天基红外图像的点目标检测 - 光学精密工程

合集下载

基于红外辐射特性系统实现对面目标测量

２．１辐射特性测量系统的定标原理系统定标是测试红外辐射测量系统性能的重
要指标，决定着红外辐射测量系统在测量过程的可靠性及有效性。靶场红外辐射定标的基本原理是利用已知黑体作为辐射源，得到不同辐射照明时系统的输出信号，从而建立系统入瞳辐射量与系统输出量之间的关系，一般来说红外辐射测量系统的定标要求不确定度在１０％以内。
收稿日期：２０１７１２２５；修订日期：２０１８０２１２基金项目：国家自然科学基金项目（Ｎｏ．５１６７５０６）
ＳｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．５１６７５０６）
第５期
乔铁英，等：基于红外辐射特性系统实现对面目标测量
第１１卷第５期２０１８年１０月
中国光学ＣｈｉｎｅｓｅＯｐｔｉｃｓ
Ｖｏｌ．１１Ｎｏ．５
Ｏｃｔ．２０１８
文章编号２０９５１５３１（２０１８）０５０８０４０８
基于红外辐射特性系统实现对面目标测量
乔铁英１，蔡立华２，李宁２，李周２，３，李成浩２，３
均匀大面源黑体法的基本原理是在辐射特性测量系统的入瞳处放置均匀的大面源黑体。面源黑体的有效面积要完全覆盖辐射特性测量系统的入瞳。黑体可视为标准朗伯体，对辐射特性测量系统进行临界照明［９］。原理如图２所示。均匀大面源黑体定标法可以有效消除外界环境的影响且定标精度高，其可以实现对所有像元的定标，且没有透过率的影响，定标过程更为直观。
针对当前靶场测量领域对红外辐射测量所提出的新的测量要求，采用宽动态范围下的定标模型，利用大面源均匀黑体定标法对全口径红外辐射测量系统进行定标。在测量面目标时，通过一系列的推导得到面目标的辐射亮度结果，进而提出了一种面目标测量方法，并在口径为６００ｍｍ的红外辐射测量系统上进行了验证。

一种点目标探测系统能量集中度计算方法

一种点目标探测系统能量集中度计算方法杨天远;周峰;行麦玲【摘要】在点目标探测系统中,光学系统的能量集中度决定了单个像元收集到点目标能量的水平,直接影响点目标探测系统的图像信噪比.在相机设计完成后,需要对相机的能量集中度进行测试,评价相机的性能.传统方法对点目标探测系统的能量集中度计算采用"中心像元法",由于相机探测器中心位置偏移和靶标尺寸的影响,计算结果存在很大误差.文章通过建立点源靶标成像模型,分析出靶标尺寸和探测器位置对点目标像斑的影响,提出了求解点目标能量集中度的一般过程,并设计出了一种容易实现的计算方法.通过对点目标像斑进行高斯拟合,然后通过两次反卷积去除探测器位置和靶标尺寸的影响,实现了对能量集中度的求解.计算结果表明,文中提出的方法比传统方法更接近实际情况,具有工程应用价值.%In point target detection system, the energy collected by a single pixel is determined by the energy concentration degree of the optical system, which directly affect the detection signal to noise ratio. It is necessary to test the energy concentration degree after the completion of the camera design to evaluate the performance of the detection system. Traditionally, the energy concentration degree is calculated by dividing the sum of the point image energy by the center pixel energy. But the influence of the center pixel position offset and the size of the point target will lead to a big error. Through the establishment of a point source target imaging model, the influence of the center pixel position offset and the size of the point target is analyzed. The general process is offered for solving the point target energy concentration degree. And an easily achievable calculation methodis designed. After the Gaussian fitting of the sampling result, the deconvolution is applied twice to eliminate the influence of the centerpixel position offset and the size of the point target, and then the high precision solution of energy concentration degree is obtained. The calculation results show that this method is more close to actual situation than the traditional method, which has engineering application value.【期刊名称】《航天返回与遥感》【年(卷),期】2017(038)002【总页数】7页(P41-47)【关键词】能量集中度;高斯拟合;反卷积;点目标探测;空间相机【作者】杨天远;周峰;行麦玲【作者单位】北京空间机电研究所,北京 100094;北京空间机电研究所,北京100094;北京空间机电研究所,北京 100094【正文语种】中文【中图分类】TP391.41点目标的图像信噪比是评价点目标图像的主要参数。

复杂背景成像条件下运动点目标的轨迹提取

Ｔｒｃｘｒｃｉｎｏｏｉｇｐｉｔｔｒｅｓａｅｅｔａｔｏｆｍｖｎｏｎａｇｔｉｏｐｌｘｂｃｇｏｎｍａｅｎｃｍｅａｋｒｕｄｉｇｓ
ＣＯＮＧｉｇｙ，ＨＥＷｅ —ｉ，ＬＵ — ｏｇＡＯｅ — ｈｏＨＡＮＧｎＭｎ—ｕｎｊａＬｉｎ，ＢＭｉｃｕｓｐｃｐｒｍｅｔ（ＳＡｄｏｒｅＳａｅＥｘｅｉｎＭＸ）ｆｒｔｒｅｅｅｔｏｎｒｃｉｇＴｈｖｎａｇｔｉｄ — ｏａｇｔｄｔｃｉｎａｄｔａｋｎ．ｅｍｏｉｇｔｒｅｎｉ
第２Ｏ卷
第７期
光学精密工程
ＯｐｔｃｎｄＰｒｃｓｏｉｓａｅｉｉｎＥｎｇｉｅｉｎｅｒｎｇ
Ｖｏ．ＯＮＯ７１２．
２１０２年７月
Ｊ１２１ｕ．０２
文章编号１０ — ２Ｘ（０２０ — ６９００４９４２１）７１１—７
＊Ｃｏｒｓ，ｕｈｒ，Ｅ－ｉ：ｎｙｅ６＠１６ｃｍｒ０ｚａｔｏｇｍａｌａｄｈ０２．ｏ
Ａｂｔａｔｓｒｃ：Ｔｈｓｐａｒｉｅｔｇａｅｈｅｗｏｒｎｇｓｈｅｆａｓａｅｏｎｓｇｎｌｐｒｃｓｏｒａｌｅｏｔｉｐｅｎｖｓｉｔｄｔｋｉｃｍｅｏｐｃｂｒｉａｏｅｓｐｐｉｄｔｈｅ
件，其在降低虚警概率的同时提高检测概率，而普遍适用于复杂背景成像条件下运动点目标轨迹的提取。最后，使从利用实际获取的云层背景图像数据库仿真生成了包含多运动目标的时序图像序列，以此作为输入信号源分析比较了原并

