一、空时级联滤波红外点目标检测（论文文献综述）
刘安[1]（2021）在《空时约束下的弱样本红外图像深度学习及目标检测》文中认为红外热成像技术通过物体主动发出的红外电磁波波段,根据物体表面温度的不同来感知不同目标与背景的差异进行成像。因为这种特性使得红外目标检测系统对复杂环境的适应性更强,适合在军工和航天领域进行远距离观察。红外目标检测作为军工和航天领域监测异常目标最重要的技术手段,对于维护国防安全稳定具有重大意义。深度神经网络因能够提取到更为抽象的深度特征而普遍应用在目标检测中。对地红外图像由于其数据来源的特殊性和成像过程中设备异常等原因经常表现为弱样本和低质量,又因红外目标的运动属性导致红外图像的采集经常表现为序列性,因此红外序列图像的目标检测具有一定的难度。本文针对红外图像进行空时约束的目标检测算法研究,研究的主要内容如下:（1）研究了目标检测及深度学习相关基础理论,包括空时约束相关基础理论,卷积神经网络的卷积层、池化层和激活函数等结构,以及视频目标检测模型;（2）针对星载红外图像的噪声与低对比度问题,通过分析图像产生质量退化的原因研究并提出天基红外卫星图像预处理方法,其中包括基于导向滤波和自适应中值滤波的图像去噪以及基于限制对比度直方图均衡的对比度增强算法。针对红外图像样本量少的问题,通过研究深度学习中常用的弱样本扩充方法,提出一种添加高斯噪声和随机遮挡以及仿射变换的红外图像数据扩充方法;（3）针对红外序列图检测中的运动模糊和准确率低的问题,基于空时约束目标检测的思想,提出了一种基于卡尔曼滤波约束的HLPANet网络检测算法,其中包含跨阶段特征组合的骨干网络、注意力模块和特征融合模块。在使用CSFResNet101、HLPA模块和级联特征金字塔的情况下,本文中的红外测试数据集mAP可达0.68。（4）针对前面设计的空时约束检测算法流程过于复杂的问题,通过分析视频目标检测网络模型的优缺点,研究并设计一种涵盖全局和邻域信息增强的视频目标检测网络,实现红外序列图的端到端检测,本文测试集中的mAP可达0.708。
黄毅[2]（2020）在《基于深度学习的弱小目标检测》文中指出弱小目标检测技术与国民安全密切相关,其在保障领空安全、机场净空防护以及军事敏感地区的空中管制等领域具有广泛的运用和重要的价值。小目标成像区域小、特征信息弱、尺寸变化范围大,这些特性导致其在实时系统中难以被准确地检测出来,因此如何从复杂变化的背景中实时、准确地捕获目标并及时发出预警是该项技术的核心关键,也是本课题的研究重点。基于该问题,论文做了以下工作:基于传统弱小目标检测方法,论文提出了一种多尺度滤波器融合检测算法来有效解决传统滤波算法难以适用于目标尺度变化时的检测问题,首先通过对图像进行不同尺度地降采样来构建图像金字塔,然后在每个尺度空间使用级联滤波器进行背景抑制后采用自适应阈值分割方法获取目标信息,最后融合各尺度空间中的目标信息实现多尺度目标检测,该方法通过结合级联滤波器和图像金字塔的检测方式有效地降低了算法的计算量。传统弱小目标检测方法大多基于人为设定的规则,在实际应用中难以找到适用全局的匹配规则,因此该类方法往往只在某些特定场景下表现良好,却难以适用于其他场景。基于深度学习的目标检测算法通过数据驱动建模的方式让模型在训练过程中自主地选择特征并不断优化选择,使模型能够学习到各种不同场景下的特征,论文基于轻量级目标检测网络Mobile Net V2＿SSD,通过引入特征金字塔结构来提升模型对小目标特征的表达能力,实验结果表明,改进模型具有原模型相近的检测速度,但对小目标的检测精度有了明显提升。自编码器可以实现对输入信号的精确复现,从小目标图像的特性出发,论文提出使用卷积自编码器网络来对小目标图像进行背景重建,训练网络使其能将输入图像映射为不含目标的背景图像,之后通过差分以及图像分割技术获取目标信息,实现小目标的实时、准确检测。论文中采用步长为2的卷积层来代替池化层进行降采样,保证了网络的特征提取性能。实验结果表明,基于卷积自编码器的弱小目标检测算法比传统基于背景抑制的滤波算法具有更好的检测性能。
赵本东[3]（2019）在《红外探测系统中点目标的检测与识别技术研究》文中进行了进一步梳理导弹防御系统对维护国家和地区安全意义重大。对导弹目标的快速检测和准确识别是导弹拦截的基础和前提,同时也是现代导弹防御系统面临的最大技术挑战。本文主要围绕基于红外探测的导弹目标检测和真假弹头目标识别两个问题展开研究,具体研究内容包括:（1）针对天基预警系统在复杂背景下的红外点目标检测问题,改进了一种新的星地联合目标检测体制。该体制下,星上信息处理系统完成基于单帧图像的点目标检测和基于单帧图像的复杂背景区域提取两个任务,地面信息处理系统完成点目标的多帧关联和复杂背景下的运动点目标检测两个任务。实验结果表明,在复杂背景情况下,该检测体制能够在保证目标检测概率的同时,显着降低目标的虚警概率。（2）针对星上信息处理系统中基于单帧图像的点目标检测问题,设计了一种基于八方向线性预测的单帧红外点目标检测算法。该方法对红外图像每个像素的背景预测包含两个步骤,首先分别从八个方向对该点灰度值进行线性预测得到八个预测值,然后求其高斯加权和作为最终的预测结果。实验结果表明,该算法能在保证算法实时性的基础上,有效抑制背景杂波,提高目标信噪比。（3）针对星上信息处理系统中基于单帧图像的复杂背景区域提取问题,提出了一种基于备选点自适应聚类的复杂背景区域检测方法。该方法首先通过背景抑制检测出单帧图像中的目标备选点,然后利用区域生长的方法对备选点进行自适应聚类,最后对同一类备选点所构成的图像区域做出复杂度判决。实验结果表明,该方法能快速有效地检测出图像中不同大小的复杂背景区域。（4）针对地面信息处理系统中基于序列图像的红外运动点目标检测问题,首先设计了一种基于空时局部对比度的红外运动点目标检测算法,并通过实验验证了算法的目标检测性能。然后在此基础上,提出了一种强化的空时局部对比度算法,该算法在空域上采用八方向滤波融合得到空域局部对比度,在时域上利用等间隔的三帧图像做两次差分,然后将两个差分图像相乘得到时域局部对比度,最后通过强化阈值分割进一步降低目标的虚警概率。实验结果表明,在复杂背景情况下,该算法能有效抑制图像背景,显着提高目标信噪比,提高目标的检测概率。（5）针对远距离的空间红外点目标识别问题,首先综合考虑目标的物理特性、运动特性和探测器的成像效应,建立了空间点目标红外辐射强度序列模型,为后续点目标识别算法研究提供了数据支撑。然后提出了一种基于稀疏表示的时间序列分类算法,该算法分别对不同类别的训练样本构建其相应的字典,将测试样本在各字典中进行稀疏重构,并将其归类为重构误差最小的那一类。实验结果表明,该算法对时间序列的长度具有很好的适应性,对时间序列数据丢失具有较高的容忍度,同时也具有很强的抗噪声干扰能力。最后结合深度学习和稀疏表示的思想,提出了一种基于稀疏调制卷积神经网络的时间序列分类算法。该算法的输入信号既包含原始时间序列,也包含稀疏调制后的时间序列,使得输入信号的细节信息更加丰富,另外,卷积神经网络能够自主挖掘和提取时间序列的局部结构特征,逐层形成具有区分性的深度特征,且对序列的平移和缩放具有较强的适应性。实验结果证明了该算法在时间序列分类问题中的优越性能。
