一、基于自适应滤波的强起伏背景下弱小目标检测（论文文献综述）
高金艳[1]（2019）在《新型探测体制下红外弱小目标检测技术研究》文中进行了进一步梳理随着空天探测技术的发展和相机传感器性能的不断提升,线列扫描相机和凝视相机都得到了新的发展。线列相机从传统的单线列向多线列发展,凝视相机从传统小型凝视相机向大面阵凝视相机发展,从而可以获得帧间间隔更短的扫描相机观测图像和大视场覆盖并对感兴趣区域高帧频下传的凝视相机观测图像。但是也需要新的目标检测技术与新的相机探测体制相匹配。本文从新型相机探测体制出发,针对单帧红外弱小目标检测技术,高帧频成像红外弱小目标检测技术,短间隔少帧扫描成像红外弱小目标检测技术三方面展开了深入探索和研究,论文主要工作如下:第二章,从红外场景中弱小目标与背景的不同特征差异性出发,分别介绍基于背景抑制、频域、尺度空间、视觉显着性、面元模型和稀疏重构6类单帧红外弱小目标检测方法,基于时域剖面分析的4种可解决高帧频图像序列中亚像元运动目标的红外弱小目标检测方法和分别基于时空对比度和时空相似度融合的2种可应对少帧图像序列的红外弱小目标检测方法。在典型红外场景中定性分析了各类方法中代表性方法的优缺点以及适应性,本章是后续章节研究的基础。第三章,从单帧红外弱小目标检测问题出发,考虑基于传统的单一量测对比度目标检测算法难以实现复杂场景中的暗小目标的高检测概率和低虚警概率发现,本章提出了基于多量测对比度差异融合的红外弱小目标检测算法。首先,考虑目标所在局部区域通常亮于其邻域背景,本章首先构建了基于局部对比度灰度差异量测的红外弱小目标检测方法。考虑目标在像平面形态不固定,会随着探测距离和观测角度的影响,尺寸在2～9个像元区间内发生变化。因此,本章进一步提出了基于多尺度灰度差异的红外弱小目标检测算法。而后,考虑当滑窗经过目标区域时,内层窗口与外层窗口会出现较为明显的起伏差异,因此,本章进一步构建了基于多尺度方差差异量测的红外弱小目标检测算法。最后,将构建的多尺度灰度差异量测与方差差异量测融合,通过与大量的最新的单帧红外弱小目标检测算法对比,本章提出的方法取得了领先的目标检测效果。第四章,从高帧频序列图像中红外弱小目标检测问题出发,考虑目标可能在帧间存在亚像元运动的特点,提出采用时域剖面的方法对图像序列中相对运动缓慢的红外弱小目标进行检测,同时考虑时域目标检测方法对云边缘背景区域敏感,本章提出了一种局部空域方向对比度量测与时域方差滤波相融合的红外弱小目标检测方法。首先基于这种多尺度空域方向对比度量测对各帧图像进行目标增强与背景抑制。其次,采用时域方差滤波的方法对空域滤波后的增强图像进行逐像元时域剖面分析。实验结果表明,本章提出方法可以低虚警率的实现高帧频图像序列中的红外弱小目标的检测。第五章,从双线列探测器成像特点出发,首先其可以在短时间内获得两帧红外图像的工作原理。其次,利用背景在短时间的变化缓慢忽略不计,而目标与背景存在明显的相对运动特征,提出采用帧间差分算法提取场景中的运动红外弱小目标。之后,考虑双线列所成图像对经帧间差分算法处理后,残差结果中会在云边缘区域有较多的虚警残留,本章提出了一种结构张量云边缘背景抑制方法,实现对空域云边缘背景区域杂波的抑制。实验结果表明,本章提出的云边缘移除方法,可以在一定的检测概率和较低虚警概率下完成双线列所成图像对中红外弱小目标的检测。此外,本章还在实验部分分析了相机空间分辨率,帧间配准精度等因素对红外弱小目标检测性能的影响,为未来优化设计双线列探测器打下了良好的基础。
陆福星[2]（2019）在《天基红外弱小目标图像检测技术研究》文中提出红外探测因全天候、作用距离远和抗干扰性好等优点有广泛的应用。随着科学技术的不断发展,目标类型复杂多样给红外探测系统提出了更高的要求,实现对目标地连续探测具有重要的应用价值。如何实现更早更快地发现并跟踪目标是红外探测信息处理领域迫切需要解决的重点和难点问题。本文围绕天基平台远距离探测红外弱小目标的红外信息处理技术需求,研究了红外弱小目标及其背景的特性,对目标检测与相关技术进行了深入地分析和研究,取得了一定的研究进展和成果。下面介绍论文的研究工作和主要研究成果:在红外弱小目标的图像特性方面,研究了弱小目标的红外辐射特性及红外成像特征,分析了目标的时域变化特性,讨论了目标运动过程中大气、深空背景下的红外图像特性,结合图像的噪声特性,总结了红外弱小目标的检测难点。在复杂背景下的红外图像预处理方面,研究了复杂背景中云背景图像的复杂特点及预处理算法,针对传统的PM模型滤波方法的局限性,本文提出了一种基于Top-hat变换和改进的PM模型滤波相结合的背景抑制算法。仿真实验结果表明本文提出的方法与原有的PM模型滤波相比,算法信噪比提高了2倍,背景抑制能力提升了23倍;在目标检测方面,同等虚警概率下本文的算法检测概率与原有PM模型滤波算法相比提高了40%。也围绕复杂背景中的深空背景图像的特点及红外弱小目标预处理算法开展了初步研究,并进行了仿真验证。在单帧图像的目标检测方面,基于图像检测的基本理论重点分析了五种经典图像分割方法,详细比较了不同算法的应用场景,结合本课题研究对象的特点,选取了恒虚警率的图像分割方法。针对复杂背景下的红外弱小目标检测困难的问题,提出了一种背景自适应的多特征融合检测方法,根据不同背景下的序列图像进行背景自适应判断,选取不同的预处理方法,然后利用目标的梯度特征、局部熵和方向比率等特征进行融合,提高红外弱小目标检测性能。仿真实验表明,本文提出的检测算法可以有效减少单帧虚警的个数,明显提高系统的检测效率。在序列图像的检测方面,本文详细分析了经典的先检测后跟踪方法和先跟踪后检测方法,比较了两类算法的优缺点。针对传统管道滤波难以消除固定背景尖锐噪声而造成虚警较高的局限性,提出了一种动态管道滤波方法,充分利用目标在时间维上的运动连续性和灰度一致性的特点,对帧间疑似目标进行连续匹配,并对管道进行动态更新,及时删除虚假的背景噪声,能有效提升检测概率和降低虚警概率。针对10个目标的序列仿真和实测图像结果表明:云背景序列图像中,在信噪比为2的条件下原有的管道滤波算法检测概率为80.5%,虚警概率为2.5806×10-6,本文的算法检测概率则提高到96%,虚警概率降为4.9032×10-7。同时,本文的算法处理时间仅为原来的管道滤波的50%,显着提高了算法的效率。在目标跟踪方面,本文研究了基于滤波和数据关联与基于目标建模和定位等跟踪算法的特点和适应场景,采用概率数据关联与卡尔曼滤波相结合的算法实现对红外弱小目标的跟踪。利用卡尔曼滤波器对目标运动位置进行预测,在以预测点为中心的跟踪门内进行可疑目标提取,利用概率数据关联实现对目标的精确定位,实时更新卡尔曼滤波器参数,并预测下一步目标出现的位置,实现目标的有效跟踪,仿真和实验结果表明该算法红外弱小目标的定位精度整体误差在23个像素,有明显的提高。最后,本课题设计了仿真验证系统和红外探测实验平台,从检测概率、虚警概率和处理速度等方面进行验证与数据比对,利用仿真和实测图像数据验证了本文提出的处理算法的有效性和处理框架的合理性,算法具备移植硬件可能性。