天基红外图像的点目标检测

ｔｒｓｏｄｉｅｅｍｉｅｎｔｅｒｓｄｕｌｍａｅａｔｒｔｅｂｃｇｏｕｎｌｍｉａｉｎ．Ｔｈｅｈｅｈｌｓｄｔｒｎｄｏｈｅｉａｉｇｆｅｈａｋｒｄｅｉｎｔｏｎ，ｔａｅｅ — ｈｅｐｅｋｄｔｃｔｏｓｕｅｏｄｅｅｔｔｅｐａｎＩｉａｓｔｅｃｒａｌｔｆｆｌｅａａｍｒｇｎａｉｒｍｈｅａｉｎｉｓｄｔｔｃｈｅｋｓｉＲｍｇｅｏｒｄｕｅｐｏｂｂｉｙｏａｓｌｒｏｉｉｔｎｇｆｏｔ — ｉｄｐｉｅｔｅｈｄＦｉｌｙ，ｔａｇｅｄｅｉｉａｉｎａｇｉｈｕｓｎｕｓｏｅｈｎｑｓｐｒｏｍｅｏａｔｖｈｒｓｏｌ．ｎａｌｈｅｔｒｔｉｎｔｆｃｔｏｌｏｒｔｍｉｇｆｉｎｔｃｉｕｅｉｅｆｒｄｆｒｔｔｒｍｔｈａｎｅｓＥｘｅｉｎｓｓｗｈａｔｏｏｓｄａｇｏｉｈｍａｔｉｈｅｅｔｏｈｅｄａａｆｏｗｏｃｎｌ．ｐｒｍｅｔｈｏｔｔｈｅｐｒｐｅｌｒｔｃｎｇｅｈｇｄｔｃｉｎ
ＭＥＮＧａｇｌｇ，ＺＨＡＮＧｅ，ＣＯＮＧｉｇｙｕ，ＣＡＯ～ｉｇ，ＢＡＯｅ — ｈＸｉｎ —ｏｎＷｉＭｎ— ＹｉｍｎＷｎｚｕｏ
（ｓａｃｅｔｒｏＳａｅＯｐｉａｇｎｅｉｇ，ＲｅｅｒｈＣｎｅｆｐｃｔｃｌＥｎｉｅｒｎＨａｂｎＩｓｉｕｅｏｃｎｌｇｙ，ｒｉ５０１ｈｎ）ｒｉｎｔｔｔｆＴｅｈｏｏＨａｂｎ１００，Ｃｉａ

