CN112837335A - 一种中长波红外复合的抗干扰方法 - Google Patents

一种中长波红外复合的抗干扰方法 Download PDF

Info

Publication number
CN112837335A
CN112837335A CN202110113428.7A CN202110113428A CN112837335A CN 112837335 A CN112837335 A CN 112837335A CN 202110113428 A CN202110113428 A CN 202110113428A CN 112837335 A CN112837335 A CN 112837335A
Authority
CN
China
Prior art keywords
target
wave
medium
information
band
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
CN202110113428.7A
Other languages
English (en)
Other versions
CN112837335B (zh
Inventor
杨俊彦
余跃
蔡彬
杨波
林前进
陈宗镁
刘浩伟
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.)
Shanghai Aerospace Control Technology Institute
Original Assignee
Shanghai Aerospace Control Technology Institute
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 Shanghai Aerospace Control Technology Institute filed Critical Shanghai Aerospace Control Technology Institute
Priority to CN202110113428.7A priority Critical patent/CN112837335B/zh
Publication of CN112837335A publication Critical patent/CN112837335A/zh
Application granted granted Critical
Publication of CN112837335B publication Critical patent/CN112837335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种中长波红外复合的抗干扰方法，属于图像分割技术和目标提取技术领域。本发明根据目标和干扰成像后在多个波段特征点的差异性，提取当前多波段图像有效特征向量，依托目标灰度信息，利用特征级和决策级融合方法对提取的目标进行筛选和比对，进而确定真实目标。所述融合检测方法根据目标和干扰在多波段成像的特征差异，引入基于多波段图像分割方法，在分割后图像中抽取典型特征向量，设计基于中波多波段双色比信息的特征值融合和筛选机制，同时根据目标灰度信息，选择中波或者长波目标识别结果作为真实目标输出结果。本发明通过引入特征级和决策级融合方法，丰富了目标检测过程中的波段信息提取，提升了对抗红外诱饵干扰的成功率。