田敏[4]（2019）在《多通道SAR复图像域慢速运动目标多特征检测方法研究》文中认为多通道合成孔径雷达能够对同一观测场景高效地完成多帧成像,利用多帧复图像的空时联系进一步提升动目标的检测性能与定位精度,在军事情报获取与交通监视领域发挥着至关重要的作用。合成孔径雷达由于平台的运动导致地/海杂波的多普勒谱展宽,慢速运动目标会淹没在杂波背景中,需要进行杂波抑制来实现动目标检测。在实际环境中,杂波分布非均匀,内部起伏运动引起时间、空间去相关,雷达非正侧视工作时杂波空时二维谱随空间快速变化,加之雷达系统的幅度和相位响应误差,导致自适应杂波抑制能力恶化,动目标检测虚警概率升高,雷达系统的最小可检测速度变差。针对实际背景下动目标检测的关键问题,本文综合利用多通道合成孔径雷达复图像域的信号幅度、相位、干涉幅度、干涉相位、滤波响应损失以及运动舰船的尾迹等多特征以提升慢速目标的检测性能,主要研究工作概括如下:1.在复杂地杂波背景下,针对利用杂波抑制残差图的动目标检测方法存在虚警概率高、慢速低信噪比目标检测困难的问题,提出了一种基于滤波响应损失的两步检测方法。该方法首先进行稳健的场景杂波抑制处理,并采用较低的幅度检测门限初步检测出潜在目标,旨在提升慢速、低信噪比目标的检测概率;然后,根据潜在目标在杂波抑制前后的功率变化构造滤波响应损失检测量进行二次检测以剔除虚警。推导了该两步检测方法在非均匀杂波背景下的统计分布特性,并给出了自适应检测门限的计算方式。实验结果表明,相比于广义内积似然比、干涉幅度相位两步检测以及干涉幅度相位结合方法,所提方法能够改善非均匀杂波背景下低信噪比动目标的检测性能,获得更好的动目标最小可检测速度。2.在海杂波背景下,针对现有运动舰船目标检测方法存在虚警概率高、动目标检测盲速区大的问题,提出了一种基于干涉幅度与相位自适应融合的无盲速舰船目标检测方法。首先,联合复干涉图像的幅度、相位以及空间结构信息设计了一种干涉双边滤波处理算法,以平滑噪声,并保持物体的空间结构,可以获得更加准确的干涉信息测量结果。然后,利用高斯核函数构造了一种基于干涉幅度与相位自适应融合的目标检测准则,并根据复合高斯杂波模型推导了该检测量的概率密度函数,给出了自适应检测门限的计算方式。理论分析表明,对于盲速区的动目标,该检测准则可以自动退化为幅度检测量以避免检测盲速;对于非盲速区的目标,该准则通过融合干涉幅度与相位信息来增加舰船目标与背景的对比度,提升低信噪比目标的检测性能。机载实测数据处理结果表明,所提出的干涉双边滤波多视处理算法可以有效地平滑噪声,提升干涉信息的测量精度;干涉幅度与相位自适应融合的目标检测准则改善了动目标的检测盲速问题,提高了低信噪比运动舰船目标的检测性能。3.为缓解海杂波背景下低信噪比、小尺寸运动舰船目标检测概率低的问题,在沿航迹干涉合成孔径雷达系统下,提出一种尾迹特征辅助的运动舰船目标检测方法。该方法首先综合利用干涉幅度、干涉相位以及尾迹的形态特征来提升舰船尾迹的检测性能。然后,一方面利用尾迹特征构造待检测舰船目标的位置和沿航迹干涉相位模板;另一方面,在复干涉图像域构造一种多特征融合的检测量,并以较低的检测门限初步检测出潜在舰船目标。最后,将潜在舰船目标与生成的舰船模板一一匹配来剔除虚警。通过仿真实验验证了所提方法对升低可观测舰船目标的检测性能的改善。
赵广伟[5]（2018）在《尺寸形态多样性特征下的炸点检测方法研究》文中提出野外大视场环境下的炸点检测常采用图像帧间差分的方法,但由于炸点分布在其尺寸及形态方面的多样性,使得对密集炸点的检测成为难点问题。本文重点围绕尺寸形态多样性特征下的炸点检测方法进行研究,较系统现有方法,有针对性的增加了特征判据,使炸点检测效果得到提升。对于密集炸点中无法采用特征描述的场合,提出了一种基于增强区域全卷积网络的检测方法,较好的解决了由于尺寸形态多样性等所带来的炸点难以区分和辨识的问题。所涉及的主要研究工作如下:结合国内外炸点检测的相关文献资料,选定利用光电成像探测的方案完成炸点检测需求。该方案通过在监测区架设多个可见光观测站构成多目立体视觉测量系统。通过前端影像数据采集、自动调光、噪声抑制等处理算法获取较好像质图像。研究了一种基于多特征级联帧间差分的炸点检测方法,该方法在帧间进行实时运算,研究利用连通域搜索的方式自适应地确定形态学滤波的内核尺寸,以更好的滤除炸点的边缘扩散信息;研究通过搜索炸点边缘凹点个数的方式,对粘连炸点进行分离;研究观察炸点扩散趋势,提出扩散趋势线的概念,完成被遮挡炸点的检测。相对于系统现有方法,精确率和召回率分别提升了6.5%和12.7%。提出了一种基于增强区域全卷积网络的炸点检测方法。首先构建了野外大视场下的炸点检测专用图像数据集。在此基础上,将深度学习引入到炸点检测任务中,在区域全卷积网络的基础框架上,针对炸点检测独有的特性,对特征提取子网络、区域推荐子网络、位置敏感池化层和分类回归子网络进行了分析与改进。提出了一种基于剪枝的网络模型训练方法,解决多次盲目尝试取最优训练结果的问题。最终平均精确率为83.7%,验证了算法的有效性。