基于形态学的红外小目标检测算法

基于形态学的红外小目标检测算法郭张婷;辛云宏【摘要】在分析复杂天空背景下红外视频序列特征的基础上，针对红外小目标本身特性及红外序列低信噪比的问题，提出适合该环境的红外小目标检测算法.该滤波方法以形态学滤波理论为基础，首先采用均值滤波和Opening-Tophat运算对红外视频序列进行预处理，然后运用基于均值和方差的统计分割方法提取图像中的运动目标，从而实现了红外小目标的检测.实验结果表明，所提出滤波方法具有良好的检测和分割效果，能够有效地改善跟踪精度.【期刊名称】《渭南师范学院学报》【年(卷),期】2011(026)006【总页数】6页(P35-40)【关键词】红外小目标；形态学；Opening-Tophat；阈值分割【作者】郭张婷;辛云宏【作者单位】陕西师范大学物理学与信息技术学院，西安，710062;陕西师范大学物理学与信息技术学院，西安，710062【正文语种】中文【中图分类】TP751随着信息化时代的到来和航空航天技术的迅猛发展，大量智能化、数字化设备在现代化军事装备中的应用，对红外跟踪系统的研究已经成为必然趋势.在我国，红外搜索探测跟踪系统分析(IRST)已经成为热门研究方向［1］，而与此同时，此类基于红外视频序列的目标检测和跟踪算法的研究也显得尤为重要.近年来，各种红外小目标序列的检测和预处理算法也层出不穷，如去局部均值、中值高通滤波算法、多级滤波算法、梯度倒数加权滤波算法、基于侧抑制的局部对比度增强算法等等［2－4］，这些算法的提出在不同程度上实现了红外小目标的检测和增强，但由于红外小目标的特殊性和视频序列采集时环境因素的影响，单纯的使用某种算法仍然无法达到预期的增强目标和滤除噪声的效果，因此针对红外目标特性的预处理算法的提出能有效地改善预处理效果，从而更容易达到实时跟踪和精确跟踪的最终目的.常温下，物体辐射出的红外线位于中、远红外线的光谱区，易引起物体分子的共振并呈现明显的热效应，红外热成像技术也以此为基础.利用探测仪器测定目标本身和背景之间不同温度点发射的红外线波长和强弱的不同而形成可见图像的方法即红外热成像技术［5］.红外成像中的目标有大目标和小目标之分，针对大小目标也有相应的检测和跟踪算法.红外小目标的目标所占像素数目较少，一般情况下我们认为红外图像中6×6像素以下的目标为红外小目标，它们基本上没有可靠的形状信息，通常呈点状.除此之外，小目标没有明显的尺寸和纹理等信息，图像中目标的边界模糊不清，图像背景复杂，缺少目标和背景的先验知识.而在已捕获的红外视频序列中，红外大目标尺寸在6×6像素以上［6］，当目标从我们的视野中掠过的时候，可以看到它的大致轮廓.通常情况下，红外目标的跟踪系统有两种工作模式［7］，即 DBT(Detect-Before-Tarck)模式和TBD(Track-Before-Detect)模式.文中使用先检测后跟踪的处理模式，过程如图1所示，也就是在跟踪前针对每帧图像的特点采用一系列的预处理方法对图像进行增强和分割，去除或减少图像中的噪声和杂波，最后再选取合适的跟踪算法对目标轨迹进行预测和跟踪.这种模式计算复杂度较低，便于实时处理.实际应用中，红外探测器(热像仪等)与目标距离较远，加之光学系统、电路噪声以及其它干扰的影响，使得红外图像表现出信噪比较低的共性.对于包含小目标的红外单帧图像，通常可表示为:上式中，a(x，y)表示红外热像仪等外围设备接收到的红外序列中的某帧图像，t(x，y)表示目标，b(x，y)表示背景，n(x，y)表示图像中的各种噪声和干扰［8］.本文主要研究天空背景下的红外小目标的检测问题.基于对红外图像的分析我们知道，红外图像的背景多表现为缓慢变化的部分，呈大面积连续状态［9］，同时像素之间呈现出较大的相关性;大片的云层受到太阳光的散射和自身的辐射显得较亮，其灰度非常接近于小目标(飞机等)，是最强的干扰.目标与背景的区别在于它与周围的像素点并无明确的相关性，在其出现的地方，往往会出现灰度上的突变.基于以上分析提出的预处理算法的流程如图2所示:首先对输入图像进行均值滤波.所谓均值滤波即在一幅图像内部，以像素为单位，求出周围相邻像素的均值并赋值给中心像素，从而达到滤波的效果.这种方法中均值模板是一个低通滤波器，运算过程则是对整幅图像从上到下，从左到右的一个卷积过程［10］.因为图像细节主要存在于高频区域，均值滤波在去噪的同时会导致图像的模糊.如果模板过大则会加剧模糊;模板越小则去噪能力越弱.图3所示为本文中选取的3×3均值模板，图4为其频谱特性.在均值滤波的基础上对每帧图像进行Opening-Tophat［11－12］运算.这种Tophat开运算是形态学中的膨胀﹑腐蚀等基本算子的组合.它是一种很好的高通滤波算子，与膨胀和腐蚀算法类似，这种算子滤波效果的优劣与结构单元的选取有很大的关系，选取合适的结构单元可以更容易从复杂的背景中提取目标信息.腐蚀和膨胀都是形态学的基本运算，对于给定的目标x和结构元素s，腐蚀和膨胀运算分别有如下定义:在此基础上，开运算定义为以相同的结构元素先做腐蚀再做膨胀［13］，目的是去掉图像中一些凸角，平滑边界.其形式如下:本文中所使用的Opening-Tophat算子正是依据腐蚀和膨胀，以及开运算定义而来的.原始图像通过Opening-Tophat运算，得到了抑制背景后的信号和部分噪声.此时，结构元素的选择对滤波的结果有很重要的影响.选择合适的结构元素可以得到很好的抑制背景和增强目标的目的.在图像分割方面，常用的方法包括基于边缘的分割和基于区域的分割［14－16］.对于红外小目标而言，由于其所占像素有限，边缘信息并不明确，因此我们采用基于区域的分割算法对预处理后的灰度图像进行分割，通常包括基于平均灰度的分割和统计特性分割.本文中采用的基于均值和方差的统计特性分割也是其中一种.假设a(x，y)为预处理后的灰度图像，其大小为dep×wide像素:上式中aver为整个图像的均值，σ2为其方差，T为分割阈值，k为分割系数，它的选取直接决定分割效果.在跟踪部分我们使用基于最小均方误差的kalman算法对目标位置进行跟踪和预测，由于此算法的优点在于目标此时刻状态仅取决于上一时刻的状态，对目标位置数据的存储和计算量都大大降低.表1中对比了几种常用的跟踪方法的利弊，实际应用中可根据获取的数据的类型和特点选取合适的跟踪算法.通过以上对比［17－19］我们发现，不同的跟踪算法对不同的目标和背景干扰的处理效果不尽相同，因此在实际应用时，选取适合的预处理算法和跟踪算法显得尤为重要.使用本文中提出的基于形态学的红外小目标视频序列预处理算法对目标序列进行预处理，可以取得较满意的分割效果，从而为后续的目标跟踪和进一步处理、分析提供了良好的基础，也起到了一定简化运算和提高精度的作用.本文仿真部分所使用的红外视频序列均使用武汉高德的ThermoproTMTP8系列红外热像仪采集获得.TP8采用最新技术的非制冷微量热型探测器，可分辨细微至0.08℃ 的温度变化，它采用OLED高分辨目镜的显示设备，红外视频序列的分辨率为288×288像素.以下均为算法的仿真结果.首先，我们要对采集来的包含单个或多个小目标的红外视频序列的每帧图像进行3×3的均值滤波，滤去高频噪声.在我们选择的模板下，滤波所造成的图像整体的模糊是非常微弱的.Opening-Tophat运算中结构元素的选取.我们选择了square和diamond两种结构单元，并对它们的滤波效果进行了对比.对比结果如图5所示:图a为未处理前的原始图像，图b和c分别为选取square和diamond两种结构单元时的滤波结果. 通过对比我们发现，使用square结构单元能更好的保持目标的相对轮廓并且基本滤除了周围以云层为主的噪声干扰，同种情况下，diamond结构单元的滤波结果中仍然能看到部分云层干扰.图像分割中分割系数的选择:T=aver+kσ中的分割系数k的选取直接决定分割效果，图6为选取k=10，k=50，k=200时的分割效果.结果表明当k取200左右时，效果最佳，基本滤除了干扰和噪声，同时增强了目标亮度.我们对视频序列中每帧图像使用本文中提出的算法进行预处理，得到一系列预处理前后的对比图像:图7所示为单目标红外视频序列的部分原始图像和滤波结果，我们分别选取了视频序列的第50帧(图a)，第100帧(图b)，第180帧(图c)图像.图8所示为多目标红外视频序列的部分原始图像和滤波结果，我们分别选取了视频序列的第60帧(图a)，第120帧(图b)，第180帧(图c)图像.图7中单目标序列的处理结果我们可以看出，在视频序列的第50帧位置，飞机未经过云层;在第100帧的时候，飞机准备进入云层;在第180帧的时候，飞机完全进入云层时，组合预处理算法均得到了只有目标存在的二值图像.在多目标序列中，三个目标分别拥有不同的航迹和外形特征，同样也获得了只包含目标的二值图像.以上三组数据的处理，我们发现这种顺序的预处理算法在以上几种情况下均取得了较好的结果，除了滤除干扰以外还实现了对弱小红外目标的增强.本文提出的针对复杂天空背景下红外小目标的预处理算法，用级联的方式融合了多个形态学基本算子，在单个和多个弱小目标存在的情况下均获得了较理想的滤波效果.通过以上对包含弱小目标的红外视频序列的分析，结合预处理算法的理论介绍和实验仿真结果，我们发现在像素值非常有限的红外小目标的检测过程中，切实有效的预处理算法可以帮助我们得到只包含目标的二值图像，帮助我们更容易锁定跟踪目标，开展后续的跟踪处理.同时，这种预处理算法也存在一些不足，比如当目标的灰度底于周围环境像素(暗目标)时，算法无法取得理想的滤波效果，这也是本项目下一步研究的重点.【相关文献】［1］周晓玮.复杂背景下红外小目标实时检测与跟踪［D］.武汉:华中科技大学，2007.3－5. ［2］阎敬文.数字图像处理［M］.北京:国防工业出版社，2006.63－70.［3］王苑楠.图像边缘检测方法的比较和研究［J］.计算机与数字工程，2009，37(1):121－127. ［4］李铫.红外多目标跟踪技术研究［D］.西安:中国科学院西安光学精密机械研究所，2008. ［5］Jeremy D.Bailoo，Martin O.Bohlen，Douglas Wahlsten.The precision of video and photocell tracking systems and the elimination of tracking errors with infrared backlighting［J］.Journal of Neuroscience Methods，2010，6(3):253－264.［6］J.Shaik，K.M.Iftekharuddin.Detection and tracking of targets in infrared images using Bayesian techniques［J］.Optics＆Laser Technology，2009，10(6):112－119. ［7］Jain R，Nagel H.On the analysis of accumulative difference of picture from image sequences of real world scenes［J］.IEEE Trans PAMI，1979，9(7):206－214.［8］Charlene EC，Jerry S.Optimization of point target tracking filters［J］.IEEE Transactions on Aerospace and Electronic Systems，2000，36(1):5－25.［9］杨烜，裴继红，谢维信.基于运动特征的远距离红外目标检测方法［J］.电子与信息学报，2007，29(8):1829－1832.［10］贺兴华，周媛媛.matlab 7.x图像处理［M］.北京:人民邮电出版社，2006.［11］颜佳，吴敏渊，陈淑珍.基于Mean Shift算法的伪装目标跟踪［J］.光电工程，2009，36(2):11－15.［12］罗寰.复杂背景下红外弱小多目标跟踪系统［J］.光学学报，2009，26(6):21－23.［13］管志强，陈钱，钱惟贤.一种背景自适应调整的弱点目标探测算法［J］.光学学报，2007，27(12):2163－2168.［14］WANG Xin，TANG Zhen-min.Modified particle filter-based infrared pedestrian tracking［J］.Infrared Physics＆Technology，2010，10(3):122－124.［15］何东健.数字图像处理［M］.西安:西安电子科技大学出版社，2003.［16］温佩芝，史泽林，于海斌.基于形态学的海面背景红外目标检测方法［J］.光电工程，2003，30(6):55－58.［17］ZUO Zhen.Algorithm based on wavelet transform for small target detection on sea surface in infrared image［J］.Infrared and laser Engineering，1998，14(5):155［18］荆文芳.飞机红外图像的检测识别与跟踪技术的研究［D］.西安:西北工业大学，2006. ［19］程建，杨杰.一种基于均值移位的红外目标跟踪新方法［J］.红外与毫米波学报，2005，24(3):231－235.。