李雪琦[3]（2019）在《复杂背景弱小目标特征分析与识别策略研究》文中研究指明随着世界各国军事实力的提升和作战环境的复杂化,红外探测系统被广泛地应用在精确制导、航空航天等军事和民用领域中。由于需要尽可能提高检测距离,提早发现运动目标,原始图像中目标辐射能量往往非常弱,并且呈点状,缺乏纹理信息。同时,复杂地面背景的干扰使得目标极易被淹没。基于这些客观因素,复杂地背景下的红外弱小目标的检测和识别是当前研究的热点和难点问题。论文针对复杂地背景弱小目标、背景、噪声的特性分析,建立了复杂地背景弱小目标的稳定不变特征知识库,在此基础上,论文从前端图像采集策略、后端图像处理算法两个角度制定了有针对性的策略,有效抑制了强噪声地背景的虚警干扰,实现了复杂地背景弱小目标的稳定检测、识别及跟踪。论文的主要工作及贡献体现在:1.针对复杂地背景的特殊应用场景,研究了国内外文献提出的弱小目标检测方法,基于地背景的特性提出了相应的弱小目标检测方案的整体架构。2.研究了红外弱小目标的特性,此外还深入探索了红外原始图像中背景和噪声的特性,并提出了有效的区分方法。通过对特性的总结,论文建立了完备且稳定的目标特征知识库,解决了地背景造成的虚警过多和轨迹关联不稳定的问题。3.基于对人类视觉特性的研究,提出了一种混合滤波方法和基于复杂度的自适应分割算法,解决了复杂地背景下目标过于微弱,探测率低的问题,实现了针对不同复杂度背景的自适应目标检测。4.在对序列图像的时域特性的研究的基础上,使用了一种新的图像采集策略,既扩大了能够预警的视场,又突出了目标的运动特性。同时根据时域中目标表现出的特征连续性,提出了帧间、场间的虚警滤除机制,以及基于目标特征知识库的管道滤波算法,解决了复杂背景下虚警过多造成干扰的问题。论文针对大量实际挂飞采集和仿真的数据集做了各个方面的算法对比试验,试验结果证明了策略的正确性,有效解决了复杂地背景下的强噪声干扰导致的虚警和漏检问题,实现了针对地背景弱小目标探测的图像采集机制和检测机制的创新。
樊香所[4]（2019）在《序列图像弱小目标检测与跟踪算法研究》文中指出为提高低信噪比且强噪声干扰下的弱小目标检测与跟踪能力,本文以序列图像目标的运动关联性为基础,先采用预处理手段来抑制背景和增强目标信号,接着针对不同信噪比下的动态场景提出了两种不同的检测算法,最后在检测算法的基础上,为了对前后多帧的目标轨迹进行运动关联,提出了改进的弱小目标跟踪算法,以解决动态场景下目标受到强噪声干扰的问题。主要研究工作如下:（1）背景建模及能量增强方面。首先针对传统背景建模在面临非平稳边缘轮廓区域时建模效果不佳,提出了改进的各向异性差分滤波的算法,该算法主要通过对比目标和背景在邻域内八个方向的梯度差异,从中选取扩散函数值最小的三个方向的均值对图像进行滤波,这样将有效突显出目标和边缘轮廓区的差异,从而在差分图像中很好地保留目标信号;紧接着在获取差分图基础上,提出了融合时空域运动特性的能量增强算法,该算法充分利用目标在时间和空间域的运动信息,有效增强了目标信号。实验表明:2个场景中不同信噪比的图像改进各向异性背景建模获取的均方误差均小于10.2,结构相似性都大于0.951,局部信噪比增益都大于10.6。而融合时空域运动特性的能量增强算法获取的目标平均灰度和图像局部信噪比达到238和13.65dB,进一步提升了目标信号。（2）弱小目标检测算法方面,主要研究动态变化且信噪比低（SNR<3dB）场景下的弱小目标检测算法,针对不同的场景分别提出了自适应修改搜索管径的时空域滤波的弱小目标检测算法和基于运动方向估计的高阶累积量弱小目标检测算法。自适应搜索管径的时空域滤波的弱小目标检测算法是在图像预处理基础上,针对传统检测算法由于采用固定的搜索管径而带来误检和漏检问题,结合尺度空间理论具有获取目标空间位置和尺度的优势,提出了一种利用尺度空间理论自适应修改搜索管径的时空域滤波算法,该算法有效地剔除噪点并准确检测出目标。由于成像系统易受外场光照变化的影响,其采集到图像响应不均匀,图像中含有较多不规则底纹的非均匀性,加之成像系统受到强噪声的干扰,这些因素使得目标的局部信噪比极低,为有效去除图像的非均匀性,文中提出一种序列图像环形扰动的校正算法,以获取序列校正后的图像,并在此基础上,提出了基于运动方向估计的高阶累积量检测算法,该算法先采用多帧累加的方式来增强目标信号,然后结合泊松分布理论来提取候选目标图像,同时采用高阶累积量检测算法进一步提取候选目标图像,最后将上述两幅候选目标图像进行相“与”处理以获取共有候选目标点,紧接着对候选目标点进行运动方向估计,并沿着估计出的运动方向进行累加,来增强弱小目标信号。实验表明:自适应搜索管径的时空域滤波的弱小目标检测算法能有效检测出局部信噪比小于3dB的弱小目标;同时文中提出的环形扰动的校正方法获取的目标局部信噪比相比传统的校正算法提升高于2dB,而基于运动方向估计的高阶累计量检测算法相比于其他算法取得较好的检测效果,可有效检测局部信噪比小于1dB的弱小目标。（3）弱小目标跟踪算法方面,在前面检测算法基础上,主要解决强噪声干扰下弱小目标跟踪过程中易出现粒子退化现象和跟踪效率的问题,文中提出了改进的免疫遗传粒子滤波弱小目标跟踪方法。在免疫遗传粒子滤波跟踪算法下,首先通过构建空间位置加权的方式来获取灰度特征,紧接着提取将目标运动信息与灰度概率充分结合的运动特征,然后这两类特征融入到联合观测模型中共同求解粒子权值,并在跟踪中自适应修改参考模板使其适应动态变化的场景。同时为提高跟踪效率,采用自适应调整粒子数的KLD算法,有效减少了算法的计算量。实验表明:不同场景下的序列图像弱小跟踪结果中,与传统算法相比,该方法能很好地处理强噪声干扰、遮挡和交叉运动的情况,本文算法获取的均方根误差都小于1.5,同时由于加入KLD算法,每秒处理的帧数比传统的粒子滤波高于3倍,有效提高了跟踪效率。
邵良开[5]（2015）在《深空背景红外弱小目标检测和跟踪技术研究》文中研究说明红外成像技术是一种被动接受目标的红外热辐射特性从而获得目标图像的技术,其优点为隐蔽性强、全时段、观测范围大等。随着红外技术的不断发展及深入研究,红外系统已经被广泛应用于监控、制导、跟踪和搜索等军事及民用场景。其中,红外弱小目标检测和跟踪技术是研究热点之一。深空背景下的红外弱小目标具有以下三个特点,因此使得对它的检测和跟踪变得更为困难:?由于成像距离较远,观测到的目标为弱小目标,目标在图像中仅仅占很少的像素数;?在系统噪声和背景噪声的双重干扰下,目标信号一般较弱,并且很容易淹没于强起伏的背景环境中;?由于观测到的是红外弱小目标,目标没有固定的形状,并且缺少纹理信息,大大减少了可提取的目标点特征信息。因此,深空背景条件下的目标检测和跟踪算法研究是一个非常有挑战的课题,对其进行深入研究具有重要的理论意义和实际应用价值。本文紧密围绕深空背景下红外弱小目标检测和跟踪技术进行了深入的研究,主要工作和创新点如下:（1）研究了深空红外图像预处理算法。提出了一种基于方差加权信息熵为复杂度指标的自适应Butterworth高通滤波预处理算法。该算法首先基于方差加权信息熵指标对深空红外图像背景复杂度进行定量衡量,在此基础上提出了深空红外图像背景复杂度的概念,然后利用衡量后的参数,调节Butterworth高通滤波器系数,对简单背景、高噪声点干扰和目标淹没环境下的背景图像进行了自适应处理。实验结果表明,基于方差加权信息熵的Butterworth高通滤波算法可以较好地抑制背景噪声,从而提高图像信噪比。（2）研究了深空背景红外图像弱小目标检测算法。针对传统Otsu算法分割性能不高和实时性差的问题,提出了一种二维直方图斜分Otsu快速迭代算法。该算法首先分析了二维直方图斜分相比于直分算法的优势,然后结合迭代的思想,针对深空背景红外图像目标的特点,利用能量累积算法对其进行优化。实验结果表明,基于能量累积的二维直方图斜分Otsu快速迭代算法能够较好地提升目标检测性能,同时满足实时性要求。（3）研究了深空背景红外图像弱小目标跟踪算法。提出了一种基于多特征融合的优化辅助粒子滤波跟踪算法。该算法针对深空红外弱小目标特征缺乏且难于提取的问题,首先分析了多特征融合的有效性,利用多特征融合的思想,结合不同种类特征的特点来增加目标的信息量;然后采用针对非线性非高斯环境的粒子滤波跟踪算法,通过增加辅助变量的方式优化权值更新,并在算法的滤波过程中嵌入经典的Mean-shift算法,结合多特征融合的优点,从而优化整个跟踪过程。实验结果表明,基于多特征融合的优化辅助粒子滤波跟踪算法,具有较好的准确性和鲁棒性。