郑红超[6]（2018）在《基于多通道合成孔径雷达系统的运动目标检测技术研究》文中认为合成孔径雷达（Synthetic Aperture Radar,SAR）作为一种高分辨率成像雷达,具有广泛的民事和军事用途。运动目标检测是合成孔径雷达系统的一项重要功能。通常来说,检测运动目标的关键在于如何有效抑制静止杂波,多通道合成孔径雷达系统具有更多的空间自由度,可以用来实现高效的杂波抑制,在运动目标检测方面具有非常广泛的应用前景。本文对多通道合成孔径雷达系统进行了系统地研究,包括多通道SAR系统的天线结构和工作模式,以及不同接收天线的相位中心偏置对于静止目标的聚焦位置和聚焦相位的影响,并据此开发出一种自适应的图像配准算法。本文根据运动目标方位向速度（影响多普勒调频斜率）的大小分两种情况来推导运动目标聚焦后的表达式,并建立相应的运动目标信号模型。根据建立的信号模型,本文详细分析了运动目标在多通道SAR系统当中的分布特点和相位特性,并提出了多种运动目标检测算法。本文提出了基于干涉相位和干涉幅度的二维检测算法。传统的沿迹干涉技术只考虑干涉相位的分布特性,因而很容易受到噪声的干扰,使得检测性能受到影响。本文利用微积分的基本特性分析了干涉幅度对干涉相位统计分布的影响,并建立了干涉幅度和干涉相位统计分布的关系函数。对于SAR系统干涉图而言:1)干涉相位近似满足正态分布,且方差与对应的干涉幅度成反比;2)具有相同干涉幅度的像素点的干涉相位具有相同的统计分布。根据建立的干涉幅度和干涉相位的统计分布模型,本文在幅度-相位平面内设计了一个二维检测门限来检测场景中的运动目标。该算法可以提高传统沿迹干涉技术的检测性能,在相同信噪比的条件下对慢速运动目标具有更好的检测效果。本文提出了基于多通道SAR系统空间频谱分析的运动目标检测算法。理想情况下,多通道SAR系统的空间频谱是一个单频信号。静止目标的空间频谱集中分布于零频;运动目标的空间频谱由于受到径向速度的影响而会偏离零频。本文将多通道SAR系统的空间频谱的峰值点对应的速度定义为统治速度,因此统治速度代表着SAR图像当中各个像素单元内占据统治地位的目标的空间频谱分布特性。本文利用均值和标准差来描述统治速度的统计分布规律,并提出了基于曲线拟合的参数化算法来设计均值-标准差平面内的二维门限以检测运动目标。这一算法充分利用了运动目标的空间频谱分布特点,具有很高的检测性能。但是,该算法对弱运动目标进行处理时容易发生漏警。在此基础上,本文又提出了一种基于测量空间频谱不对称性分布的运动目标检测算法。静止目标的空间频谱能量关于零频对称分布,而运动目标的空间频谱能量关于零频是不对称性的,本文设计了一个测量函数来计算各个像素点的空间频谱能量分布的不对称程度,进而利用门限检测技术来提取出运动目标。除此之外,本文利用帕萨瓦尔定理将计算空间频谱不对称性的过程等效到时域来计算,从而避免了估计空间频谱的过程,大大提高了该算法的计算效率。本文提出了基于多通道高分宽幅SAR系统的运动目标检测算法。高分宽幅SAR系统可以同时实现方位向的高分辨率和距离向的大成像幅宽,这是当前的研究热点。本文针对该系统的运动目标检测技术的需求进行了分析,并给出了相应的运动目标信号模型。由于高分宽幅SAR系统的天线结构与传统的单发多收SAR系统相似,且最终得到的是一幅单通道SAR图像,因而传统的运动目标检测技术也可以经过一定的改进来适用于高分宽幅SAR系统。为了不增加多通道系统的天线数目,本文首先考虑将传统的两视处理技术应用于高分宽幅SAR系统当中。在完成方位频谱恢复之后,分别提取正负频段的多普勒频谱进行聚焦,从而得到两幅子图像,通过对这两幅子图像进行差异比较和恒虚警率检测可以实现检测运动目标的目的。但是,该算法没有对运动目标的频谱进行恢复,造成运动目标能量分散,从而影响到检测性能。在此基础上,本文将传统的针对静止目标的导向矢量扩展为速度的函数,使其可以针对不同速度的运动目标进行处理。为了提高计算效率,本文采用两个对称分布的重构滤波器来进行多普勒频谱恢复,从而得到同一场景的两幅SAR图像,其中,静止目标的分布完全一样,而运动目标由于导向矢量不同而具有不同的分布,因此可以通过对这两幅图像进行差异比较来检测运动目标。
吴言枫[7]（2020）在《复杂背景下“低小慢”目标检测技术研究》文中研究说明“低小慢”目标是飞行高度低于2千米且飞行速度小于50千米/小时的这一类小型航空设备的统称[1]。作为代表的多旋翼无人机以及遥控航模具备体积较小、质量轻以及易于改装的特点,如果在“低小慢”航空器上配备摄像头或炸药并用于不正当途径,会对我国公众安全和空防安全造成潜在威胁,因此类似于“反无人机群”课题的低空慢速小目标检测技术研究已经成为热点问题。为此,本文在充分调研国内外研究现状的基础上,就复杂背景下低空慢速小目标的检测问题进行了研究,具体分析了复杂背景中“低小慢”目标的成像特征、噪声特征、目标特征以及背景特征,提出了一套具备复杂空间环境自适应性的“低小慢”目标检测方法。本文就可见光图像和红外图像针对性地提出了不同的“低小慢”目标检测算法。对于可见光相机拍摄下的复杂场景:（1）针对逆光和局部高亮情况,提出了一种基于不均匀光照校正的背景建模算法。该体系引入二维伽马函数自适应抑制光照不均匀图像以及提取颜色特征,并借助扩展尺度局部不变算子提取纹理特征,级联至ViBe+背景模型中实现对“低小慢”目标的有效检测;（2）针对复杂动态场景,提出了一种基于视觉显着性的目标检测算法。该算法充分利用了低空慢速小目标的颜色显着性特征提高前后背景对比度,并提出形态学差分方法选取目标种子点、改进扫描线填充算法实现对目标的选取。本文选取7组复杂天空背景的视频序列对算法进行了验证。结果表明,本文提出的算法具备复杂空间环境下对低空慢速小目标进行准确检测的能力。对于红外相机拍摄下的复杂场景:（1）针对具有非均匀噪声的红外图像,提出了一种基于TCAIE-LGM（Adaptive L0 Gradient Minimization Smoothing based on Texture Complexity and Information Entropy）平滑的低空慢速小目标检测算法。算法计算图像的纹理复杂度和二维信息熵作为控制参数,并通过自适应L0梯度最小平滑去除条纹噪声并抑制图像高频细节。在此之后,将双高斯差分算子（DoG）引入到了基于像素的多帧模型中实现目标和复杂背景的有效分割。为了验证算法的有效性,本文研究过程中使用3组视频（来自VOT-LTIR 2015数据库、OTCBVS数据库和Terravic Motion IR数据库）对算法进行了测试,并利用红外相机实时拍摄的视频序列对算法进行了验证。结果表明本文提出的算法可以降低虚警率并以较高的准确率完成检测;（2）对于非平稳复杂场景的红外图像,本文提出了一种“低小慢”目标的快速检测算法。累积直方图可以很好地表征图像的灰度分布,该算法利用双高斯函数拟合其直方图,并借助最大似然估计方法剔除图像中的杂波和孤立噪声点。文中提出的基于四条件约束的区域增长可以有效获取完整目标,构造的置信度函数可以大幅度提高目标判决的准确性。经过实验验证,算法在主频为3.2Ghz、8核CPU、8G内存的上位机环境,检测2km外、640×512分辨率图像中的无人机平均每帧耗时0.085s,能够满足基本检测需求。对于多源传感器环境下的复杂场景:提出了一种基于红外和可见光图像融合的低空慢速小目标检测算法。算法根据图像的加权移动方式和信息熵理论定位目标候选区域,并将红外图像和可见光图像进行融合形成先验,通过基于局部背景建模的方式提取目标。本算法可以全天时工作,相比于传统基于单传感器的低空慢速小目标检测技术在准确率上具有明显得的优势。经公共数据集验证,所提算法的准确率高于95%,与传统的单一传感器检测算法相比提高了10%以上。