复杂背景下红外点目标的检测

由于抖动、空间光干扰、空气震动等原因 ,可能出现目标模糊[5] 。模糊现象降低信噪比 ,减少目标获取精度 ,在远距离时 ,使目标图像产生颤动。由于最小模糊尺寸受光学系统的限制 ,特别是在实际环境中 , 由于光学系统的不精确聚焦和机械抖动会使模糊尺寸更大。目标的几何中心在相邻像素之间就会发生变化 ,这就是为什么一个点目标会在 FPA 上出现 2～ 4 个像素点的原因。
Keywords : Point target ; Markov model ; High2pass filtering ; Adaptive threshold ; Segmenta2 tion
1 引言
由于红外图像中点目标的检测、跟踪的重要性 , 以及点目标的特点 ———远距离、低信噪比、强杂波和摄像机的光学特性等 ,点目标检测仍然是当前一个既热门又困难的课题[1] 。早期算法利用时间相关或跟踪状态进行空间检测 ,这些算法在目标比背景亮时 , 效果很好 ;但对杂波强而目标弱的情况效果较差[2] ,
1 11
F1 = 1 - 8 1
(3)
1 11
背景中分割出来 ,见白色方框内。在 768 ×576 的实际红外图像序列中用模板 (6) 的 F4 进行高通滤波 ,
可将信噪比为 1. 6 的弱小目标检测出来。高通滤波后选择合适的门限把点目标和孤立噪声
点提取出来是一个关键问题。若由单帧检测概率、虚
因为它很难通过最初的空间检测和门限。最近的大多数算法则采用了将空间和时间信息并入多帧处理过程中的检验前跟踪 ( TBD) 的算法[3] 。
在点目标检测算法中 ,匹配滤波器法、动态规划法、序贯假设检验法、Hough 变换法和最优投影法 ,还有神经网络、小波、分形、形态滤波等 ,都有计算量大、计算复杂的缺点 ,不能满足实时处理的要求。为了减小运算量 ,达到硬件的可实现性 ,近年来有用帧间积累算法的 ,这适应于目标帧间移动少于一个像素的情

红外图像处理中的目标检测算法研究

红外图像处理中的目标检测算法研究近年来，随着红外技术的不断发展，红外图像在军事、航空、遥感等领域中得到了广泛的应用。

而红外图像的主要特点是其对温度敏感，同时在空间和时间上均具有良好的分辨能力，因此它在目标检测中的应用也越来越广泛。

本文就探讨红外图像处理中的目标检测算法的研究进展。

一、红外图像处理中的目标检测算法概述目标检测算法是指通过对图像中的目标进行分析、处理，确定目标的位置、尺寸、形状、数量等信息。

在红外图像处理中，目标检测算法主要有以下几种：1. 基于滤波的目标检测算法滤波是图像处理中常用的一种处理方法。

基于滤波的目标检测算法一般采用各种卷积核对红外图像进行处理，通过滤波后图像的变化来确定目标的位置和尺寸。

这种方法简单易懂，但对目标的形状等特征提取不够精细，因此准确性有限。

2. 基于特征提取的目标检测算法特征提取是指从图像中提取出一些具有代表性的局部结构，为之后的分析和处理提供基础。

基于特征提取的目标检测算法采用各种特征提取方法对红外图像进行处理，通过提取出图像中的一些特征结构来确定目标的位置、尺寸、形状等信息。

这种方法相对于基于滤波的方法来说，可以提取出更为精细的目标特征，因此准确率更高。

3. 基于机器学习的目标检测算法基于机器学习的目标检测算法采用各种机器学习算法对大量的样本数据进行训练，从而达到对红外图像中目标的自动检测。

这种方法因为其在识别复杂目标方面的良好性能，引起了研究者们的广泛关注。

二、基于滤波的目标检测算法基于滤波的目标检测算法一般常用的方法是基于高斯滤波的算法。

之所以采用高斯滤波是因为，高斯滤波涉及到了频率域的平滑处理，通常情况下红外图像具有一定的噪声，采用高斯滤波可以有效去除噪声，从而提高目标检测的准确率。

基于高斯滤波的目标检测算法主要是通过建立一种高斯模型来检测图像中的目标。

该算法首先需要对图像进行高斯滤波，去除噪声，之后在滤波后的图像中连续分割出较明显的连通区域，基于这些连通区域建立模型，判别出其中的热点区，完成对目标的检测。

天基预警系统中的目标识别方法与技术

预警系统目标识别研究的总体建议．
图像识别来获取目标的细节特征．
两者区别：主动式识别与被动式识别的根 ① 本不同在于，其要测量的是目标物质产生的相互
作用，因而需要有一个能够激发这种相互作用的
统的核心．
为了与ＳＩＳＨｇＢＲ —ｉｈ相区别，天基红外预警系统．低轨卫星（ＢＲ．ｏ已于２０年被更名为空ＳＩＳＬｗ）０２间监视与跟踪系统（ＴＳ，ＳＳ）它是 “ 眼” 亮的后续计划．其上装有宽视场短波扫描红外捕获探测器和窄视场凝视型多波段红外及可见光跟踪探测器，重点对弹道导弹助推段末期到飞行中段的热弹头变冷和飞行中段到再人段初期的冷弹头变热过程进行目标识别，可为预警雷达、导雷达引导目并制标．ＴＳ现目标识别的方法是：ＳＳ实接受高轨卫星
璺曼ｏ器轨ｗ
呈
面
是２．７
和４３ｇ．ｍ谱带，文献［】证了利用其谱６论
一瓤誓替
目干（测点ｊ标预落、
、—一、
带监视的合理性．因此天基红外探测器探测导弹
助推段飞行时通常用短波和中波红外频段．
１弹道目标光电识别机理
识别真假目标是预警监视与跟踪系统应具有的首要功能．析来袭导弹的３飞行阶段，中分个以段识别难度最大，因为末助推段后期导弹母舱抛

红外预警卫星波段选择的影响因素分析

基于不同模型的红外预警卫星探测波段选择导弹预警卫星是目前探测弹道导弹发射的最有效的手段，它通过星载红外探测器探测到弹道导弹发射时尾焰的红外辐射，并把方位角和辐射强度等信息传给地面工作站，从而为地面防御系统提供尽可能长的预警时间。

通过课上老师的讲解可以了解到，DSP 预警卫星采用对2.7μm和4.3μm比较敏感的探测元件进行探测，后来通过查阅资料，进一步了解到选用2.7μm和4.3μm 附近波段的理论与算法依据，以及在不同的主要考虑因素下，建立不同模型所仿真出的具体探测窄波段也有所差别。