龚俊亮[6]（2013）在《红外弱小多目标实时检测跟踪技术研究》文中认为随着常规兵器朝着一体化、信息化和远程精确打击方向发展，装备信息化、平台自动化、侦查远程化、弹药制导化、系统网络化、毁伤多样化等趋势和特点日益明显，上述变化均对常规兵器试验鉴定提出了新的更高要求。作为试验鉴定的重要组成部分，通过测量目标弹体飞行弹道参数来揭示被测试武器装备内在性能和固有特性已成为靶场采用的最直接最有效的手段，且其面临着愈加严峻地挑战。在靶场光学测量设备中，常用的可见光成像系统拍摄的可见光图像包含清晰的弹体信息，通过判读可以得到弹体飞行轨迹和姿态参数，但可见光成像容易受天气环境影响，当目标弹体与成像背景颜色相近时，很难进行目标弹体的识别，这些局限性导致在试验中不能保证拍摄到的可见光图像可以用于完成对目标弹体飞行弹道参数的精确测量。近些年来，随着红外技术的不断发展，红外测量以其捕获能力强、作用距离远、对天气和背景的适应性较好等特点，越来越受靶场光测的青睐。可当目标为远距离成像时，其在靶面的成像占据很小的像元数量，且目标信噪比低，容易被背景淹没。因此，红外弱小目标的检测跟踪问题一直是机器视觉领域的难题。同时导弹及飞行器甚至炮弹的运动速度及机动性能越来越强，尤其是当视场中为多目标时，检测与跟踪能否实时实现也关系到系统性能的高低。本文的研究内容可为我国靶场红外测量系统的研制提供相应的理论研究基础和技术支持。结合在研国防科研项目需求，本文探讨了靶场常见的天空背景下的红外弱小多目标的检测与跟踪问题。遵循传统的研究步骤，本文将该问题分为图像预处理、弱小多目标检测与多目标跟踪三个部分进行研究。在深入分析国内外红外弱小多目标检测跟踪研究现状和研究进展的基础上，在图像预处理部分，本文将图像多尺度几何分析的最新研究进展引入红外图像预处理，提出了采用剪切波变换的红外图像预处理方法。多目标检测方面，结合弱小目标描述模型，提出了基于尺度空间的红外弱小多目标检测算法，用于在复杂背景下快速而准确地检测出多个弱小目标。在多目标跟踪方面，提出一种结合改进的辅助粒子滤波与马尔科夫随机场的多目标跟踪算法，将多目标的跟踪问题转换为图模型的推理问题。同时设计了基于多DSP处理器的多目标跟踪器硬件平台，对移植后的算法进行了多项实验测试，验证了算法与硬件平台系统方案的正确性和可行性。
高国旺[7]（2013）在《全向IRST系统的图像处理与信息融合技术研究》文中进行了进一步梳理红外搜索与跟踪（Infra-Red Searchand Tracking，IRST）系统是一种被动式的红外探测系统，具有隐蔽性好、角分辨率高、抗电磁干扰能力强等优点，已成为现代战争防御体系中的关键装备之一。特别是随着光电对抗技术的迅速发展及广泛使用，导弹、飞机等飞行速度不断提高、导弹作战方式的多样化（如一箭多头、真伪弹齐发、多方位群发等）以及实际作战环境的复杂性，都要求IRST系统必须同时兼具响应快、视场大（全向视场）和空间分辨率高（又称高精度）等性能。作者所在项目组提出的空间多路IRFPA凝视成像全向IRST系统方案，能较好地满足上述性能要求，本文重点研究系统的图像与信息处理算法及其硬件实现技术。论文在分析空间多路IRFPA凝视成像全向IRST系统结构和工作原理的基础上，对系统信息处理中涉及的关键技术，如红外图像预处理、弱小目标的检测与跟踪、信息融合（包括图像拼接和目标航迹融合）等问题进行了较深入的研究，提出了适用全向IRST系统性能要求的图像与信息处理算法，理论分析与仿真实验结果均验证了提出算法的合理性和有效性。最后，还设计并研制完成了实时实现上述算法的软硬件平台。论文的主要研究工作如下：1.分析了IRFPA非均匀性产生的机理和常用非均匀性校正算法的不足，研究了基于多分辨分析小波变换的非均匀性校正算法，该算法实现了非均匀性的增益和偏置参数自适应的校正。实验结果验证了算法的有效性，使图像的质量有着明显的改善。2.针对全向IRST系统工作环境中可能遇到的复杂云层背景和人为干扰，研究了基于全相位非下采样轮廓波变换（APNSCT）的背景抑制算法。为了增强算法的适应性，提出了两种较高性能的改进算法：基于双边滤波的APNSCT背景抑制算法和基于全变差模型的APNSCT背景抑制算法。实验结果显示，两种算法都能够有效抑制多种复杂背景，提高了图像信噪比，并且结构简单，实时性好。3.采用自适应阈值分割算法和帧间相关序列图像检测算法，实现了弱小目标的精确检测，并利用检测概率、虚警概率和ROC曲线对目标检测算法性能进行了评价。为了实现对不同运动状态目标的可靠跟踪，提出了基于交互式多模型的卡尔曼-高斯粒子滤波（IMMK-GPF）的机动目标跟踪算法，该算法具有跟踪精度高、适应性强和实时性好等特点，具有良好的工程实用价值。4.研究了全向IRST系统中的信息融合技术，包括目标航迹融合与图像拼接。采用分布式航迹融合结构方案，研究了分布式航迹关联算法与航迹融合算法，通过理论分析与仿真，算法可满足系统的性能指标要求。另外，还研究了多路小视场图像生成全向视场图像的拼接算法，实现了红外图像的准确、快速拼接。5.为了实时实现全向IRST系统的图像与信息处理算法，设计并研制完成了一套基于FPGA与DSP的高速并行处理的硬件平台，给出了基于DSP/BIOS实时操作系统的RF5软件设计框架结构。硬件平台不仅功能和实时性均满足全向IRST系统的要求，而且还具有稳定性好、易于扩展和便于维护等优点。总之，通过研究，文中提出的全向IRST系统的图像与信息处理算法以及实时实现算法的软硬件平台，都满足研究项目的性能指标要求，从而为研制高性能的全向IRST系统探索出了一条有效的技术途径，也为全向IRST系统的工程化实现奠定了一定的基础。
曾雅琼[8]（2012）在《复杂背景下的红外弱小目标的检测》文中研究说明作为红外搜索与跟踪领域很重要的一个课题,在复杂背景的红外图像中对小目标检测的一系列瓶颈问题和关键技术受到了国内外专家学者的高度重视。本文研究的即是这个领域的两项关键技术：背景抑制技术和基于多帧的弱小目标检测。本文首先提出两种改进的滤波算法。双边滤波,去噪同时也能较好地保留边缘,结合这一优点,本文对其滤波算子添加一个能保护小目标的模板；规整化的各向异性自适应滤波,对不同的结构具有自适应性,结合Robinson滤波的判据条件,二者互补。分别利用这两种算法针对不同的场景进行仿真,发现都有很好的鲁棒性。且与传统算法相比有较低的虚警率、较高的信杂比增益和背景抑制因子。在图像分割阶段,提出一个基于平均方差加权熵的自适应阈值,利用大量实验数据讨论参数的选取来得到最好的效果。将滤波后的图与原图像的特征相结合,与其他分割算法相比,能更好地去除虚假目标。接下来,结合Kalman滤波来对帧与帧之间的数据关联进行维持与更新,检测过程中,利用航迹评价因子进一步剔除虚假航迹,降低计算复杂程度,并最终得到真实目标的轨迹。最后给出整个算法流程的实验证明,发现整个算法确实能正确有效的检测出红外弱小目标的正确轨迹。