Description

一种中长波红外复合的抗干扰方法
技术领域
本发明涉及一种中长波红外复合的抗干扰方法，特别是涉及一种应用于复杂背景下红外成像***的目标检测方法，属于图像分割技术和目标提取技术领域。
背景技术
在现代高科技战争中，为了能够尽早地发现敌方来袭导弹、飞机等军事目标，使制导***有足够的反应时间，要求红外侦察***在远距离处就能发现目标。只有及时地发现目标、跟踪目标、捕获和锁定目标，才能对其实施有效地拦截或攻击。目前单色红外探测获得的信息较单一，在抗干扰方面存在体制上的劣势。多波段体制成像***成为研究热点，这其中的多波段图像联合抗干扰技术是该领域的关键技术之一，而如何融合多波段图像信息成为该技术的一个难题。
多波段图像融合可分为像素级融合、特征级融合和决策级融合。其中像素级融合主要方法有HIS变换、神经网络法、小波变换等，特征级融合主要方法有聚类分析法、信息熵方法等，决策级融合主要方法有Bayes估计法、Neural Network法等，在实际应用中根据红外成像***的特点选择合适的图像融合方法，以达到快速检测识别目标的目的。现有方法均存在算法复杂且实时性差的问题，在嵌入式快速响应***上工程化实现难度极大。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种中长波红外复合的抗干扰方法，根据目标和干扰成像后在多个波段特征点的差异性，提取当前多波段图像有效特征向量，依托目标灰度信息，利用特征级和决策级融合方法对提取的目标进行筛选和比对，进而确定真实目标。所述融合检测方法根据目标和干扰在多波段成像的特征差异，引入基于多波段的图像分割方法，在分割后图像中抽取典型特征向量，设计基于中波多波段双色比信息的特征值融合和筛选机制，同时根据目标灰度信息，选择中波或者长波目标识别结果作为真实目标输出结果。本发明与现有技术相比，其效果是：通过引入特征级和决策级融合方法，丰富了目标检测过程中的波段信息提取，提升了对抗红外诱饵干扰的成功率。
本发明的技术解决方案是：一种中长波红外复合的抗干扰方法，包括如下步骤：
步骤一：通过多阈值分割方法对中波多波段红外图像进行分割，对所有分割出的对象进行特征值统计；
步骤二：在每个波段图像中建立基于分割对象的位置和灰度的特征向量，并按照位置顺序进行排列；
步骤三：判别当前分割对象的灰度值是否小于某个阈值；若小于某个阈值，则基于分割对象的位置信息，计算对应的双色比信息，利用双色比信息对分割对象进行目标和干扰的分类，根据多帧累计的结果确认目标；若当前分割对象的灰度值大于某个阈值，则选取中波目标位置区域的长波图像分割对象作为长波匹配模板对目标进行实时匹配并输出对应的坐标信息。
进一步地，所述计算对应的双色比信息，具体为：利用位置信息的排序，以当前某一个波段的分割对象灰度为基准，计算其它波段对应分割对象的灰度与该波段分割对象的灰度的比值，得到各个波段对应该波段的灰度双色比信息，形成双色比特征值向量。
进一步地，所述根据多帧累计的结果确认目标，具体为：根据预先存储的双色比信息对当前的双色比特征向量进行遍历和筛选，选出当前帧的疑似目标和干扰，利用多帧筛选的结果确认真实目标。
进一步地，所述步骤一中，由中波多波段红外成像***得到在两个中波波段的红外成像图；对于其中的一个波段，取高于背景绝对灰度值200为各区域的分割阈值，对全图区域进行分割后，在全图区域采用极大值遍历方式，求取每个区域对应的极大值，取某个极大值灰度五分之四以上的区域确定为该极大值对应的分割对象，并提取出所有分割对象；利用形心坐标求取方法获得任一分割对象的位置信息，求取平均灰度值获得该分割对象的灰度信息；对另外一个中波波段中采取相同的分割方法，求取目标和背景的红外特征信息，对应的分割阈值为150。
进一步地，所述步骤二中，根据各个波段内分割对象的位置信息，在同一波段的红外图像，首先按照横坐标信息对分割对象进行初次升序排列，再根据纵坐标对分割对象进行再次升序排序，形成基于位置信息的坐标和灰度向量集。