以下是对以不同影响因素为主时，对预警卫星所采用波段进行仿真后的研究情况与结果。

1. DSP预警卫星采用2.7μm和4.3μm波段的合理性分析在不考虑背景杂波对波段选择影响的情况下，从探测距离与信噪比两方面因素建立相应模型验证DSP预警卫星采用2.7μm和4.3μm波段的合理性。

DSP 预警卫星的探测距离估算预警卫星的扫描探测采用线阵列探测器，通过往复的扫描对整个视场空间进行搜索，在搜索到目标后，改为由凝视的面阵探测器进行跟踪，也就是说只有扫描探测器探测到了信号才有可能对导弹进行跟踪预警，因此我们对卫星探测距离的计算可以认为是对线阵列探测器作用距离的计算[1]。

采用线阵列探测器的红外搜索系统的理想作用距离模型以及DSP预警卫星探测的总视场角模型，以美国现役的DSP导弹预警探测卫星为例，可以仿真1~10μm 波段，探测器最大探测距离与波长的关系如下图所示。

图1. 1~10μm波段，探测器最大探测距离与波长的关系图[1]通过上图可以看出，助推段探测时，探测器的最佳工作波段在短波和中波波段，随波长的增加，探测距离急剧减小，以至于在长波波段时，探测卫星不能进行有效的探测。

信噪比对预警卫星工作波段的影响导弹主推段天基红外探测器所接收的能量包括：a. 导弹助推段的高温气体和导弹本体产生的红外辐射，简称为目标辐射辐照度；b. 地球背景的红外辐射辐照度；c. 大气的红外辐射辐照度；d. 太阳照射产生的反射和散射辐照度。

复杂背景下红外目标检测与跟踪的开题报告

复杂背景下红外目标检测与跟踪的开题报告一、研究背景及意义红外目标检测与跟踪技术是一项重要的军事、安防、航天领域的基础性技术，该技术能够有效地识别和追踪目标，并对其位置、速度、姿态等信息进行获取和分析。

在复杂背景下，如夜间、烟雾、雾霾、阴雨等情况下，红外图像具有较好的穿透能力和鲁棒性，能更好地保证目标检测和跟踪的准确性和鲁棒性，因此，在复杂背景下红外目标检测与跟踪技术具有广泛的应用前景。

目前，红外目标检测与跟踪技术已经取得了一定的研究成果，如基于深度学习的目标检测算法、基于卡尔曼滤波的目标跟踪算法等。

但是，在复杂背景下，红外目标检测与跟踪仍然存在许多挑战和问题，如目标遮挡、背景复杂、目标形态变化等问题。

因此，进一步研究并改进红外目标检测和跟踪算法，提高其在复杂背景下的准确性和鲁棒性，在军事、安防、航天等领域具有重要的技术创新和应用价值。

二、研究内容和方法（一）研究内容本文旨在研究复杂背景下红外目标检测与跟踪技术，主要包括以下内容：1.红外目标检测算法。

2.红外目标跟踪算法。

3.根据检测结果和跟踪结果进行目标识别。

4.算法性能评估。

（二）研究方法本文将采用以下研究方法：1.对红外图像进行预处理，如图像增强、噪声去除等操作。

2.采用深度学习方法进行目标检测和跟踪，如YOLOv3、Faster R-CNN等。

3.针对复杂背景下目标变形和遮挡等问题，采用形状匹配、相似度匹配、运动跟踪等方法进行跟踪。

4.针对跟踪过程中出现的漏检、误检等问题，采用卡尔曼滤波等方法进行目标状态预测和修正。

5.最后，根据性能评估指标对算法进行性能评估，并对算法进行改进和优化。

三、研究预期成果及意义（一）预期成果通过本次研究，预期实现以下成果：1.开发一种适用于复杂背景下的红外目标检测和跟踪算法。

2.对算法进行优化和改进，提高其准确性和鲁棒性。

3.经过实验测试，验证算法在复杂背景下的检测和跟踪效果。

（二）意义随着国防、安保、航天等领域的不断发展，红外目标检测和跟踪技术越来越重要。

基于特征融合的改进型PointPillar_点云目标检测

第 31 卷第 19 期2023 年 10 月Vol.31 No.19Oct. 2023光学精密工程Optics and Precision Engineering基于特征融合的改进型PointPillar点云目标检测张勇，石志广*，沈奇，张焱，张宇（国防科技大学电子科学学院 A T R重点实验室，湖南长沙 410073）摘要：针对PointPillar在自动驾驶道路场景下对点云稀疏小目标检测效果差的问题，通过引入一种多尺度特征融合策略和注意力机制，提出一种点云目标检测网络Pillar-FFNet。

针对网络中的特征提取问题，设计了一种基于残差结构的主干网络；针对馈入检测头的特征图没有充分利用高层特征的语义信息和低层特征的空间信息的问题，设计了一种简单有效的多尺度特征融合策略；针对主干网络提取的特征图中信息冗余的问题，提出了一种卷积注意力机制。

为验证所提算法的性能，在KITTI和DAIR-V2X-I数据集上进行实验。

实验结果表明，所提出的算法在KITTI数据集上与PointPillar 相比，汽车、行人和骑行者的平均精度最大提高分别为0.84%，2.13%和4.02%；在DAIR-V2X-I数据集上与PointPillar 相比，汽车、行人和骑行者的平均精度最大提高分别为0.33%，2.09%和4.71%，由此证明了所提方法对点云稀疏小目标检测的有效性。

关键词：小目标检测；点云稀疏；PointPillar；残差结构；多尺度特征融合；卷积注意力中图分类号：TP391.1 文献标识码：A doi：10.37188/OPE.20233119.2910Improved PointPillar point cloud object detectionbased on feature fusionZHANG Yong，SHI Zhiguang*，SHEN Qi，ZHANG Yan，ZHANG Yu （National Key Laboratory of Science and Technology on Automatic Target Recognition，College of Electronic Science and Technology， National University of Defense Technology，Changsha 410073， China）* Corresponding author， E-mail： szgstone75@Abstract： A point cloud object detection network， Pillar-FFNet， is proposed by introducing a multiscale feature fusion strategy and an attention mechanism to address the ineffectiveness of PointPillar in detecting small sparse objects in point clouds in autonomous driving road scenarios.First，a backbone network based on a residual structure is designed for feature extraction in the network. Second， a simple and effec⁃tive multiscale feature fusion strategy is designed to address the problem that the feature maps fed into the detection head do not make full use of the semantic information of high-level features and the spatial infor⁃mation of low-level features. Finally， a convolutional attention mechanism is proposed to treat information redundancy in the feature maps extracted using the backbone network. To validate the performance of the proposed algorithm，experiments are conducted on the KITTI and DAIR-V2X-I datasets.The results 文章编号1004-924X（2023）19-2910-11收稿日期：2023-03-30；修订日期：2023-05-04.基金项目：国家自然科学基金资助项目（No.62075239）第 19 期张勇，等：基于特征融合的改进型PointPillar点云目标检测show that the proposed algorithm achieves maximum average accuracy improvements of 0.84%， 2.13%，and 4.02% for cars， pedestrians， and cyclists， respectively， on the KITTI dataset and maximum average accuracy improvements of 0.33%， 2.09%， and 4.71% for cars， pedestrians， and cyclists， respectively，on the DAIR-V2X-I dataset compared with the PointPillar results. Experimental results demonstrate the effectiveness of the proposed method for the detection of sparse small objects in point clouds.Key words： small object detection；point cloud sparse；PointPillar；residual structure；multi-scale fea⁃ture fusion； convolutional attention1 引言近年来，随着深度学习的发展，点云处理技术取得了重大突破［1］。