彭凌冰[8]（2020）在《复杂成像探测中的微弱目标检测算法研究》文中研究说明成像目标检测、识别与跟踪是计算机视觉领域的研究热点,无论在军事还是民用领域都有着极其广泛的应用。尤其在军事领域,微弱成像目标检测在雷达探测及光电探测系统中均具有?分重要的作用,对图像中目标的检测精度将直接影响系统的探测性能。实际应用中,需要捕获目标场景的诸多细节信息,便于图像解析及对各类运动军事目标的探测与识别。由于容易受到光照条件、场景复杂度、目标运动速度及可能发生的遮挡等众多因素影响,目前现有的目标检测算法还存在鲁棒性不强、精度不高、实时性及适应性较差等诸多局限性,这将直接影响成像探测系统的目标探测性能。本文围绕复杂成像探测中的微弱目标检测方法,开展相关基础理论及应用研究,旨在进一步提高目标检测精度、降低虚警率和满足工程应用的实时性要求,以期提高成像探测系统的性能。本文主要工作包括以下几个方面:（1）对复杂成像探测系统中的目标检测基础理论进行了研究和算法仿真,包括帧差法、背景减除法、光流法以及基于这些理论的扩展和改进算法。重点针对复杂红外场景下的弱小目标检测涉及到的特有算法和理论进行了研究,如红外图像预处理、红外图像高分辨率重建及红外图像稀疏表示方法等,并进行仿真测试。总结了各种算法的适应性,为后续研究打下了坚实的基础。（2）针对复杂背景红外弱小目标检测难点问题,开展了复杂动态场景下的红外成像背景建模方法研究。重点开展了混合高斯背景建模及非参数核密度估计背景建模方法等,进行了实际场景数据的仿真、测试和评价,构建了基于背景建模和估计来解决低信噪比红外弱小目标检测的技术途径。du（3）提出了基于多尺度、多方向特征融合的红外弱小目标检测方法。即在Sheartlet变换域中引入高频系数Kurtosis最大化准则,利用复杂红外图像中的背景、弱小目标及噪声三者在分解后不同高频子带中具有不同模极大值的特性来达到抑制复杂背景及噪声的目的,解决了复杂红外场景中噪声及背景干扰下的弱小目标检测问题。（4）从红外图像目标的视觉显着性模型入手,提出了多方向多尺度高提升响应的红外弱小目标检测方法。通过设计空域八方向各向异性滤波器及不同尺度下的局部高提升滤波策略,以解决红外成像场景下的背景杂波干扰及噪声抑制问题。最后,对提出的算法进行了多组实际红外场景的仿真实验,通过与其它现有算法的对比分析,本文算法在检测率、实时性等方面有较大的性能提升,验证了本文算法的可行性与有效性。（5）提出了基于最优分数域时频分析的SAR图像弱目标检测算法。通过引入分数域时频分析理论,将常规时频分析扩展到分数阶傅立叶变换（FrFT）域,通过设计和优化分数域Gabor变换（FrGT）的最优阶和对应的窗函数,进一步提高了SAR图像的时频分辨率。最后利用分数域能量衰减梯度特征进行SAR目标的检测。通过对MSTAR数据集几种典型SAR成像目标的仿真测试,本文提出的算法具有较高的检测精度和较好的检测性能,为SAR目标检测和识别提供了新的技术途径。
程普[9]（2017）在《调频连续波SAR宽测绘带成像与动目标检测》文中研究表明随着无人机、临近空间飞行器、小卫星等小型飞行平台技术的发展,合成孔径雷达（Synthetic Aperture Radar,SAR）作为主要的成像传感器正朝着微型化的方向发展。调频连续波合成孔径雷达（Frequency-Modulated Continuous Wave SAR,FMCW SAR）作为一种新的成像雷达体制,是目前和未来SAR微型化发展的主要方向。FMCW SAR结合了调频连续波雷达结构简单与合成孔径雷达方位高分辨率的优势,具有结构简单、体积小、重量轻、功耗低、成本小、分辨率高、截获概率低等一系列优点。本文在充分把握FMCW SAR多通道发展趋势基础上,为了提高FMCW SAR的远距离探测能力,实现FMCW SAR的多功能化,主要研究了FMCW SAR的宽测绘带成像技术和动目标探测技术。具体研究内容包括FMCW SAR的单通道成像算法、多通道方位重构算法、FMCW SAR动目标信号模型、动目标聚焦成像算法、多通道FMCW SAR系统设计等方面的内容。本文首先全面深入研究了FMCW SAR的典型成像算法,包括距离多普勒算法、后向投影算法、频率变标算法和波数域算法。对各算法的原理和信号处理步骤进行了全面研究,建立了FMCW SAR统一的频域信号模型,对比分析了各频域算法信号模型近似处理上的区别和联系。为了消除脉内多普勒频移对残余视频相位的影响,提出了新的残余视频相位补偿方法和改进的频率变标算法。重点研究了大斜视情况下FMCW SAR的波数域成像算法,为了降低距离波数的插值计算范围提出了改进的Stolt插值方法。为实现FMCW SAR的方位高分辨率和宽测绘带成像,利用多通道技术较低的脉冲重复频率得到更宽的多普勒带宽,本文提出了基于范德蒙矩阵的方位多通道重构算法。首先利用范德蒙矩阵建立了方位多通道SAR的信号模型,将重构过程的信噪比损失因子表示为范德蒙矩阵的形式,在此基础上对最小二乘原理的重构方法进行了改进,消除了由于方位通道相干所造成的信噪比恶化问题,最后建立了完整的FMCW SAR的二维信号重构流程。为实现FMCW SAR运动目标的长相干积累,实现FMCW SAR的最优动目标检测,本文将相对运动模型用于FMCW SAR,提出了等效斜视角这一新的概念,利用相对运动因子和等效斜视角对FMCW SAR的运动特性进行了描述,提出了基于相对运动模型的快速运动目标和慢速运动目标最优探测方案,实现了动目标高分辨率成像与探测,可同时实现运动目标的检测和参数估计,可实现对多个目标或扩展运动目标的成像与检测。本文最后给出了FMCW SAR实验系统的设计过程,并介绍了实验系统的设计原理和初步实验结果,初步的实验结果在系统上验证了成像算法的有效性。本文所提出的改进成像算法、多通道重构理论和动目标检测算法主要通过仿真实验进行了充分验证,仿真参数的设置主要依据实际系统的参数,并且通过改变平台参数、信噪比、目标速度等通过不同的仿真实验进行了充分验证。本文所研究内容为未来FMCW SAR多通道技术的发展奠定了坚实的理论基础。