进一步地，所述步骤三中，根据坐标和灰度向量集，以当前某一个波段为基准即主波段，在主波段分割出的对象坐标位置附近寻找其它波段对应的分割对象，求取该分割对象灰度的双色比信息；其中分割对象位置的横坐标和纵坐标选定范围均为5个像素距离；在此基础上，形成1个基于主波段的双色比特征向量集合。
进一步地，取预先存储的目标双色比数值的±15％的范围为筛选目标的阈值范围对目标和干扰进行筛选，取满足该范围的对象为疑似目标，并利用目标特征在时域上的连续性确认目标。
进一步地，所述选取中波目标位置区域的长波图像分割对象作为长波匹配模板对目标进行实时匹配并输出对应的坐标信息，具体为：利用中波已知的目标位置信息，在长波图像对应的区域对原始图像进行分割，对分割目标的灰度和纹理信息进行统计，并形成特征值，利用特征值对长波图像内的疑似目标进行匹配。
本发明与现有技术相比的优点在于：
(1)本发明利用目标和干扰在不同的中长波红外成像的特性，形成基于不同波段的红外特征图像，可在不同波段提取目标红外特性，为后期特征级及决策级融合提供信息基础；
(2)本发明通过多波段之间目标和干扰的特征差异，形成基于位置的双色比特征集合，利用双色比特征集合筛选目标、虚假目标、干扰，可以降低识别虚假目标的可能性，增大目标提取成功的概率；即降低虚警率，提高检测概率。
(3)本发明计算多波段双色比信息的过程只引入简单的除法运算，形成了双色比特征集合，运算速度极快且运算资源占有率低，易于在较低性能的硬件平台上实现。
(4)本发明利用先验的双色比信息筛选目标和干扰，以多帧累积的方法来确认真实目标，该结论可靠性高且目标信息可追溯。
(5)本发明采用的长波模板匹配是基于特征的模板匹配方式，在特定波门内利用滑窗的方式对目标区域进行筛选和匹配，计算量相比传统的模板匹配方式有大幅度的下降，易于实现。
附图说明
图1为本发明实施例的方法流程图；
图2为2个中波波段和长波的红外成像原始图像示意图，其中(2a)为波段1原始图像，(2b)为波段2原始图像，(2c)为长波原始图像。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
以下结合说明书附图对本申请实施例所提供的一种中长波红外复合的抗干扰方法做进一步详细的说明，具体实现方式可以包括(如图1、2所示)：
步骤一：多波段红外成像***接收红外图像信息，形成多波段红外图像，利用多阈值分割算法获取多波段分割图像。
步骤二：在分割图像的基础上分别提取每个波段各候选目标的特征值，形成基于目标位置和灰度的特征向量集，并根据目标位置信息进行特征向量集排序。
步骤三：若疑似目标灰度值小于设定的灰度阈值，则通过目标位置和灰度的特征向量集，对各波段相应位置上的疑似目标进行双色比计算，得到基于位置的双色比信息集合，否则进入步骤六。
步骤四：对所得双色比信息集合进行遍历，筛选目标和干扰，形成目标和干扰的两个集合。
步骤五：根据多帧积累的方式确认真实目标。
步骤六：若当前中波图像的疑似目标灰度大于设定的灰度阈值，则将当前中波波段的目标方位发送给长波波段，长波波段以当前分割出的目标信息作为模板对目标进行匹配。
步骤七：在长波波段信息处理过程中实时更新目标匹配模板，对目标进行持续跟踪并输出坐标信息。
在本申请实施例所提供的方案中，根据目标和干扰多波段成像特点，提取候选目标特征向量，利用特征级融合方法形成基于多特征点差异的向量集合，在中波波段目标灰度值小于某阈值时依托预先标定的多波段红外特征信息模板，通过信息比对和筛选，区分目标和干扰，进而完成对红外目标的有效提取，在中波波段目标灰度值大于某阈值时，则采用长波模板匹配方式对目标进行提取，并输出坐标信息。
具体的，在一种可能实现的方式中，本发明可以包括如下步骤：
步骤一：通过多阈值分割方法对中波多波段红外图像进行分割，对所有分割出的对象进行特征值统计；
步骤二：在每个波段图像中建立基于分割对象的位置和灰度的特征向量，并按照位置顺序进行排列；
步骤三：判别当前分割对象的灰度值是否小于某个阈值，若小于某个阈值，则基于分割对象的位置信息，计算对应的双色比信息，利用双色比信息对分割对象进行目标和干扰的分类，根据多帧累计的结果确认目标。