红外点目标检测中的能量累积

第１卷８
第３期
光学精密工程
ＯｐｔｃｎｄＰｒｃｓｏｇｉｅｉｉｓａｅｉｉｎＥｎｎｅｒｎｇ
Ｖｏ．８Ｎｏ３１１．
Ｍａ．２０ｒ０１
２１００年３月
文章编号１０ — ２Ｘ（０ＯＯ —７１００４９４２１）３０４ — ７
ｇａｒｍｍｉｇＡｌｏｉｍ（Ａ）ｎｅｅｇｃｕｌｔｎｍｅｈｄｏＲｐｉｔｔｒｅｅｅｔｎｂｓｄｏＡｓｎｇｒｈｔＤＰ，ａｎｒｙａｃｍｕａｉｔｏｆＩｏｎａｇｔｄｔｃｉａｅｎＤＰｉｏｏ
红外点目标检测中的能量累积
曹琦，王德江。张齐，，毕笃彦
（．１空军工程学院信号与信息处理实验室，陕西西安７０３；１０８
２中国科学院长春．．光学精密机械与物理研究所，吉林长春１０３）３０３
摘要：对在红外图像目标检测中利用传统动态规划进行能量累积存在较大的能量扩散效应，检测速度慢、测概率针且检
ＣＡＯＷＡＮＧ —ｉｎＺＱｉ，Ｄｅｊａｇ，ＨＡＮＧＢ — ａＱｉ，ＩＤｕｙｎ
（．ｉｎｌｎｎｏｍａｉｎＰｒｃｓｉｇＬｂｒｔｒＡｉＦｒｅｎｉｅｒｇ１ＳｇａｄＩｆｒｔｏｅｓｎａｏａｏｙ，ｒｏｃｇｎｅｉａｏＥｎ
ｉｏｔｎｔｈｅＤＰＡｅｕｓｖｏｕａＲｅｅｒｈｒｓｌｓｉｄｃｔｈｔｔｅＷＩｃｎｒｆｅｔｔａｇｔｒｃｒｉｅｆｒｌ．ｓａｃｅｕｔｎｉａｅｔａｈＥａｅｌｃｈｅｔｒｅｓ’ｍｏｉｇｉｆｒｍｖｎｎｏ —

空间目标图像的天基动态识别

空间目标图像的天基动态识别徐拓奇;张刘;徐伟;金光【摘要】为了能够实现对空间人造目标进行实时识别,提出了一种人造目标检测和识别的方法.该方法首先利用恒星相对位置基本不变的特点,采用图像的帧间配准和智能帧差法剔除视场内的恒星.再利用天然星与人造星之间的轮廓特征上的不同区分人造星与天然星,从而实现对运动人造目标的动态识别.实验结果表明,文章提出的方法与传统方法相比,在工程允许误差范围内,运算量减少了约30％,可靠性得到了提高,从而在工程上实现了空间人造目标的实时识别.%In order to achieve the target of man-made space real-time identification, this paper proposes a method of man-made spacecraft visual target detection and identification. In this method, because of the same relative position of the stars, by using image registration and intelligent frame difference method, the stars are removed. Then by distinguishing the different profiles of the natural and man-made star, the man-made stars are separated from nature stars. Therefore, the goal of man-made satellites dynamic recognition is achieved. Experimental results show that the proposed method compared with traditional methods, the amount of operations is reduced by about 30%, reliability has been improved. And it has practical significance in engineering practice.【期刊名称】《液晶与显示》【年(卷),期】2012(027)003【总页数】8页(P406-413)【关键词】图像识别;目标跟踪;图像分割【作者】徐拓奇;张刘;徐伟;金光【作者单位】中国科学院长春光学精密机械与物理研究所,吉林长春130033;中国科学院长春光学精密机械与物理研究所,吉林长春130033;中国科学院长春光学精密机械与物理研究所,吉林长春130033;中国科学院长春光学精密机械与物理研究所,吉林长春130033【正文语种】中文【中图分类】V529.1天基空间目标监视系统是以己方太空中飞行的卫星为平台，探测他国非合作侦察卫星的一套空间监视系统。

星空运动小目标轨迹检测超时控制

星空运动小目标轨迹检测超时控制沈同圣;郭少军;奚晓梁;马新星【摘要】For the features of the space-based starry images, this paper analyzed the reason of algorithm timeout and high false alarm when detecting the orbits of moving objects under the starry background. The heavy computing of stellar identification is avoided by introducing and improving the Moving Target Indicator (MTI) filter to process the sequence starry-images. At the same time, we changed the algorithm structure from DBT to TBD and largely improved the algorithm speed under high precision. The simulation shows that the improved algorithm has the character of low time consumption, and we can use it to control the algorithm timeout and high false alarm, which meets the project needs for space-based starry-images moving objects orbits detecting.%针对天基观测星图的特点，分析了星空背景下运动小目标检测算法超时和虚警率过高的原因，引入并改进了MTI滤波器对序列星图进行处理，避免了恒星识别的繁重计算；改进了小目标关联算法结构，在精确度较高的情况下较大范围地提高了算法效率。

基于人工智能的红外图像目标检测算法研究

基于人工智能的红外图像目标检测算法研究摘要：红外图像目标检测技术在军事、安防、无人机等领域具有广泛的应用前景。

本文旨在研究基于人工智能的红外图像目标检测算法，通过深入探讨该算法的原理、方法和应用，为进一步提高红外图像目标检测的准确性和效率提供参考和指导。

一、引言近年来，随着人工智能技术的快速发展和红外图像技术的广泛应用，基于人工智能的红外图像目标检测算法成为研究热点之一。

红外图像具有独特的发射特性，可以在夜间和恶劣天气条件下实现目标检测，这对于军事、安防、无人机等领域具有重要意义。

因此，研究开发一种高效准确的红外图像目标检测算法是当前亟待解决的问题。

二、基于人工智能的红外图像目标检测算法的原理基于人工智能的红外图像目标检测算法主要基于深度学习技术，其中卷积神经网络（CNN）是最常使用的方法。

其原理是通过将图像输入CNN网络，经过多层卷积和池化操作提取图像特征，然后通过全连接层进行目标分类和定位。

三、基于人工智能的红外图像目标检测算法的方法1. 数据集准备与预处理为了训练和测试红外图像目标检测算法，需要准备一个包含大量正负样本的数据集。

数据集预处理包括图像去噪处理、图像增强和尺度归一化等操作，以提升算法的鲁棒性和准确性。

2. 网络设计网络设计是基于人工智能的红外图像目标检测算法的关键。

常用的网络结构包括Faster R-CNN、YOLO和SSD等。

其中，Faster R-CNN 结合了区域提议网络（RPN）和Fast R-CNN进行目标检测和分类，可以获得较高的检测精度和运行速度。

3. 特征提取和特征匹配特征提取是基于人工智能的红外图像目标检测算法的重要步骤。

通过卷积操作，可以从红外图像中提取出具有区分度的特征图。

特征匹配则是将提取的特征图与目标类别进行比对，判断图像中是否包含目标。

4. 目标分类和定位基于人工智能的红外图像目标检测算法需要将图像中的目标进行分类和定位。

分类可以使用softmax函数进行多分类识别，定位则通过边界框来确定目标在图像中的位置和大小。

运动背景星空图像中小目标的运动轨迹提取算法

第16卷　第3期2008年3月光学精密工程　Optics and Precision Engineering Vol.16　No.3 Mar.2008 收稿日期:2007208226;修订日期:2007210225. 基金项目:国家“863”高技术研究发展计划资助项目(No.2006AA0627)文章编号　10042924X (2008)0320524207运动背景星空图像中小目标的运动轨迹提取算法张春华1,陈　标2,周晓东1(1.海军航空工程学院控制工程系,山东烟台,264001;2.海军潜艇学院卫星遥感应用研究所,山东青岛,266000)摘要:提出了一种序列星图中目标运动轨迹的提取算法。