赵巨峰[10]（2013）在《基于多波段光学成像及链路优化的微弱目标探测技术研究》文中认为微弱目标光学成像探测技术是一项在军事和民用等领域有着广泛而重要应用前景的技术。目标可以反射太阳或其他光源照射的光波,同时也发射各种红外光波,在光学链路成像探测中,存在诸多退化因素,如光学系统的像差、传感器的电子类噪声、景物与传感器的相对运动等,这些都会造成目标成像信杂、噪比的降低；此外,远距离的成像导致目标在图像中所占面积小像素少、缺乏诸多细节特征,易淹没在复杂背景中。这些因素共同造成了目标的微弱特性。随着探测距离的日益增大、对伪目标的探测要求的不断提高,利用传统方式进行光学成像微弱目标探测遇到了不小的挑战,严重制约了目标探测技术的发展与应用。如何解决传统光学成像探测问题、有效提高复杂背景下微弱目标的探测能力是本文重点研究的内容。本文通过优化技术对成像链路中存在的退化进行补偿,利用多种手段提高目标图像信杂、噪比,并研究具有优秀性能的目标探测方法,多模式地提升微弱目标探测的能力,在低虚警率下获得尽可能高的探测率,以适应各类应用的需求。分析了微弱目标多模式探测技术的框架。根据链路化成像的原理,分析了多模式目标探测的可行性。讨论与分析了典型目标与背景的光学辐射反射特性等,这些特性可用来作为目标探测与背景抑制的参考因素。给出了多模式微弱目标探测的实验设计,包括图像信息获取设备,信息采集平台与获取系统,室内实验设计等等。分析了微弱目标测定与判定的方法,设定判别的要求,为具体研究微弱目标探测提供基础。为了提升成像信杂、噪比,针对成像链路中存在的模糊退化,进行了各种补偿机制的分析与研究。分析了典型的图像退化模型。在介绍多种典型的图像复原方法,分析这些复原模型、介绍常用图像质量评价方法的基础上,提出了一种参考型的基于梯度的波纹图像质量评价方法,提出了一种无参考型的结合边缘宽度和模糊度衡量的评价算法。针对图像复原,提出了局部约束的Richardson-Lucy方法,引入空间加权矩阵以实现局部约束以解决振铃抑制与细节保留的平衡问题；提出了梯度约束规整化快速复原方法,在保留重要细节的同时极大地抑制了噪声。为了提升红外成像信杂、噪比,对红外成像中的噪声抑制与优化补偿进行了研究。分析了红外非均匀性噪声退化的原理,并推导了非均匀性校正模型。以图像优化为突破口,提出了基于场景的单幅图像条纹非均匀性校正方法；在校正模型的基础上,提出了基于场景的序列图像法非均匀性校正方法,对于354×236红外图像,每帧处理时间20ms左右,完全满足实时性要求。在微弱目标增强与双波段图像信息的融合方面展开了深入地研究。首先,提出了一种利用局部频率调谐显着性法实现微弱目标增强的方法,其能够针对性地提升微弱目标与背景的强度对比,适用于实时处理系统。其次,为了综合利用多波段的图像信息,提出了结合多尺度分析与显着性提取的双波段图像信息融合的思路,原始图像的信息能够得到保留甚至增强。根据目标在图像中的特征特点,提出了多种目标探测的新思路。根据目标区域往往相对对比度较大的特性,提出了基于傅里叶变换法显着性提取的目标探测方法获取目标；考虑到目标通常存在于局部差异性大的区域,提出了局部相似度差异的目标探测方法；为了精确探测目标,提出了一种使用稀疏表征理论的自动目标探测方法；为了实时目标探测应用,提出了一种基于显着性提取与形态学抑制噪声的实时目标探测方法。
二、空时级联滤波红外点目标检测（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、空时级联滤波红外点目标检测（论文提纲范文）
（1）空时约束下的弱样本红外图像深度学习及目标检测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 红外目标检测技术 |
| 1.2.2 弱样本深度学习 |
| 1.2.3 视频目标检测 |
| 1.3 本文主要研究内容及技术路线 |
| 1.4 论文结构安排 |
| 第二章 目标检测及深度学习相关基础理论 |
| 2.1 空时约束相关基础理论 |
| 2.1.1 空时约束原理 |
| 2.1.2 目标检测中的空时约束 |
| 2.2 卷积神经网络 |
| 2.2.1 基础结构 |
| 2.2.2 基于单帧的目标检测网络 |
| 2.2.3 视频目标检测网络 |
| 2.3 弱样本学习 |
| 2.3.1 数据增强与增广 |
| 2.3.2 迁移学习 |
| 2.3.3 遮挡学习 |
| 2.4 本章小结 |
| 第三章 红外图像弱样本增广及图像增强 |
| 3.1 弱样本增广 |
| 3.1.1 高斯噪声 |
| 3.1.2 仿射变换 |
| 3.2 图像增强 |
| 3.2.1 导向滤波 |
| 3.2.2 自适应中值滤波 |
| 3.2.3 限制对比度直方图均衡 |
| 3.3 实验及结果分析 |
| 3.3.1 实验设置 |
| 3.3.2 结果分析 |
| 3.4 本章小结 |
| 第四章 基于空时约束的红外目标检测方法 |
| 4.1 目标检测数据集搭建 |
| 4.2 单帧检测器网络结构 |
| 4.2.1 骨干网络的选择 |
| 4.2.2 深浅层注意力金字塔机制 |
| 4.2.3 特征融合方式 |
| 4.2.4 损失函数 |
| 4.2.5 整体网络结构 |
| 4.3 基于卡尔曼滤波的空时约束算法 |
| 4.3.1 卡尔曼滤波器约束的序列图检测方法 |
| 4.4 实验结果与分析 |
| 4.4.1 模块有效性验证 |
| 4.4.2 结果对比与分析 |
| 4.5 本章小结 |
| 第五章 基于深度网络的红外目标检测方法 |
| 5.1 视频目标检测数据集制作 |
| 5.2 空时约束下的目标检测模型选取 |
| 5.2.1 基于邻域的多帧特征聚合目标检测算法 |
| 5.2.2 模型选取 |
| 5.3 融合邻域和全局信息的多帧特征聚合目标检测算法 |
| 5.4 模型训练与优化 |
| 5.5 实验与结果分析 |
| 5.5.1 实验结果 |
| 5.5.2 两种方法的对比与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.1.1 工作总结 |
| 6.1.2 主要贡献及创新点 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）基于深度学习的弱小目标检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经典弱小目标检测技术 |
| 1.2.2 基于深度学习的目标检测技术 |
| 1.3 论文组织结构 |
| 第二章 基于多尺度滤波器融合的弱小目标检测 |
| 2.1 图像特性分析 |
| 2.2 图像滤波 |
| 2.2.1 均值滤波与最大均值滤波 |
| 2.2.2 中值滤波与最大中值滤波 |