范华[9]（2012）在《基于时域廓线向量积的红外弱小目标检测算法研究》文中研究表明研究红外弱小目标检测的理论和算法对现代及未来战争都具有深远的意义，有利于精确制导武器的长足发展。本文对红外弱小目标图像中像素的时域特征进行了研究，分别分析了目标像素、背景像素以及杂波像素在时域中的特性，并为它们建立了相应的时域模型。在此基础上，根据各类像素时域特征的差异性，本文提出了一种基于像素时域廓线向量积的红外弱小目标检测算法。本文算法分为三部分。首先，根据目标、背景以及杂波像素时域方差特性的不同，采用基于时域方差的滤波法对原始图像进行预处理，将平稳背景从图像中滤除；其次，对经过预处理后残留的像素，使用下驻点连线法求出像素时域廓线的基准线，从而得到像素的残差时域廓线，去掉了杂波在时域变化中的较大起伏，而目标的冲击信号得以保留；最后，计算出残留时域廓线上的各向量积，将目标检测的问题转化成了向量积大小检测的问题，从而得到了目标的运动轨迹，消除了图像中的杂波像素。仿真结果表明，本文提出的算法对不同云背景杂波具有广泛适应性和良好的检测性能，具有一定的应用价值。
朱振平[10]（2011）在《周视红外搜索系统目标检测技术研究》文中研究说明本文以周视红外搜索实时信息处理系统研制为背景,针对周视全空域复杂低空背景下红外弱小目标自动检测及实时信息处理系统工程实现等关键技术开展了深入研究,克服了复杂背景弱目标检测和大数据量实时处理的难点,形成了满足工程系统应用需求的周视全空域复杂低空背景条件下弱小目标的有效检测算法,实现了周视全景图像的弱小目标实时检测,并有效的应用到了高性能长线列周视红外搜索预警系统中,论文主要由以下三个部分组成:第一部分在分析了长线列周视红外搜索预警系统成像及全景图像特性的基础上,针对伺服不稳定性引起的全景图像偏移缩放现象,提出了多区域匹配校准算法:首先采用融合相似性和差别度信息基于绝对差加权的快速相关匹配算法得到各个匹配模板的最佳匹配点;然后根据相邻两帧图像的最佳匹配点线性校准图像。实测数据验证了算法的有效性。第二部分针对周视全空域低空弱小目标实时检测问题,在对背景抑制、目标检测及目标确认等目标检测关键技术研究分析的基础上,综合考虑算法的检测性能、复杂度及实时性,提出了两种周视全空域目标检测算法:基于空域粗检测与时空域融合精检测的目标检测算法和基于目标潜在区域提取的目标检测算法。基于空域粗检测与时空域融合精检测的目标检测算法首先在全景图像中进行快速简单的形态学滤波,以高检测率为前提得到疑似目标点;然后针对每个疑似目标点切片采用改进的帧间差分运算与形态学滤波融合算法进行目标精细检测识别。基于目标潜在区域提取的目标检测算法首先对白化滤波后的全景图像分块,根据分块特征参数变化判别分块是否为目标潜在区,对潜在区融合,形成多个小视场图像切片;然后对各个切片进行目标检测。实测数据验证了算法的有效性。第三部分研究了周视红外搜索实时信息处理系统工程化实现技术。针对多目标信号处理及图像采集部分,设计了基于双DSP和FPGA的实时信息处理平台,并基于该平台实现了空域粗检测与时空域融合精检测目标检测算法;针对全系统显示控制部分,设计开发了综合显示控制软件。系统联调测试结果表明,实时信息处理系统实现了设计功能,系统具备了对周视全空域复杂背景下弱小目标的实时探测能力。
二、基于自适应滤波的强起伏背景下弱小目标检测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于自适应滤波的强起伏背景下弱小目标检测（论文提纲范文）
（1）新型探测体制下红外弱小目标检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外探测装置的发展 |
| 1.2.2 红外弱小目标检测技术发展 |
| 1.3 研究内容和技术路线 |
| 1.4 本文主要工作 |
| 第二章 红外弱小目标检测方法综述 |
| 2.1 引言 |
| 2.2 单帧图像红外弱小目标检测方法 |
| 2.2.1 基于背景抑制的红外弱小目标检测算法 |
| 2.2.2 基于频域特性的红外弱小目标检测方法 |
| 2.2.3 基于尺度空间的红外弱小目标检测算法 |
| 2.2.4 基于视觉显着性的红外弱小目标检测方法 |
| 2.2.5 基于面元模型的红外弱小目标检测方法 |
| 2.2.6 基于稀疏重构的红外弱小目标检测方法 |
| 2.3 多帧图像红外弱小目标检测方法 |
| 2.3.1 基于时域下驻点提取的红外弱小目标检测方法 |
| 2.3.2 基于非线性自适应滤波的红外弱小目标检测方法 |
| 2.3.3 基于时域对比度的红外弱小目标检测方法 |
| 2.3.4 基于时空双边滤波的红外弱小目标检测方法 |
| 2.4 少帧图像红外弱小目标检测方法 |
| 2.4.1 基于时空对比度融合的红外弱小目标检测方法 |
| 2.4.2 基于时空相似度融合的红外弱小目标检测方法 |
| 2.5 本章小结 |
| 第三章 单帧条件下基于对比度差异融合的红外弱小目标检测方法 |
| 3.1 引言 |
| 3.2 方差差异算法 |
| 3.3 基于对比度差异融合的红外弱小目标检测算法 |
| 3.3.1 基于多尺度灰度差异的目标增强 |
| 3.3.2 基于多尺度方差差异的目标增强 |
| 3.3.3 基于多量测对比度差异融合的红外弱小目标检测方法 |
| 3.4 实验结果和分析 |
| 3.4.1 实验参数设置 |
| 3.4.2 实验结果定性分析 |
| 3.4.3 实验结果定量分析 |
| 3.5 本章小结 |
| 第四章 高帧频条件下时空融合红外弱小目标检测方法 |
| 4.1 引言 |
| 4.2 基于空域对比度差异与时域方差滤波融合的弱小目标检测方法 |
| 4.2.1 空域对比度与时域方差滤波融合的弱小目标检测方法 |
| 4.2.2 空域对比度方法 |
| 4.2.3 时域方差滤波器 |
| 4.3 实验结果和分析 |
| 4.3.1 实验参数设置 |
| 4.3.2 单帧图像目标增强与背景抑制性能评估 |
| 4.3.3 时域方差滤波器参数优化选择 |
| 4.3.4 多帧检测算法图像增强和检测检测效果 |
| 4.3.5 计算效率分析 |
| 4.4 本章小结 |
| 第五章 少帧条件下融合云边缘抑制的帧间差分红外弱小目标检测方法 |
| 5.1 引言 |
| 5.2 双线列探测体制下的红外弱小目标检测 |
| 5.2.1 基于时域帧间差分的背景抑制 |
| 5.2.2 基于结构张量的云边缘背景抑制 |
| 5.2.3 双边恒虚警阈值分割 |
| 5.2.4 双线列探测体制下目标正负点对数据关联 |
| 5.2.5 双线列探测体制下红外弱小目标检测流程 |
| 5.3 双线列探测器目标检测性能影响因素分析 |
| 5.3.1 目标特性分析 |
| 5.3.2 背景特性分析 |
| 5.3.3 平台特性分析 |
| 5.4 实验结果与分析 |
| 5.4.1 仿真场景生成 |
| 5.4.2 算法定性分析 |
| 5.4.3 算法定量分析 |
| 5.4.4 相机空间分辨率对双线列探测器目标检测性能影响分析 |
| 5.4.5 帧间配准精度对双线列探测器目标检测性能影响分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（2）天基红外弱小目标图像检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 红外弱小目标检测技术的国内外现状 |
| 1.2.1 图像预处理研究现状 |
| 1.2.2 红外弱小目标检测研究现状 |
| 1.2.3 红外弱小目标跟踪现状 |