利用交叉投影方法提取星点,确定包含星点的区域。

然后,利用序列图像中最亮的一组星点的质心估计星图的全局运动参数,并进行图像匹配,滤除背景恒星。

最后,提出了一种目标运动轨迹的提取算法。

实验结果表明:该算法对于在序列图像中运动轨迹不连续的空间小目标(≥1pixel )可以进行准确的轨迹提取,并且具有较强的鲁棒性。

关　键　词:图像处理;星图;交叉投影;轨迹提取中图分类号:V557.4 文献标识码:ASm all target trace acquisition algorithm for sequence starim ages with moving backgroundZHAN G Chun 2hua 1,C H EN Biao 2,ZHOU Xiao 2dong 1(1.Department of Control Engineering ,N aval Aeronautical and Astronautical University ,Yantai 264001,China;2.Remote S ensi ng I nstit ute ,N av y S ubm ari ne A cadem y ,Qi ng dao 264001,Chi na )Abstract :A target t race acquisition algorit hm for sequence star images wit h moving background is p ut forward to detect t he discontinuous trace of a small space target wit h high accuracy.A cro ss projection met hod is used to ext ract stars and acquire target area.Then ,t he cent roid of a group of brightest stars in sequence images is used to estimate t he global moving parameters.Finally ,a target t race acquisi 2tion met hod is p resented.The simulation experiment is carried out wit h two small target s in 16f rame sequence sky images (82bit gray scale image ).The result s of t race acquisition show t hat t he algorit hm can detect t he traces of two target s wit h high accuracy ,and can p rovide a robust way for t he t race ac 2quisition of small target s wit h discontinuo us t race.K ey w ords :image p rocessing ;star image ;cross p rojection ;t race acquisition1　引　言空间目标监视是利用地基或天基平台对空间目标进行光学观测或其它手段的监测。

图像通用目标的无监督检测

较Ｂｏｇｄａｎ的检测模型提高了４０，改进了目标检测效率。本文模型可为后续的目标识别，图像分割提供更快、更准确
的先验位置信息。
关键词：无监督检测；显著性检测；颜色对比；超像素跨越；贝叶斯融合
第２２卷
第ｌ期
光学精密工程
ＯｐｔｉｃｓａｎｄＰｒｎｇ
ＶｏＩ．２２ＮＯ．１
２０１４年１月
Ｊａｎ．２０１４
文章编号１００４ — ９２４Ｘ（２０１４）０ｌ０１６０～Ｏ９
由图分类号
：ＴＰ３９１．４
文献标识码：Ａ
ｄｏｉ：１０．３７８８／（）ＰＥ．２０１４２２０１．０１６０
Ｕｎｓｕｐｅｒｖｉｓｅｄｄｅｔｅｃｔｉｏｎｏｆｉｍａｇｅｏｂｊｅｃｔｗｉｔｈａｎｙｃｌａｓｓ
ＳＯＮＧＸｉｕ～ｒｕｉ～，ＷＵＺｈｉ — ｙｏｎｇ
（１．ＣｈａｎｇｃｈｕｎＩｎｓｔｉｔｕｔｅｏｆＯｐｔｉｃｓ，ＦｉｎｅＭｅｃｈａｎｉｃｓａｎｄＰｈｙｓｉｃｓ．ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｃｈａｎｇｃｈｕｎ１３００３３，Ｃｈｉｎａ；