步骤四：若当前分割对象的灰度值大于某个阈值，则选取中波目标位置区域的长波图像分割对象作为长波匹配模板对目标进行实时匹配并输出对应的坐标信息。
进一步，步骤一中，根据多波段红外成像***接收的图像，利用基于每个波段的多阈值分割方法对红外图像进行分割，得到每个波段的分割图像，对每个波段内的所有分割对象进行两维坐标和灰度值统计。
在一种可能实现的方式中，步骤二中，根据分割对象统计的特征值，对每个波段内的分割对象进行位置信息的升序排序，建立基于位置信息的灰度向量集。
进一步，在一种可能实现的方式中，步骤三中，利用位置信息的排序，以当前某一个波段的分割对象灰度为基准，计算其它波段对应分割对象的灰度与该波段分割对象的灰度的比值，得到各个波段对应的该波段灰度双色比信息，形成双色比特征值向量。根据预先存储的双色比信息对当前双色比特征向量集进行遍历和筛选，选出当前帧疑似目标和干扰，利用多帧筛选结果确认真实目标。
在一种可能实现的方式中，步骤四中，利用中波已知的目标位置信息，在长波图像对应的区域对原始图像进行分割，对分割目标的灰度和纹理信息进行统计，并形成特征模板，利用特征模板对长波图像内的疑似目标进行匹配。
实施例：
由于红外图像在多种红外波段内的成像结果不尽相同，因此在抗干扰过程中，通过选取目标和干扰在各个波段之间的差异来区分干扰和目标，其中特征点包括目标和干扰的位置信息和灰度信息。本发明采用位置和灰度的特征级融合方式对2波段中波红外图像进行目标检测。
中长波红外复合的抗干扰方法主要通过以下过程展开：
1)取一幅目标图像，得到该图像在2个中波波段的红外成像图，以某一个波段为例，取高于背景绝对灰度值200为各区域的分割阈值，对全图区域进行分割后，在全图区域采用极大值遍历方式，求取每个区域对应的极大值，取某个极大值灰度五分之四以上的区域确定为该极大值对应的分割对象，并提取出所有分割对象。利用形心坐标求取方法获得任一分割对象的位置信息，求取平均灰度值获得该分割对象的灰度信息。同理，在另外一个中波波段中采取相同的分割方法，求取目标和背景的红外特征信息，对应的分割阈值为150。
分割对象的两维位置信息获取模型如下：
Figure BDA0002919904710000071
xi∈[xmin,xmax],n为分割区域像元个数
Figure BDA0002919904710000072
yi∈[ymin,ymax],n为分割区域像元个数
其中，(xc,yc)为分割目标形心对应的坐标。
分割对象的灰度信息获取模型如下：
Figure BDA0002919904710000073
grayi∈[graymin,graymax],n为分割区域像元个数
2)根据各个波段内的分割对象的位置信息，在同一波段的红外图像，首先按照横坐标信息对分割对象进行初次升序排列，再根据纵坐标对分割对象进行再次升序排序，形成基于位置信息的坐标、灰度向量集。
Figure BDA0002919904710000074
m为分割对象数目
3)在坐标、灰度向量集的基础上，以当前某一个波段为基准，称之为主波段，在主波段分割出的对象坐标位置附近寻找其它波段对应的分割对象，求取该分割对象灰度的双色比信息。其中分割对象位置的横坐标和纵坐标选定范围均为5个像素距离。在此基础上，形成1个基于主波段的双色比特征向量集合。灰度双色比计算方式如下：
Figure BDA0002919904710000075
4)此时目标与干扰的双色比信息均存于双色比特征向量集合内，取预先存储的目标双色比数值的±15％的范围为筛选目标的阈值范围对目标和干扰进行筛选，取满足该范围的对象为疑似目标，并利用目标在时域上的连续性(灰度、尺寸和运动轨迹存在一定的规律)来确认目标。
5)判别当前主目标的灰度值是否大于某阈值(初值设置为12000)，如果不大于该阈值，则重复执行1)～4)的过程，如果大于该阈值，则利用上一帧中波真实目标坐标，在当前帧对应的长波图像区域内提取目标的灰度和纹理信息作为目标识别的初始模板。
6)根据检测结果实时更新匹配模块，完成长波图像的目标检测。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (8)