| 1.3 论文的研究目标和技术指标 |
| 1.4 本文的研究工作和章节安排 |
| 1.4.1 主要研究工作 |
| 1.4.2 章节安排 |
| 第2章 红外图像的特征研究 |
| 2.1 红外图像成像原理 |
| 2.2 目标特性分析 |
| 2.2.1 目标的几何特性 |
| 2.2.2 目标红外辐射特性 |
| 2.2.3 目标空间分布特性 |
| 2.2.4 目标的时域特性 |
| 2.3 背景特性分析 |
| 2.3.1 大气背景红外图像特性分析 |
| 2.3.2 深空背景红外图像特性分析 |
| 2.3.3 红外图像的噪声特性 |
| 2.4 主要技术指标分析 |
| 2.5 红外弱小目标检测难点 |
| 2.6 本章小结 |
| 第3章 复杂背景下的红外图像预处理算法研究 |
| 3.1 背景抑制原理 |
| 3.1.1 空间域图像预处理算法 |
| 3.1.2 变换域图像预处理算法 |
| 3.1.3 预处理算法小结 |
| 3.2 基于top-hat的 PM模型云背景下的预处理方法 |
| 3.2.1 PM模型算法简介 |
| 3.2.2 改进的PM模型背景抑制 |
| 3.2.3 基于top-hat的 PM模型背景抑制 |
| 3.3 深空背景下的红外弱小目标预处理方法 |
| 3.3.1 图像差分 |
| 3.3.2 空域滤波 |
| 3.4 本章小结 |
| 第4章 基于单帧图像的红外弱小目标检测算法研究 |
| 4.1 图像检测的基本理论 |
| 4.2 常用的图像分割方法 |
| 4.2.1 迭代法 |
| 4.2.2 类间最大方差 |
| 4.2.3 最大熵法 |
| 4.2.4 类间最大距离法 |
| 4.2.5 恒虚警率法 |
| 4.2.6 实验与小结 |
| 4.3 背景自适应的多特征融合红外弱小目标检测算法 |
| 4.3.1 背景自适应抑制 |
| 4.3.2 目标特性研究 |
| 4.3.3 融合检测 |
| 4.4 本章小结 |
| 第5章 基于多帧关联的红外弱小目标检测算法研究 |
| 5.1 常见的序列图像检测方法 |
| 5.1.1 DBT算法 |
| 5.1.2 TBD算法 |
| 5.2 DBT的主要算法 |
| 5.2.1 DBT原理 |
| 5.2.2 管道滤波 |
| 5.3 TBD的主要算法 |
| 5.3.1 三维匹配滤波 |
| 5.3.2 假设检验 |
| 5.3.3 动态规划 |
| 5.3.4 投影的方法 |
| 5.3.5 高阶相关法 |
| 5.4 一种改进的动态管道滤波方法 |
| 5.4.1 传统管道滤波算法的特点 |
| 5.4.2 改进的管道滤波算法 |
| 5.5 基于概率数据关联的目标跟踪 |
| 5.5.1 概率数据关联滤波 |
| 5.5.2 联合概率数据关联滤波 |
| 5.6 本章小结 |
| 第6章 实验验证与评估 |
| 6.1 评估方法 |
| 6.2 仿真验证与评估 |
| 6.2.1 仿真系统设计 |
| 6.2.2 仿真验证与评估 |
| 6.3 实验验证与评估 |
| 6.3.1 验证系统总体方案 |
| 6.3.2 验证与评估 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 论文总结 |
| 7.2 论文创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介及在学期间发表的学术论文与研究成果 |
（3）复杂背景弱小目标特征分析与识别策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和结构安排 |
| 2 红外小目标特性研究 |
| 2.1 红外成像原理与图像特性分析 |
| 2.2 红外弱小目标特性分析 |
| 2.3 背景特性分析 |
| 2.4 噪声特性分析 |
| 2.5 红外弱小目标特征知识库 |
| 2.6 红外弱小目标检测基本流程 |
| 2.7 本章小结 |
| 3 基于人类视觉特性的单帧检测算法 |
| 3.1 人类视觉特性 |
| 3.2 基于视觉对比机制的混合滤波算法 |
| 3.3 基于复杂度指标的自适应分割算法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于目标特性的多帧检测算法 |
| 4.1 序列图像采集和检测机制设计 |
| 4.2 相邻帧的投票表决机制 |
| 4.3 相邻场的图像匹配校验机制 |
| 4.4 基于目标特征知识库的管道关联方法 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士期间发表的文章 |
| 附录2 攻读硕士期间参与的科研项目 |
（4）序列图像弱小目标检测与跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究意义及背景 |
| 1.2 检测与跟踪研究现状 |
| 1.2.1 基于单帧滤波的检测跟踪算法 |
| 1.2.2 基于多帧关联的检测跟踪算法 |
| 1.3 面临的主要问题 |
| 1.4 本文研究内容及技术路线 |
| 1.5 本文组织结构 |
| 第二章 高阶累积量与粒子滤波理论基础 |
| 2.1 高阶统计量 |
| 2.1.1 累积量和矩的定义 |
| 2.1.2 累积量和矩的特性 |
| 2.1.3 累积量和矩的关系 |
| 2.2 粒子滤波原理 |
| 2.2.1 递推贝叶斯估计 |
| 2.2.2 蒙特卡罗法 |
| 2.2.3 标准粒子滤波算法 |
| 2.2.4 粒子滤波跟踪流程 |
| 2.3 小结 |
| 第三章 背景建模及融合时空运动特性的能量增强 |
| 3.1 引言 |
| 3.2 经典背景建模法 |
| 3.2.1 二维最小均方滤波 |
| 3.2.2 自适应Butterworth滤波 |
| 3.2.3 改进Top-Hat滤波 |
| 3.2.4 改进双边滤波 |
| 3.2.5 改进梯度倒数加权滤波 |
| 3.2.6 各向异性滤波 |
| 3.3 改进的背景建模及能量增强 |
| 3.3.1 改进的各向异性背景建模 |
| 3.3.2 融合时空域运动特性的能量增强算法 |
| 3.4 评价指标 |
| 3.5 实验结果与分析 |
| 3.5.1 改进各向异性参数分析 |
| 3.5.2 背景建模结果分析 |
| 3.5.3 能量增强参数分析 |
| 3.5.4 增强结果分析 |
| 3.7 小结 |
| 第四章 自适应搜索管径的时空域滤波的弱小目标检测 |
| 4.1 引言 |
| 4.2 尺度空间理论 |
| 4.2.1 理论基础 |
| 4.2.2 计算DOG极值点 |
| 4.2.3 候选目标精定位 |
| 4.3 自适应修改搜索管径的时空域滤波的弱小目标检测 |
| 4.4 结果与分析 |
| 4.4.1 DOG检测结果与分析 |
| 4.4.2 检测结果与分析 |
| 4.5 小结 |
| 第五章 基于运动方向估计的高阶累积量弱小目标检测 |
| 5.1 引言 |
| 5.2 环形扰动非均匀性校正 |
| 5.2.1 非均匀性成因及模型表述 |
| 5.2.2 两点校正原理 |
| 5.2.3 环形扰动校正算法 |
| 5.3 基于运动方向估计的高阶累积量弱小目标检测 |
| 5.3.1 多帧累加研究 |
| 5.3.2 泊松分布提取候选目标点 |
| 5.3.3 高阶累积量目标检测理论 |