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第１８卷第９期２０１０年９月
ＯｔｃｓａｎｄＰｒｅｃｉｓｉｏｎＥｎｉｎｅｅｒｉｎｐｉｇｇ
光学精密工程
Ｖｏｌ．１８Ｎｏ．９Ｓｅ．２０１０ｐ
文章编号１）００４９２４Ｘ（２０１００９２０９４０７
犇犲狋犲犮狋犻狅狀狅犳狆狅犻狀狋狋犪狉犲狋狊犻狀狊犪犮犲犫犪狊犲犱犻狀犳狉犪狉犲犱犻犿犪犲狊犵狆犵
，，，，ＭＥＮＧＸｉａｎｌｏｎＺＨＡＮＧＷｅｉＣＯＮＧＭｉｎｕＣＡＯＹｉｍｉｎＢＡＯＷｅｎｚｈｕｏｇｇｇｙｇ（犚犲狊犲犪狉犮犺犆犲狀狋犲狉狅犪犮犲犗狋犻犮犪犾犈狀犻狀犲犲狉犻狀犳犛狆狆犵犵，犎犪狉犫犻狀犐狀狊狋犻狋狌狋犲狅犲犮犺狀狅犾狅犎犪狉犫犻狀１５０００１，犆犺犻狀犪）犳犜犵狔，：犃犫狊狋狉犪犮狋Ｉｎｏｒｄｅｒｔｏｒｅｓｅａｒｃｈｔｈｅｏｎｂｏａｒｄｄａｔａｐｒｏｃｅｓｓｉｎｏｒｉｎｆｒａｒｅｄ（ＩＲ）ｓｃａｎｉｍａｅｓｉｎＧｅｏｓｔａｇｆｇ，ｔｉｏｎａｒａｒｔｈＯｒｂｉｔ（ＧＥＯ）ｓａｔｅｌｌｉｔｅｒｏｃｅｓｓｉｎｌｏｗｓｏｆｄａｔａｐｒｏｃｅｓｓｏｒｓｉｎｔｈｅＰｈａｓｅⅡ ａｎｄＤＳＰ Ⅰ ｙＥｐｇｆｓａｔｅｌｌｉｔｅｓｆｏｒＵ．Ｓ．ＤｅｆｅｎｓｅＳｕｏｒｔＰｒｏｒａｍ（ＤＳＰ）ａｒｅｄｉｓｃｕｓｓｅｄ．Ａｐｏｉｎｔｔａｒｅｔｄｅｔｅｃｔｉｏｎａｌｏｒｉｔｈｍｐｐｇｇｇ，ｆｏｒＩＲｓｃａｎｉｍａｅｓｉｓｐｒｏｏｓｅｄｂａｓｅｄｏｎａｔｗｏｃｈａｎｎｅｌｆｉｌｔｅｒｔｏｓｕｉｔｆｏｒｓａｃｅｃｏｎｄｉｔｉｏｎｓ．Ｆｉｒｓｔｌｔｈｅｇｐｐｙ，ｂａｃｋｒｏｕｎｄｐｒｅｄｉｃｔｉｏｎｉｓｍｏｄｅｌｅｄｂｅａｎｆｉｌｔｅｒｔｏｓｕｒｅｓｓｂａｃｋｒｏｕｎｄｃｌｕｔｔｅｒｓａｎｄｔｈｅａｄａｔｉｖｅｇｙａｍｐｐｇｐｔｈｒｅｓｈｏｌｄｉｓｄｅｔｅｒｍｉｎｅｄｏｎｔｈｅｒｅｓｉｄｕａｌｉｍａｅａｆｔｅｒｔｈｅｂａｃｋｒｏｕｎｄｅｌｉｍｉｎａｔｉｏｎ．Ｔｈｅｎ，ｔｈｅｐｅａｋｄｅｔｅｃｇｇｔｉｏｎｉｓｕｓｅｄｔｏｄｅｔｅｃｔｔｈｅｐｅａｋｓｉｎＩＲｉｍａｅｓｔｏｒｅｄｕｃｅｐｒｏｂａｂｉｌｉｔｆｆａｌｓｅａｌａｒｍｏｒｉｉｎａｔｉｎｆｒｏｍｔｈｅａｇｙｏｇｇ，ｄａｔｉｖｅｔｈｒｅｓｈｏｌｄ．Ｆｉｎａｌｌｔｈｅｔａｒｅｔｉｄｅｎｔｉｆｉｃａｔｅｃｈｎｉｕｅｉｓｐｅｒｆｏｒｍｅｄｆｏｒｐｙｇｇｇｆｑｔｈｅｄａｔａｆｒｏｍｔｗｏｃｈａｎｎｅｌｓ．Ｅｘｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｏｓｅｄａｌｏｒｉｔｈｍｃａｎｇｅｔｈｉｈｄｅｔｅｃｔｉｏｎｐｐｇｇ，ａｎｄｉｓｅａｓｎｄｃｏｎｖｅｎｉｅｎｔｆｏｒｒｅａｌｔｉｍｅｏｅｒａｔｉｏｎ．Ｔｈｅｒｏｂａｂｉｌｉｔｎｄｌｏｗｆａｌｓｅａｌａｒｍｐｒｏｂａｂｉｌｉｔｙａｐｐｙａｙｏｂｔａｉｎｅｄｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｄｅｔｅｃｔｉｏｎｐｒｏｂａｂｉｌｉｔｅａｃｈｅｓ９９．３％（ｔｈｅｆａｌｓｅａｌａｒｍｐｒｏｂａｂｉｌｉｔｓｙｒｙｉ
１引言
工作于地球同步轨道的美国国防支援计划（卫星利用大视场红外扫描相机探测洲际导ＤＳＰ）
］１弹的助推段尾焰，确定其发射点及航向［，该相机
有利于硬件并行实现。波，
２ＳＰ星上信息处理Ｄ
通过探测主动段导弹尾焰的强红外辐射，ＤＳＰ搜索系统能够探测地基和海基洲际弹道导由３颗卫星弹发射。ＤＳＰ运行在地球同步轨道，组成星座，对地球表面进行全面覆盖。ＤＳＰ卫星搭载的双色红外探测器每１０ｓ对地球表面上特定地区扫描一次，从探测到预警的时间为５０～６０，预警时间为３～４ｍｓｉｎ。ＤＳＰ的发展过程可以／划分为Ｐｈａｓｅ Ⅰ、Ｐｈａｓｅ Ⅱ、ＭＯＳＰＩＭ、ＰｈａｓｅⅡ Ｕｒａｄｅ及ＤＳＰＩ等５个阶段。ｐｇＰｈａｓｅＳＰ卫星星上搭载的红外扫 Ⅱ 阶段Ｄ采样输出数据描探测器具有２×２０００个探测元，／，并进行５ｂ量率为７．２Ｍｓａｍｌｅｓｉｔ灰度量化，ｐ／；经红外处理单元的化后的数据率约为３６Ｍｂｓ峰值检测和门限处理，输出数据率为４／，虚９２ｋｂｓ警率为１３．６×１０－３。星上处理流程如图１所示。
天基红外图像的点目标检测
孟祥龙，张伟，丛明煜，曹移明，鲍文卓
（哈尔滨工业大学空间光学工程研究中心，黑龙江哈尔滨１５０００１）
摘要：为了研究地球同步轨道卫星红外扫描相机图像星上处理技术，分析了美国国防支援计划（卫星ＰＤＳＰ）ｈａｓｅ Ⅱ阶段提出了一种适用于星上工作环境的红外扫描图像点目标检测双通道滤波和改进后的星上信息处理机的基本处理流程，采用均值滤波抑制背景，对背景去除后的残差图像进行自适应门限探测；在门限滤波的同时，采用峰值判别方法。首先，算法对峰值数据进行检波以降低自适应门限滤波产生的虚警；最后，采用融合算法对超过门限的图像及峰值检波图像的简单可行且利于硬件实时实现。实验结双通道数据进行目标确认。该算法在保证高目标检测率的同时降低了虚警率，果表明，当目标信噪比＞６时，检测概率可达９虚警率为１．；算法实时性分析表明，处理器主频为２９．３％（３×１０－３）００算法处理能力为５／，满足天基信息处理要求。６．４５ＭｂｓＭＨｚ时，关键词：红外图像；目标检测；峰值判别ＤＳＰ卫星；中图分类号：：／ＴＰ３９１；ＴＰ７２２．５文献标识码：Ａ犱狅犻１０．３７８８ＯＰＥ．２０１０１８０９．２０９４
修订日期：２０１００６２７；２０１００７２７．收稿日期：国家８）６３高技术研究发展计划资助项目（Ｎｏ．２００６ＡＡ１２８０基金项目：
第９期
等：天基红外图像的点目标检测孟祥龙，
２０９５
ｒｉｔｈｍｃａｎｍｅｅｔｔｈｅｎｅｅｄｏｆｓａｃｅｂａｓｅｄｄａｔａｐｒｏｃｅｓｓｉｎ．ｐｇ：；；ｅａｋｄｅｔｅｃｔｉｏｎ犓犲狅狉犱狊ＤＳＰｓａｔｅｌｌｉｔｅＩＲｉｍａｅｔａｒｅｔｄｅｔｅｃｔｉｏｎ；ｐｇｇ狔狑算法的实质是线性与非线性滤波结合的融合滤
产生的数据量约为每秒几百兆位，如果全部实时要求星地数据传输系统的下传到地面处理系统，传输能力非常高，且全部数据中目标非常少，绝大部分数据是背景信息数据。为解决这个问题，ＤＳＰ卫星上搭载了针对红外相机图像数据开发的信息处理机。信息处理机的主要功能是完成对并把疑似目标相关可疑的导弹目标的信号检测，数据发送至地面处理系统。由于探测距离远，理想情况下目标仅占所成图像的单个像素，即目标无法利用成像为点目标。点目标没有结构信息，大小、纹理等特征进行目标检测。根目标的形状、采用先检测后跟踪据星上目标探测实时性特点，方法，即先通过星上单帧图像处理找出可疑目标点后，地面处理系统再根据目标的运动特性进行剔除假目标，保留真目标，估算目标的轨迹关联，发射点及落地点，发布战略预警信息。目前，已经提出的红外图像点目标探测方法