| 2.2.3 形态学滤波 |
| 2.3 图像分割 |
| 2.3.1 Otsu阈值分割 |
| 2.3.2 迭代阈值分割 |
| 2.3.3 自适应阈值分割 |
| 2.4 多尺度滤波器融合检测算法 |
| 2.5 实验结果分析 |
| 2.5.1 级联滤波器有效性分析 |
| 2.5.2 检测结果分析 |
| 2.6 本章小结 |
| 第三章 基于改进MobileNetV2_SSD的弱小目标检测 |
| 3.1 MobileNetV2_SSD |
| 3.2 MobileNetV2_SSD网络设计细节 |
| 3.2.1 深度可分离卷积 |
| 3.2.2 反残差模块 |
| 3.2.3 宽度因子α和分辨率因子ρ |
| 3.2.4 损失函数 |
| 3.3 改进策略 |
| 3.3.1 特征金字塔网络 |
| 3.3.2 网络结构优化 |
| 3.3.3 数据集设计 |
| 3.4 实验结果分析 |
| 3.4.1 实验环境介绍 |
| 3.4.2 检测结果分析 |
| 3.5 本章小结 |
| 第四章 基于卷积自编码器的弱小目标检测 |
| 4.1 卷积自编码器 |
| 4.1.1 自编码器 |
| 4.1.2 卷积自编码器 |
| 4.2 关键技术分析 |
| 4.2.1 目标检测流程 |
| 4.2.2 卷积自编码器网络结构 |
| 4.2.3 网络优化方法 |
| 4.2.4 目标分割策略 |
| 4.3 数据预处理 |
| 4.3.1 图像归一化 |
| 4.3.2 数据增强 |
| 4.4 实验结果分析 |
| 4.4.1 卷积自编码器背景重建效果分析 |
| 4.4.2 检测结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者攻读硕士学位期间的论文和成果 |
（3）红外探测系统中点目标的检测与识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外点目标检测技术 |
| 1.2.2 红外点目标识别技术 |
| 1.2.3 深度学习方法及其应用现状 |
| 1.3 研究思路与内容结构安排 |
| 1.3.1 论文研究思路 |
| 1.3.2 论文组织结构 |
| 第二章 空间点目标红外辐射特性分析 |
| 2.1 引言 |
| 2.2 红外辐射基本理论 |
| 2.2.1 红外辐射基本概念 |
| 2.2.2 红外辐射基本定律 |
| 2.2.3 探测器接收目标红外辐射的规律 |
| 2.3 点目标辐射强度序列建模 |
| 2.3.1 目标几何形状建模 |
| 2.3.2 目标表面温度场建模 |
| 2.3.3 目标平动轨迹建模 |
| 2.3.4 微动特性建模 |
| 2.3.5 探测器非理想效应建模 |
| 2.4 仿真实验与结果分析 |
| 2.4.1 目标与探测器的相对运动仿真 |
| 2.4.2 探测器非理想效应仿真 |
| 2.4.3 目标辐射强度序列仿真 |
| 2.5 本章小结 |
| 第三章 星地联合目标检测体制及其星上关键技术研究 |
| 3.1 引言 |
| 3.2 星地联合目标检测体制 |
| 3.2.1 现有星地联合目标检测体制及其问题分析 |
| 3.2.2 星地联合目标检测体制改进设计 |
| 3.2.3 两种检测体制的实验结果对比 |
| 3.3 基于八方向线性预测的复杂背景抑制 |
| 3.3.1 基于单帧图像的红外点目标检测问题描述 |
| 3.3.2 基于八方向线性预测的背景抑制算法 |
| 3.3.3 仿真实验与结果分析 |
| 3.4 基于备选点自适应聚类的复杂背景区域提取 |
| 3.4.1 图像复杂度的描述方法分析 |
| 3.4.2 基于备选点自适应聚类的复杂背景区域检测算法 |
| 3.4.3 仿真实验与结果分析 |
| 3.5 本章小结 |
| 第四章 复杂背景下基于序列图像的红外运动点目标检测 |
| 4.1 引言 |
| 4.2 基于空时局部对比度的红外运动点目标检测 |
| 4.2.1 STLCM算法原理 |
| 4.2.2 仿真实验与结果分析 |
| 4.3 基于强化空时局部对比度的红外运动点目标检测 |
| 4.3.1 ESTLCM算法原理 |
| 4.3.2 仿真实验与结果分析 |
| 4.4 本章小结 |
| 第五章 基于辐射强度序列分类的红外点目标识别 |
| 5.1 引言 |
| 5.2 几种经典的时间序列分类算法 |
| 5.2.1 基于KNN的时间序列分类 |
| 5.2.2 基于MLP的时间序列分类 |
| 5.2.3 基于SVM的时间序列分类 |
| 5.3 基于稀疏表示的时间序列分类 |
| 5.3.1 算法原理 |
| 5.3.2 仿真实验与结果分析 |
| 5.4 基于稀疏调制卷积神经网络的时间序列分类 |
| 5.4.1 SMCNN算法原理 |
| 5.4.2 SMCNN参数分析 |
| 5.4.3 仿真实验与结果分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文工作总结 |
| 6.2 后续研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（4）多通道SAR复图像域慢速运动目标多特征检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 动目标检测技术研究现状 |
| 1.2.1 杂波抑制技术 |
| 1.2.2 动目标检测方法 |
| 1.3 动目标检测关键问题 |
| 1.4 研究内容及章节安排 |
| 第二章 多通道SAR复图像域动目标检测信号模型 |
| 2.1 引言 |
| 2.2 SAR复图像域杂波抑制处理 |
| 2.2.1 动目标检测信号模型 |
| 2.2.2 通道间信号去相关 |
| 2.2.3 目标导向矢量失配 |
| 2.2.4 动目标检测盲速区 |
| 2.3 SAR沿航迹干涉处理 |
| 2.3.1 复干涉图统计特性 |
| 2.3.2 干涉幅度SCR增益 |
| 2.4 本章小结 |
| 第三章 非均匀背景下基于滤波响应损失的两步检测方法 |
| 3.1 引言 |
| 3.2 所提方法描述 |
| 3.2.1 幅度检测 |
| 3.2.2 滤波响应损失检测 |
| 3.3 统计特性分析 |
| 3.3.1 幅度检测统计特性 |
| 3.3.2 滤波损失检测统计特性 |
| 3.3.3 联合检测统计特性 |
| 3.3.4 CFAR检测实现流程 |