| 5.3.4 提出的算法 |
| 5.3.5 算法总结 |
| 5.4 结果与分析 |
| 5.4.1 校正参数分析 |
| 5.4.2 校正结果分析 |
| 5.4.3 累加结果分析 |
| 5.4.4 检测结果分析 |
| 5.5 小结 |
| 第六章 改进免疫遗传粒子滤波弱小目标跟踪 |
| 6.1 引言 |
| 6.2 免疫遗传粒子滤波算法 |
| 6.2.1 基本原理 |
| 6.2.2 算法流程 |
| 6.3 改进免疫遗传粒子滤波跟踪算法 |
| 6.3.1 存在问题及解决办法 |
| 6.3.2 提取包含空间位置信息的灰度特征 |
| 6.3.3 提取运动特征 |
| 6.3.4 融合灰度和运动特征的联合观测模型 |
| 6.3.5 自适应更新参考模型 |
| 6.3.6 KLD自适应采样 |
| 6.3.7 算法总结 |
| 6.4 实验结果与分析 |
| 6.4.1 仿真结果与分析 |
| 6.4.2 运动特性结果与分析 |
| 6.4.3 强噪声干扰场景 |
| 6.4.4 遮挡场景 |
| 6.4.5 交叉运动场景 |
| 6.4.6 精度和时间 |
| 6.5 小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 论文创新工作 |
| 7.3 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（5）深空背景红外弱小目标检测和跟踪技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状与发展趋势 |
| 1.2.1 目标检测技术研究现状 |
| 1.2.2 目标跟踪技术研究现状 |
| 1.3 论文主要工作与组织结构 |
| 第二章 深空背景红外图像预处理算法 |
| 2.1 引言 |
| 2.2 常见红外图像预处理方法 |
| 2.2.1 空间域滤波方法 |
| 2.2.2 频率域滤波方法 |
| 2.3 深空红外图像背景复杂度概念 |
| 2.4 深空红外图像背景复杂度描述及有效性分析 |
| 2.4.1 基于WIE的背景复杂度描述 |
| 2.4.2 基于VWIE对图像背景复杂度的改进描述指标 |
| 2.4.3 VWIE对背景复杂度描述的有效性分析 |
| 2.4.4 不同背景复杂度指标的比较分析实验 |
| 2.5 基于背景复杂度指标的自适应Butterworth高通滤波预处理 |
| 2.5.1 自适应Butterworth高通滤波 |
| 2.5.2 实验数据与结果对比分析 |
| 2.5.3 实时性分析 |
| 2.6 本章小结 |
| 第三章 深空背景红外弱小目标检测算法 |
| 3.1 引言 |
| 3.2 Otsu分割算法 |
| 3.3 二维灰度直方图直分Otsu迭代算法 |
| 3.3.1 二维灰度直方图直分法 |
| 3.3.2 二维灰度直方图直分Otsu迭代算法 |
| 3.4 二维灰度直方图斜分Otsu迭代算法 |
| 3.4.1 二维灰度直方图斜分法 |
| 3.4.2 二维灰度直方图斜分Otsu迭代算法 |
| 3.4.3 实验结果与对比分析 |
| 3.5 基于二维直方图区域斜分的Otsu目标检测改进算法 |
| 3.5.1 多帧能量累积方法 |
| 3.5.2 改进的Otsu目标检测算法 |
| 3.5.3 实验结果与对比分析 |
| 3.6 本章小结 |
| 第四章 深空背景红外弱小目标多特征融合算法 |
| 4.1 引言 |
| 4.2 红外目标特征提取 |
| 4.2.1 红外目标特征提取方法 |
| 4.2.2 红外目标常用特征描述 |
| 4.2.3 提取的多种目标特征 |
| 4.3 多特征融合算法 |
| 4.3.1 特征归一化算法 |
| 4.3.2 多特征融合算法 |
| 4.4 实验结果与对比分析 |
| 4.4.1 简单背景下特征融合对比实验 |
| 4.4.2 强噪声点干扰环境下融合对比实验 |
| 4.5 本章小结 |
| 第五章 深空背景红外弱小目标多特征融合粒子滤波算法 |
| 5.1 引言 |
| 5.2 粒子滤波基本原理 |
| 5.2.1 基于贝叶斯估计的目标跟踪框架 |
| 5.2.2 粒子滤波基本思想 |
| 5.2.3 序贯重要性采样 |
| 5.2.4 退化问题和重采样 |
| 5.2.5 敛散性问题讨论 |
| 5.3 辅助粒子滤波及优化算法 |
| 5.3.1 辅助粒子滤波算法 |
| 5.3.2 辅助粒子滤波算法优化 |
| 5.3.3 实验结果与对比分析 |
| 5.4 基于多特征融合的优化辅助粒子滤波算法 |
| 5.4.1 算法描述 |
| 5.4.2 仿真数据实验结果与对比分析 |
| 5.4.3 真实数据实验结果与对比分析 |
| 5.4.4 实时性分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（6）红外弱小多目标实时检测跟踪技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关技术与国内外研究现状 |
| 1.2.1 图像预处理研究现状 |
| 1.2.2 弱小多目标检测研究现状 |
| 1.2.3 弱小目标多跟踪研究现状 |
| 1.3 本文的主要研究工作和章节安排 |
| 1.3.1 本文的主要研究工作 |
| 1.3.2 本文章节安排 |
| 第二章 红外弱小多目标图像预处理算法研究 |
| 2.1 引言 |
| 2.2 红外弱小多目标图像特征分析 |
| 2.2.1 红外成像原理 |
| 2.2.2 红外弱小目标模型分析 |
| 2.2.3 红外图像背景特性分析 |
| 2.2.4 红外图像噪声特性分析 |
| 2.3 常见的红外弱小多目标图像预处理方法 |
| 2.3.1 空间域图像预处理方法 |
| 2.3.2 变换域图像预处理方法 |
| 2.3.3 时间域图像预处理方法 |
| 2.4 采用剪切波变换的红外弱小多目标图像预处理算法 |
| 2.4.1 剪切波变换简介 |
| 2.4.2 拉普拉斯分布下的剪切波域低频贝叶斯估计 |
| 2.4.3 剪切波域高频子带处理 |
| 2.4.4 采用剪切波变换图像预处理算法的实现 |
| 2.4.5 实验结果及分析 |
| 2.5 本章小结 |
| 第三章 复杂背景下基于尺度空间理论的红外弱小多目标检测 |
| 3.1 引言 |
| 3.2 常见的红外弱小多目标检测方法 |
| 3.2.1 局部极大值法 |
| 3.2.2 最大类间方差法 |
| 3.2.3 动态规划法 |
| 3.2.4 图像流法 |
| 3.3 基于尺度空间理论的红外弱小多目标检测 |
| 3.3.1 尺度空间理论简介 |
| 3.3.2 弱小目标成像模型分析 |
| 3.3.3 基于尺度空间的红外弱小目标检测算法 |
| 3.3.4 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 红外弱小多目标实时跟踪算法研究 |
| 4.1 引言 |
| 4.2 多目标跟踪关键问题 |
| 4.3 粒子滤波理论简介 |
| 4.3.1 状态空间模型与贝叶斯估计 |
| 4.3.2 重要性采样 |
| 4.3.3 粒子滤波的退化和重采样 |
| 4.3.4 粒子滤波的收敛性问题 |
| 4.4 辅助粒子滤波及其改进 |
| 4.4.1 辅助粒子滤波 |