1.一种中长波红外复合的抗干扰方法，其特征在于，包括如下步骤：
步骤一：通过多阈值分割方法对中波多波段红外图像进行分割，对所有分割出的对象进行特征值统计；
步骤二：在每个波段图像中建立基于分割对象的位置和灰度的特征向量，并按照位置顺序进行排列；
步骤三：判别当前分割对象的灰度值是否小于某个阈值；若小于某个阈值，则基于分割对象的位置信息，计算对应的双色比信息，利用双色比信息对分割对象进行目标和干扰的分类，根据多帧累计的结果确认目标；若当前分割对象的灰度值大于某个阈值，则选取中波目标位置区域的长波图像分割对象作为长波匹配模板对目标进行实时匹配并输出对应的坐标信息。
2.根据权利要求1所述的一种中长波红外复合的抗干扰方法，其特征在于，所述计算对应的双色比信息，具体为：利用位置信息的排序，以当前某一个波段的分割对象灰度为基准，计算其它波段对应分割对象的灰度与该波段分割对象的灰度的比值，得到各个波段对应该波段的灰度双色比信息，形成双色比特征值向量。
3.根据权利要求1所述的一种中长波红外复合的抗干扰方法，其特征在于，所述根据多帧累计的结果确认目标，具体为：根据预先存储的双色比信息对当前的双色比特征向量进行遍历和筛选，选出当前帧的疑似目标和干扰，利用多帧筛选的结果确认真实目标。
4.根据权利要求1所述的一种中长波红外复合的抗干扰方法，其特征在于，所述步骤一中，由中波多波段红外成像***得到在两个中波波段的红外成像图；对于其中的一个波段，取高于背景绝对灰度值200为各区域的分割阈值，对全图区域进行分割后，在全图区域采用极大值遍历方式，求取每个区域对应的极大值，取某个极大值灰度五分之四以上的区域确定为该极大值对应的分割对象，并提取出所有分割对象；利用形心坐标求取方法获得任一分割对象的位置信息，求取平均灰度值获得该分割对象的灰度信息；对另外一个中波波段中采取相同的分割方法，求取目标和背景的红外特征信息，对应的分割阈值为150。
5.根据权利要求4所述的一种中长波红外复合的抗干扰方法，其特征在于，所述步骤二中，根据各个波段内分割对象的位置信息，在同一波段的红外图像，首先按照横坐标信息对分割对象进行初次升序排列，再根据纵坐标对分割对象进行再次升序排序，形成基于位置信息的坐标和灰度向量集。
6.根据权利要求5所述的一种中长波红外复合的抗干扰方法，其特征在于，所述步骤三中，根据坐标和灰度向量集，以当前某一个波段为基准即主波段，在主波段分割出的对象坐标位置附近寻找其它波段对应的分割对象，求取该分割对象灰度的双色比信息；其中分割对象位置的横坐标和纵坐标选定范围均为5个像素距离；在此基础上，形成1个基于主波段的双色比特征向量集合。
7.根据权利要求6所述的一种中长波红外复合的抗干扰方法，其特征在于，取预先存储的目标双色比数值的±15％的范围为筛选目标的阈值范围对目标和干扰进行筛选，取满足该范围的对象为疑似目标，并利用目标特征在时域上的连续性确认目标。
8.根据权利要求1所述的一种中长波红外复合的抗干扰方法，其特征在于，所述选取中波目标位置区域的长波图像分割对象作为长波匹配模板对目标进行实时匹配并输出对应的坐标信息，具体为：利用中波已知的目标位置信息，在长波图像对应的区域对原始图像进行分割，对分割目标的灰度和纹理信息进行统计，并形成特征值，利用特征值对长波图像内的疑似目标进行匹配。
CN202110113428.7A 2021-01-27 2021-01-27 一种中长波红外复合的抗干扰方法 Active CN112837335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110113428.7A CN112837335B (zh) 2021-01-27 2021-01-27 一种中长波红外复合的抗干扰方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110113428.7A CN112837335B (zh) 2021-01-27 2021-01-27 一种中长波红外复合的抗干扰方法