| 3.4 仿真实验与实测数据处理 |
| 3.4.1 仿真实验结果与分析 |
| 3.4.2 实测数据处理验证 |
| 3.5 本章小结 |
| 第四章 干涉幅度与相位自适应融合的无盲速舰船检测方法 |
| 4.1 引言 |
| 4.2 典型ATI-SAR舰船检测方法适用性分析 |
| 4.2.1 干涉幅度与相位级联检测器 |
| 4.2.2 干涉幅度与相位结合检测器 |
| 4.2.3 干涉域凹口滤波检测方法 |
| 4.2.4 典型ATI-SAR舰船检测方法对比 |
| 4.3 所提方法描述 |
| 4.3.1 干涉双边滤波预处理 |
| 4.3.2 检测准则 |
| 4.3.3 优势讨论 |
| 4.3.4 统计特性 |
| 4.3.5 实现流程 |
| 4.4 实测数据处理实验 |
| 4.4.1 统计特性验证 |
| 4.4.2 实测数据检测结果 |
| 4.4.3 检测性能对比分析 |
| 4.5 本章小结 |
| 第五章 舰船尾迹特征辅助的低可观测舰船目标检测方法 |
| 5.1 引言 |
| 5.2 信号模型 |
| 5.3 尾迹特征辅助的舰船目标检测框架 |
| 5.4 运动舰船目标尾迹区域检测 |
| 5.4.1 ATI-SAR系统下尾迹区域像素点检测方法 |
| 5.4.2 基于空间距离与速度一致性的像素点聚类 |
| 5.4.3 仿真实验结果与分析 |
| 5.5 待检测舰船目标模板生成与匹配检测 |
| 5.5.1 不同尾迹波分离与舰船参数反演 |
| 5.5.2 SAR图像域舰船目标位置模板 |
| 5.5.3 复干涉域舰船目标ATI相位模板 |
| 5.5.4 所提方法的舰船检测性能分析 |
| 5.6 仿真实验结果与分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 附录 |
| 附录A稳健的自适应杂波抑制处理权矢量求解 |
| 附录B正交投影与斜投影关于动目标功率估计的对比 |
| 附录C SAR复图像域信号径向速度概率密度函数推导 |
| 附录D第四章所提舰船目标检测量概率密度函数推导 |
| 附录E非均匀背景下杂波加噪声干涉图分布参数估计 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）尺寸形态多样性特征下的炸点检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外相关技术综述 |
| 1.3 研究难点与问题 |
| 1.4 本文研究的主要内容 |
| 第2章 炸点检测相关技术分析 |
| 2.1 炸点目标尺寸描述 |
| 2.2 图像预处理 |
| 2.2.1 自动调光 |
| 2.2.2 噪声抑制 |
| 2.3 帧间差分炸点检测相关算法 |
| 2.3.1 形态学滤波 |
| 2.3.2 连通域搜索 |
| 2.3.3 矩特征 |
| 2.4 深度学习中炸点检测相关算法 |
| 2.4.1 卷积神经网络 |
| 2.4.2 两阶段检测网络 |
| 2.5 本章小结 |
| 第3章 基于帧间差分的炸点检测方法 |
| 3.1 系统现有算法分析 |
| 3.1.1 现有算法简介 |
| 3.1.2 现有算法问题描述 |
| 3.2 多特征级联帧间差分下的炸点检测方法 |
| 3.2.1 算法总体架构 |
| 3.2.2 自适应求取形态学滤波内核尺寸 |
| 3.2.3 搜索边缘凹点分割粘连炸点 |
| 3.2.4 扩散趋势线 |
| 3.3 本章小结 |
| 第4章 基于增强区域全卷积网络的炸点检测方法 |
| 4.1 构建野外大视场炸点检测专用图像数据集 |
| 4.2 增强区域全卷积网络下的炸点检测方法 |
| 4.2.1 特征提取子网络的改进 |
| 4.2.2 区域推荐子网络的改进 |
| 4.2.3 位置敏感池化层的改进 |
| 4.2.4 分类回归子网络的改进 |
| 4.3 JSP&P训练方法 |
| 4.4 本章小结 |
| 第5章 实验与分析 |
| 5.1 评价标准 |
| 5.2 实验环境与方案 |
| 5.3 多特征级联帧间差分检测方法实验 |
| 5.4 增强区域全卷积网络检测方法实验 |
| 5.5 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（6）基于多通道合成孔径雷达系统的运动目标检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语表 |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要创新点和结构安排 |
| 1.3.1 本文主要创新点 |
| 1.3.2 本文结构安排 |
| 第二章 研究基础 |
| 2.1 引言 |
| 2.2 合成孔径雷达成像原理 |
| 2.3 运动目标信号模型 |
| 2.3.1 多通道SAR系统概述 |
| 2.3.2 多通道SAR系统运动目标信号模型 |
| 2.3.3 实验与分析 |
| 2.4 多通道SAR系统图像配准技术 |
| 2.4.1 理想情况下的图像配准技术 |
| 2.4.2 有干扰情况下的图像配准技术 |
| 2.5 多通道SAR系统运动目标检测技术概述 |
| 2.5.1 基于幅度滤波的检测算法 |
| 2.5.2 基于相位特性或者空间频谱特性的检测算法 |
| 2.5.3 基于幅度相位联合处理的检测算法 |
| 2.6 本章小结 |
| 第三章 基于干涉幅度和干涉相位的二维检测技术 |
| 3.1 引言 |
| 3.2 理论分析 |
| 3.2.1 干涉相位统计特性分析 |
| 3.2.2 干涉相位与幅度的关系 |
| 3.3 算法详情 |
| 3.3.1 图像配准 |
| 3.3.2 提取干涉幅度和相位 |
| 3.3.3 二维检测门限 |
| 3.3.4 散点聚簇技术 |
| 3.4 性能分析 |
| 3.5 实验结果 |
| 3.5.1仿真数据实验 |
| 3.5.2 实测数据实验 |
| 3.6 本章小结 |
| 第四章 基于空间频谱分析的运动目标检测算法 |
| 4.1 引言 |
| 4.2 多通道SAR系统空间频谱特性分析 |
| 4.3 基于空间统治速度统计特性分析的运动目标检测算法 |
| 4.3.1 统治速度图像 |
| 4.3.2 统治速度图像的统计特性分析 |
| 4.3.3 检测算法实施步骤 |
| 4.3.4 仿真数据和实测数据实验验证 |
| 4.4 基于空间频谱不对称性的运动目标检测算法 |