| 4.4.2 辅助粒子滤波采样粒子的优化 |
| 4.5 图模型理论 |
| 4.5.1 图的邻域系统和簇 |
| 4.5.2 图模型的表示 |
| 4.6 结合改进辅助粒子滤波与图模型的红外多目标跟踪 |
| 4.6.1 改进辅助粒子滤波与图模型结合的跟踪算法 |
| 4.6.2 实验结果及分析 |
| 4.7 本章小结 |
| 第五章 多目标跟踪器的设计与实现 |
| 5.1 引言 |
| 5.2 多目标跟踪器性能指标要求 |
| 5.3 多目标跟踪器硬件平台设计 |
| 5.3.1 功能模块介绍 |
| 5.3.2 多处理器信息交互 |
| 5.3.3 系统工作流程 |
| 5.4 系统软件设计及算法实现 |
| 5.4.1 处理器架构及编程环境 |
| 5.4.2 主从DSP算法流程 |
| 5.4.3 嵌入式代码优化设计 |
| 5.5 系统试验结果及性能分析 |
| 5.5.1 试验结果分析 |
| 5.5.2 系统性能分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 在学期间学术成果情况 |
| 指导教师及作者简介 |
| 致谢 |
（7）全向IRST系统的图像处理与信息融合技术研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 全向 IRST 系统及其信息处理技术研究现状 |
| 1.2.1 全向 IRST 系统的研究现状 |
| 1.2.2 红外图像预处理技术研究现状 |
| 1.2.3 红外弱小目标检测技术研究现状 |
| 1.2.4 红外弱小目标跟踪技术研究现状 |
| 1.3 信息融合技术综述 |
| 1.3.1 信息融合技术描述、现状及发展 |
| 1.3.2 目标航迹融合综述 |
| 1.3.3 图像融合技术综述 |
| 1.4 本文的主要研究工作与结构安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文的结构安排 |
| 第二章 全向 IRST 系统的结构原理及特点 |
| 2.1 引言 |
| 2.2 目标和背景的红外辐射及大气传输特性 |
| 2.2.1 红外辐射特性分析[173] |
| 2.2.2 目标红外辐射特性分析 |
| 2.2.3 天空背景热辐射特性分析 |
| 2.2.4 红外辐射在大气传输中特性 |
| 2.3 凝视型 IRST 系统结构及其关键技术 |
| 2.3.1 凝视型 IRST 系统的结构 |
| 2.3.2 凝视型 IRST 系统的关键技术 |
| 2.4 空间多路凝视成像全向 IRST 系统的结构及特点 |
| 2.4.1 空间多路凝视成像全向 IRST 系统的结构组成 |
| 2.4.2 空间多路凝视成像全向 IRST 系统的信息处理流程 |
| 2.4.3 系统特点与技术难点分析 |
| 2.5 本章小结 |
| 第三章 全向 IRST 系统的图像预处理技术研究 |
| 3.1 引言 |
| 3.2 IRFPA 非均匀性产生机理与器件响应模型 |
| 3.2.1 IRFPA 非均匀性产生机理分析 |
| 3.2.2 红外探测器的响应模型 |
| 3.3 基于小波变换的 IRFPA 非均匀性校正算法研究 |
| 3.3.1 多分辨分析的小波变换 |
| 3.3.2 基于多分辨分析小波变换的非均匀性校正算法[182] |
| 3.3.3 非均匀性校正仿真结果与分析 |
| 3.4 全向 IRST 系统红外图像模型及背景、噪声特性分析 |
| 3.4.1 复杂背景下的红外图像模型 |
| 3.4.2 天空背景特性分析 |
| 3.4.3 红外图像中的噪声特性分析 |
| 3.5 常用的红外图像背景抑制算法与评价方法 |
| 3.5.1 中值滤波与最大中值滤波法 |
| 3.5.2 灰度形态学法 |
| 3.5.3 二维最小均方误差滤波法 |
| 3.5.4 图像背景抑制算法的评价方法 |
| 3.5.5 几种常用背景抑制算法实验仿真与结果分析 |
| 3.6 全相位非下采样轮廓波变换的原理 |
| 3.6.1 非下采样轮廓波变换的结构 |
| 3.6.2 全相位 DCT 滤波器 |
| 3.6.3 全相位 DCT 方向滤波器组的设计 |
| 3.6.4 全相位子带分解滤波器组的设计 |
| 3.7 基于双边滤波的全相位 NSCT 背景抑制算法 |
| 3.7.1 双边滤波原理 |
| 3.7.2 双边滤波的全相位 NSCT 背景抑制算法 |
| 3.7.3 实验结果与分析 |
| 3.8 基于全变差模型的全相位 NSCT 背景抑制算法 |
| 3.8.1 全变差滤波模型的建立 |
| 3.8.2 基于全变差模型的 APNSCT 背景抑制算法原理及实现 |
| 3.8.3 实验结果与分析 |
| 3.9 本章小结 |
| 第四章 复杂背景下的红外运动目标检测与跟踪算法研究 |
| 4.1 引言 |
| 4.2 红外弱小目标检测原理及性能评价方法 |
| 4.2.1 红外弱小目标检测的结构及检测原理 |
| 4.2.2 目标检测算法性能评价方法 |
| 4.2.3 目标检测的实验结果与分析 |
| 4.3 基于交互式多模型卡尔曼-高斯粒子滤波的红外目标跟踪算法 |
| 4.3.1 红外目标的运动模型 |
| 4.3.2 标准粒子滤波原理及改进算法 |
| 4.3.2.1 基本粒子滤波（SIS）原理 |
| 4.3.2.2 高斯粒子滤波原理 |
| 4.3.3 基于交互式多模型卡尔曼-高斯粒子滤波的目标跟踪算法 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 全向 IRST 系统的信息融合技术研究 |
| 5.1 引言 |
| 5.2 相邻传感器重叠视场内的目标航迹融合算法 |
| 5.2.1 分布式的航迹关联算法 |
| 5.2.1.1 基于统计的航迹关联算法 |
| 5.2.1.2 模糊航迹关联算法 |
| 5.2.1.3 分布式航迹关联算法实验仿真与性能评价 |
| 5.2.2 分布式目标航迹融合算法 |
| 5.2.2.1 简单凸组合航迹融合算法 |
| 5.2.2.2 互协方差加权航迹融合算法 |
| 5.2.2.3 协方差交叉航迹融合算法 |
| 5.2.2.4 最优分布式航迹融合算法 |
| 5.2.2.5 几种主流航迹融合算法的分析与比较 |
| 5.2.3 分布式融合算法仿真结果与分析 |
| 5.3 基于尺度不变特征的红外场景图像配准算法 |
| 5.3.1 尺度不变特征的检测算法及其改进 |
| 5.3.1.1 SURF 特征检测算法 |
| 5.3.1.2 SURF 特征检测算法的改进 |
| 5.3.2 尺度不变特征点的匹配技术 |
| 5.3.2.1 特征点最近邻的（NN）快速匹配算法 |
| 5.3.2.2 RANSAC 算法的特征点精确匹配 |
| 5.3.3 配准图像的融合算法 |
| 5.3.4 实验结果与分析 |
| 5.4 序列图像拼接流程与实验 |
| 5.5 本章小结 |
| 第六章 全向 IRST 系统的信息处理硬件平台设计与实现 |
| 6.1 系统的功能和性能指标要求 |
| 6.2 系统总体结构及其模块化设计 |
| 6.2.1 系统总体结构 |
| 6.2.1.1 红外焦平面阵列驱动模块 |
| 6.2.1.2 模拟信号处理与 A/D 转换电路模块 |
| 6.2.1.3 多 DSP 并行信号处理模块 |