Publications (2)

Publication Number Publication Date
CN112837335A true CN112837335A (zh) 2021-05-25
CN112837335B CN112837335B (zh) 2023-05-09

Family

ID=75932011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110113428.7A Active CN112837335B (zh) 2021-01-27 2021-01-27 一种中长波红外复合的抗干扰方法

Country Status (1)

Country Link
CN (1) CN112837335B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226820A (zh) * 2013-04-17 2013-07-31 南京理工大学 改进的二维最大熵分割夜视图像融合目标检测算法
CN103854281A (zh) * 2013-12-26 2014-06-11 辽宁师范大学 基于波段选择的高光谱遥感影像矢量c-v模型分割方法
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
CN105427268A (zh) * 2015-12-01 2016-03-23 中国航空工业集团公司洛阳电光设备研究所 一种中长波双波段红外图像特征级彩色融合方法
CN106485722A (zh) * 2016-09-21 2017-03-08 北京航天宏图信息技术股份有限公司 一种遥感影像中靠港舰船检测方法
CN107330857A (zh) * 2017-06-21 2017-11-07 中国科学院长春光学精密机械与物理研究所 一种红外图像中暗弱点目标检测方法
CN109102003A (zh) * 2018-07-18 2018-12-28 华中科技大学 一种基于红外物理特征融合的小目标检测方法和***
CN109741376A (zh) * 2018-11-19 2019-05-10 天津津航技术物理研究所 一种基于改进ransac算法的中、长波红外图像配准方法
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
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
CN111291762A (zh) * 2020-03-10 2020-06-16 上海航天控制技术研究所 一种基于多特征点差异的多波段图像融合检测方法
CN111667516A (zh) * 2020-06-05 2020-09-15 北京环境特性研究所 基于拉普拉斯金字塔分解结构的红外偏振信息融合方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226820A (zh) * 2013-04-17 2013-07-31 南京理工大学 改进的二维最大熵分割夜视图像融合目标检测算法
CN103854281A (zh) * 2013-12-26 2014-06-11 辽宁师范大学 基于波段选择的高光谱遥感影像矢量c-v模型分割方法
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
CN105427268A (zh) * 2015-12-01 2016-03-23 中国航空工业集团公司洛阳电光设备研究所 一种中长波双波段红外图像特征级彩色融合方法
CN106485722A (zh) * 2016-09-21 2017-03-08 北京航天宏图信息技术股份有限公司 一种遥感影像中靠港舰船检测方法
CN107330857A (zh) * 2017-06-21 2017-11-07 中国科学院长春光学精密机械与物理研究所 一种红外图像中暗弱点目标检测方法
CN109102003A (zh) * 2018-07-18 2018-12-28 华中科技大学 一种基于红外物理特征融合的小目标检测方法和***
CN109741376A (zh) * 2018-11-19 2019-05-10 天津津航技术物理研究所 一种基于改进ransac算法的中、长波红外图像配准方法
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
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
CN111291762A (zh) * 2020-03-10 2020-06-16 上海航天控制技术研究所 一种基于多特征点差异的多波段图像融合检测方法
CN111667516A (zh) * 2020-06-05 2020-09-15 北京环境特性研究所 基于拉普拉斯金字塔分解结构的红外偏振信息融合方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YANG J等: ""A multi-band approach to unsupervised scale parameter selection for multi-scale image segmentation"", 《ISPRS JOURAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 *
李丽亚等: "一种双/多波段红外目标融合检测方法", 《激光与红外》 *
李秋华等: "双色红外图像目标多特征决策级融合识别算法", 《计算机工程与应用》 *
顾宪松等: "多源红外弱小目标灰色关联融合识别方法", 《激光与红外》 *

Also Published As

Publication number Publication date
CN112837335B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN109978851B (zh) 一种红外视频空中弱小运动目标检测跟踪方法
CN107993245B (zh) 一种空天背景多目标检测和跟踪方法
CN107016357B (zh) 一种基于时间域卷积神经网络的视频行人检测方法
Yang et al. Spatio-temporal action detection with cascade proposal and location anticipation
CN102496016B (zh) 一种基于时空协同框架的红外目标检测方法
Chen et al. Object tracking across non-overlapping views by learning inter-camera transfer models
CN103942557B (zh) 一种煤矿井下图像预处理方法
CN107833239B (zh) 一种基于加权模型约束的寻优匹配目标跟踪方法
Pan et al. Robust abandoned object detection using region-level analysis
CN110222604B (zh) 基于共享卷积神经网络的目标识别方法和装置
CN104834915B (zh) 一种复杂云天背景下小红外目标检测方法
CN113537099A (zh) 一种公路隧道火灾烟雾动态检测方法
CN112818905B (zh) 一种基于注意力和时空信息的有限像素车辆目标检测方法
CN104966054A (zh) 无人机可见光图像中的弱小目标检测方法
Han et al. A method based on multi-convolution layers joint and generative adversarial networks for vehicle detection
CN114495170A (zh) 一种基于局部抑制自注意力的行人重识别方法及***
Miller et al. Person tracking in UAV video
CN111291762B (zh) 一种基于多特征点差异的多波段图像融合检测方法
CN112837335A (zh) 一种中长波红外复合的抗干扰方法
Zhao Motion track enhancement method of sports video image based on otsu algorithm
Wu et al. Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy
Ding et al. HAPNet: a head-aware pedestrian detection network associated with the affinity field
CN114219826B (zh) 一种应用于航拍视频中的地面目标跟踪方法
CN115330839A (zh) 基于无锚孪生神经网络的多目标检测跟踪一体化方法
Long et al. Accurate identification of infrared ship in island-shore background based on visual attention

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