (1)

Country Link
CN (1) CN115035378A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205655A (zh) * 2022-09-15 2022-10-18 中国科学院长春光学精密机械与物理研究所 动态背景下的红外暗弱点目标检测系统及其检测方法
CN116449332A (zh) * 2023-06-14 2023-07-18 西安晟昕科技股份有限公司 一种基于mimo雷达的空域目标检测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930072A (zh) * 2010-07-28 2010-12-29 重庆大学 基于多特征融合的红外弱小运动目标航迹起始方法
US20160210528A1 (en) * 2014-02-24 2016-07-21 Beijing University Of Technology Method for detecting visual saliencies of video image based on spatial and temporal features
CN106611427A (zh) * 2015-10-21 2017-05-03 中国人民解放军理工大学 基于候选区域融合的视频显著性检测方法
CN107392095A (zh) * 2017-06-15 2017-11-24 杭州红辉电子科技有限公司 一种基于掩码图像的红外弱小目标检测算法
CN107767400A (zh) * 2017-06-23 2018-03-06 北京理工大学 基于层次化显著性分析的遥感图像序列动目标检测方法
CN110909594A (zh) * 2019-10-12 2020-03-24 杭州电子科技大学 一种基于深度融合的视频显著性检测方法
CN110969605A (zh) * 2019-11-28 2020-04-07 华中科技大学 一种基于空时显著图的运动小目标检测方法和系统
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
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
CN113283438A (zh) * 2021-03-25 2021-08-20 北京工业大学 基于多源显著性和时空榜样适配的弱监督视频目标分割方法
CN113449658A (zh) * 2021-07-05 2021-09-28 四川师范大学 基于空域、频域、时域的夜间视频序列显著性检测方法
CN114372936A (zh) * 2022-01-10 2022-04-19 中国人民解放军国防科技大学 一种基于图像修补技术的红外弱小目标检测方法
CN114648547A (zh) * 2022-03-09 2022-06-21 中国空气动力研究与发展中心计算空气动力研究所 用于反无人机红外探测系统的弱小目标检测方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930072A (zh) * 2010-07-28 2010-12-29 重庆大学 基于多特征融合的红外弱小运动目标航迹起始方法
US20160210528A1 (en) * 2014-02-24 2016-07-21 Beijing University Of Technology Method for detecting visual saliencies of video image based on spatial and temporal features
CN106611427A (zh) * 2015-10-21 2017-05-03 中国人民解放军理工大学 基于候选区域融合的视频显著性检测方法
CN107392095A (zh) * 2017-06-15 2017-11-24 杭州红辉电子科技有限公司 一种基于掩码图像的红外弱小目标检测算法
CN107767400A (zh) * 2017-06-23 2018-03-06 北京理工大学 基于层次化显著性分析的遥感图像序列动目标检测方法
CN110909594A (zh) * 2019-10-12 2020-03-24 杭州电子科技大学 一种基于深度融合的视频显著性检测方法
CN110969605A (zh) * 2019-11-28 2020-04-07 华中科技大学 一种基于空时显著图的运动小目标检测方法和系统
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
CN113283438A (zh) * 2021-03-25 2021-08-20 北京工业大学 基于多源显著性和时空榜样适配的弱监督视频目标分割方法
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
CN113449658A (zh) * 2021-07-05 2021-09-28 四川师范大学 基于空域、频域、时域的夜间视频序列显著性检测方法
CN114372936A (zh) * 2022-01-10 2022-04-19 中国人民解放军国防科技大学 一种基于图像修补技术的红外弱小目标检测方法
CN114648547A (zh) * 2022-03-09 2022-06-21 中国空气动力研究与发展中心计算空气动力研究所 用于反无人机红外探测系统的弱小目标检测方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FAN ZHAO等: "Infrared Bird Target Detection Based on Temporal Variation Filtering and a Gaussian Heat-Map Perception Network", 《APPLIED SCIENCES》 *
YIFAN LIU等: "A Multiframes Integration Object Detection Algorithm Based on Time-Domain and Space-Domain", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *
司马端: "复杂背景条件下红外弱小目标检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
高金艳: "新型探测体制下红外弱小目标检测技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205655A (zh) * 2022-09-15 2022-10-18 中国科学院长春光学精密机械与物理研究所 动态背景下的红外暗弱点目标检测系统及其检测方法
CN116449332A (zh) * 2023-06-14 2023-07-18 西安晟昕科技股份有限公司 一种基于mimo雷达的空域目标检测方法
CN116449332B (zh) * 2023-06-14 2023-08-25 西安晟昕科技股份有限公司 一种基于mimo雷达的空域目标检测方法

Similar Documents

Publication Publication Date Title
TWI676963B (zh) 目標獲取方法及設備
CN115035378A (zh) 基于时空域特征融合的红外弱小目标的检测方法及装置
CN107424171B (zh) 一种基于分块的抗遮挡目标跟踪方法
CN110728697A (zh) 基于卷积神经网络的红外弱小目标检测跟踪方法
US10614736B2 (en) Foreground and background detection method
CN109785366B (zh) 一种针对遮挡的相关滤波目标跟踪方法
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
CN113409361B (zh) 一种多目标跟踪方法、装置、计算机及存储介质
CN112802020B (zh) 基于图像修补和背景估计的红外弱小目标检测方法
CN111369570B (zh) 一种视频图像的多目标检测跟踪方法
CN110147768B (zh) 一种目标跟踪方法及装置
CN110827262B (zh) 一种基于连续有限帧红外图像的弱小目标检测方法
CN111881837B (zh) 基于阴影提取的视频sar运动目标检测方法
CN113222824B (zh) 一种红外图像超分辨率及小目标检测方法
CN114648547B (zh) 用于反无人机红外探测系统的弱小目标检测方法和装置
CN114373130A (zh) 一种天基红外暗弱小运动目标检测方法
CN113822352A (zh) 基于多特征融合的红外弱小目标检测方法
Li et al. A collaborative learning tracking network for remote sensing videos
CN111161308A (zh) 一种基于关键点匹配的双波段融合目标提取方法
CN111091583A (zh) 长期目标跟踪方法
Joo et al. A temporal variance-based moving target detector
CN111161323B (zh) 一种基于相关滤波的复杂场景目标跟踪方法及系统
CN116958416A (zh) 一种三维建模方法、装置、系统以及存储介质
CN114842235A (zh) 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法
Prahara et al. Depth inpainting scheme based on edge guided non local means

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