| 6.2.1.4 信息融合处理模块 |
| 6.2.1.5 信号输出与显示模块、调试模块及控制台 |
| 6.2.2 系统的数据传输设计 |
| 6.3 系统软件设计结构 |
| 6.3.1 FPGA 软件设计 |
| 6.3.2 DSP 软件设计 |
| 6.4 系统性能指标及特点 |
| 6.4.1 系统性能指标 |
| 6.4.2 系统特点 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 发表的学术论文 |
| 参与的科研项目 |
（8）复杂背景下的红外弱小目标的检测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外小目标图像预处理 |
| 1.2.2 红外弱小图像检测技术 |
| 1.3 论文的主要章节安排及创新点 |
| 2 复杂背景下红外小目标图像的预处理 |
| 2.1 引言 |
| 2.2 红外小目标图像的目标特性和背景分析 |
| 2.2.1 噪声模型 |
| 2.2.2 背景杂波 |
| 2.2.3 目标特性 |
| 2.3 常见的红外小目标图像预处理方法 |
| 2.4 小结 |
| 3 改进的单帧红外图像预处理 |
| 3.1 引言 |
| 3.2 基于双边滤波(Bilateral Filtering)的单帧红外小目标检测 |
| 3.3 改进的基于规整化的各向异性自适应滤波(RegAF)的小目标检测 |
| 3.4 单帧图像检测的算法性能分析 |
| 3.5 小结 |
| 4 复杂背景下红外小目标序列图像的检测 |
| 4.1 引言 |
| 4.2 常见的红外弱小目标的检测方法 |
| 4.2.1 DBT算法实例 |
| 4.2.2 TBD算法实例 |
| 4.3 基于阈值分割与航迹关联的红外弱小目标检测 |
| 4.3.1 自适应的阈值分割 |
| 4.3.2 基于航迹关联的目标检测 |
| 4.3.3 综合实验流程及结果示例 |
| 4.4 小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 课题的不足之处及展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）基于时域廓线向量积的红外弱小目标检测算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外红外弱小目标检测技术的研究现状 |
| 1.2.1 先检测后跟踪算法 |
| 1.2.2 先跟踪后检测算法 |
| 1.3 本文主要研究内容及结构安排 |
| 第二章 红外弱小目标检测相关概念与基本理论 |
| 2.1 引言 |
| 2.2 红外弱小目标图像目标分析 |
| 2.2.1 红外弱小目标 |
| 2.2.2 红外弱小目标特点 |
| 2.3 红外弱小目标图像背景分析 |
| 2.4 红外弱小目标图像噪声分析 |
| 2.5 红外弱小目标检测难点 |
| 2.6 本章小结 |
| 第三章 基于时域方差滤波的检测预处理 |
| 3.1 引言 |
| 3.2 红外序列图像像素时域特性分析 |
| 3.2.1 红外序列图像背景时域特性分析 |
| 3.2.2 红外序列图像目标时域特性分析 |
| 3.2.3 红外序列图像杂波时域特性分析 |
| 3.3 时域方差滤波 |
| 3.3.1 红外图像像素时域廓线的方差特性分析 |
| 3.3.2 基于时域方差滤波的检测预处理 |
| 3.4 本章小结 |
| 第四章 基于时域廓线向量积的红外弱小目标检测 |
| 4.1 引言 |
| 4.2 时域廓线下驻点连线滤波 |
| 4.3 基于时域廓线向量积的红外弱小目标检测 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 研究成果 |
（10）周视红外搜索系统目标检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源、研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外搜索系统研究现状 |
| 1.2.2 弱小目标检测算法研究现状 |
| 1.3 本文主要工作与结构安排 |
| 第二章 全景图像特性分析及匹配校准 |
| 2.1 引言 |
| 2.2 全景图像介绍 |
| 2.3 红外图像分析 |
| 2.3.1 目标背景特性分析 |
| 2.3.2 红外图像序列模型 |
| 2.3.3 弱小目标信杂比定义 |
| 2.4 周视全景图像匹配校准 |
| 2.4.1 校准策略 |
| 2.4.2 匹配跟踪方法 |
| 2.4.3 基于绝对差加权的相关匹配跟踪 |
| 2.4.4 实验结果及分析 |
| 2.5 本章小结 |
| 第三章 周视全景低空小目标检测技术 |
| 3.1 引言 |
| 3.2 目标检测算法 |
| 3.2.1 背景抑制 |
| 3.2.2 目标检测 |
| 3.2.3 目标确认 |
| 3.3 基于空域粗检测+时空域融合精检测的目标检测算法 |
| 3.3.1 空域粗检测 |
| 3.3.2 时空域融合精检测 |
| 3.3.3 实验与结果分析 |
| 3.4 基于目标潜在区域提取的目标检测算法 |
| 3.4.1 目标潜在区域提取 |
| 3.4.2 实验与结果分析 |
| 3.5 本章小结 |
| 第四章 周视红外搜索实时信息处理系统工程化实现 |
| 4.1 引言 |
| 4.2 系统总体结构及功能 |
| 4.2.1 系统组成 |
| 4.2.2 系统的主要功能 |
| 4.3 实时信息处理硬件平台研究与算法实现 |
| 4.3.1 实时信息处理硬件平台 |
| 4.3.2 算法实现 |
| 4.4 综合显控软件设计 |
| 4.4.1 工控机与处理板的交互 |
| 4.4.2 人机交互模块 |
| 4.5 系统测试联调结果 |
| 4.6 小结 |
| 第五章 结束语 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 参加的科研项目 |
四、基于自适应滤波的强起伏背景下弱小目标检测（论文参考文献）
- [1]新型探测体制下红外弱小目标检测技术研究[D]. 高金艳. 国防科技大学, 2019(01)
- [2]天基红外弱小目标图像检测技术研究[D]. 陆福星. 中国科学院大学(中国科学院上海技术物理研究所), 2019(03)
- [3]复杂背景弱小目标特征分析与识别策略研究[D]. 李雪琦. 华中科技大学, 2019(03)
- [4]序列图像弱小目标检测与跟踪算法研究[D]. 樊香所. 电子科技大学, 2019(01)
- [5]深空背景红外弱小目标检测和跟踪技术研究[D]. 邵良开. 国防科学技术大学, 2015(04)
- [6]红外弱小多目标实时检测跟踪技术研究[D]. 龚俊亮. 中国科学院研究生院（长春光学精密机械与物理研究所）, 2013(02)
- [7]全向IRST系统的图像处理与信息融合技术研究[D]. 高国旺. 西安电子科技大学, 2013(10)
- [8]复杂背景下的红外弱小目标的检测[D]. 曾雅琼. 南京理工大学, 2012(07)
- [9]基于时域廓线向量积的红外弱小目标检测算法研究[D]. 范华. 西安电子科技大学, 2012(04)
- [10]周视红外搜索系统目标检测技术研究[D]. 朱振平. 国防科学技术大学, 2011(07)