| 4.4.1 空间频谱不对称性分析 |
| 4.4.2 算法实施原理 |
| 4.4.3 实测数据实验验证 |
| 4.4.4 基于帕萨瓦尔定理的改进算法 |
| 4.5 算法性能分析 |
| 4.6 本章小结 |
| 第五章 基于多通道高分宽幅SAR系统的运动目标检测技术 |
| 5.1 引言 |
| 5.2 多通道高分宽幅SAR系统概述 |
| 5.2.1 高分宽幅SAR系统天线结构 |
| 5.2.2 高分宽幅SAR系统成像算法概述 |
| 5.3 基于高分宽幅SAR系统的运动目标检测技术的信号模型 |
| 5.3.1 需求分析与研究难点 |
| 5.3.2 运动目标信号模型 |
| 5.4 基于多普勒频谱多视的多通道高分宽幅SAR系统运动目标检测技术 |
| 5.4.1 多普勒频谱两视处理技术原理 |
| 5.4.2 基于两视处理的高分宽幅SAR系统运动目标检测算法 |
| 5.4.3 算法性能分析 |
| 5.4.4 实验结果 |
| 5.5 基于对称重构的多通道高分宽幅SAR系统运动目标检测技术 |
| 5.5.1 修正后的导向矢量 |
| 5.5.2 基于修正导向矢量的对称重构算法 |
| 5.5.3 算法性能分析 |
| 5.5.4 仿真数据和实测数据实验结果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的研究工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间参与的科研项目和取得的科研成果 |
（7）复杂背景下“低小慢”目标检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于不同图像属性的检测算法 |
| 1.2.2 基于不同原理的目标检测算法 |
| 1.2.3 基于不同目标特性的检测算法 |
| 1.2.4 基于不同图像背景的检测算法 |
| 1.3 “低小慢”目标检测面临的问题 |
| 1.4 本文的主要内容及结构安排 |
| 第2章 “低小慢”目标图像特性分析及相关预处理 |
| 2.1 引言 |
| 2.2 可见光相机的成像特性 |
| 2.3 复杂背景下可见光图像的预处理算法 |
| 2.3.1 基于直方图均衡化的光照校正 |
| 2.3.2 基于Gamma变换的光照校正 |
| 2.3.3 基于单尺度Retinex的光照校正 |
| 2.3.4 基于多尺度Retinex的光照校正 |
| 2.4 红外相机的成像特性 |
| 2.5 复杂背景下红外图像的预处理算法 |
| 2.5.1 红外图像动态噪声抑制算法 |
| 2.5.2 红外图像的非均匀性噪声抑制算法 |
| 2.5.3 红外图像的增强算法 |
| 2.6 本章小结 |
| 第3章 可见光背景下的“低小慢”目标检测 |
| 3.1 引言 |
| 3.2 基于光照校正的“低小慢”目标检测 |
| 3.2.1 基于二维伽马变换的颜色特征提取 |
| 3.2.2 基于ESILTP算子的纹理特征提取 |
| 3.2.3 基于ViBe+的目标检测 |
| 3.2.4 实验结果及性能分析 |
| 3.3 基于视觉显着性的“低小慢”目标检测 |
| 3.3.1 人眼视觉系统结构 |
| 3.3.2 显着性可计算模型 |
| 3.3.3 “低小慢”目标显着性特征分析 |
| 3.3.4 低小慢目标的检测 |
| 3.3.5 实验结果及性能分析 |
| 3.4 本章小结 |
| 第4章 红外背景下的“低小慢”目标检测 |
| 4.1 引言 |
| 4.2 基于TCAIE-LGM平滑的“低小慢”目标检测 |
| 4.2.1 自适应TCAIE-LGM平滑算法 |
| 4.2.2 基于像素的目标检测 |
| 4.2.3 实验结果及性能分析 |
| 4.3 非平稳复杂背景下的“低小慢”目标检测 |
| 4.3.1 “低小慢”目标辐射特性分析 |
| 4.3.2 红外图像感兴趣区域提取 |
| 4.3.3 基于四条件约束的区域生长 |
| 4.3.4 实验结果及性能分析 |
| 4.4 本章小结 |
| 第5章 基于多源传感器融合的“低小慢”目标检测 |
| 5.1 引言 |
| 5.2 目标候选区域提取 |
| 5.3 基于滚动引导滤波和加权最小二乘优化的图像融合 |
| 5.4 基于局部SuBSENSE的目标检测 |
| 5.5 实验结果及性能分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）复杂成像探测中的微弱目标检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及发展动态分析 |
| 1.2.1 成像目标检测技术 |
| 1.2.2 红外成像弱小目标检测 |
| 1.3 主要研究内容及技术路线 |
| 1.4 论文的结构安排 |
| 第二章 成像目标视觉检测基础理论 |
| 2.1 红外成像特性分析 |
| 2.1.1 红外成像机理 |
| 2.1.2 红外图像的特点 |
| 2.1.3 典型红外背景及目标特性分析 |
| 2.2 红外图像预处理 |
| 2.2.1 图像增强 |
| 2.2.2 红外图像高分辨重建 |
| 2.3 成像目标检测技术 |
| 2.3.1 帧间差分 |
| 2.3.2 背景减除法 |
| 2.3.3 光流法 |
| 2.3.4 动态规划 |
| 2.4 红外弱小目标检测 |
| 2.4.1 空时滤波法 |
| 2.4.2 视觉显着性检测 |
| 2.4.3 基于稀疏表示的弱小目标检测 |
| 2.5 本章小结 |
| 第三章 基于背景建模的目标检测算法 |
| 3.1 概述 |
| 3.2 高斯背景模型 |
| 3.2.1 单高斯背景模型 |
| 3.2.2 混合高斯背景模型 |
| 3.3 核密度估计背景模型 |
| 3.3.1 非参数估计方法 |
| 3.3.2 基于核密度估计的背景建模 |
| 3.4 实验结果与算法分析 |
| 3.4.1 实验结果 |
| 3.4.2 性能分析 |
| 3.5 本章小结 |
| 第四章 基于多尺度几何分析的红外目标检测算法 |
| 4.1 概述 |
| 4.2 多尺度几何分析 |
| 4.2.1 多尺度几何分析理论 |
| 4.2.2 Contourlet变换 |
| 4.2.3 Shearlet变换 |
| 4.3 基于NSST的红外弱小目标检测 |
| 4.3.1 多特征融合与Kurtosis最大化 |
| 4.3.2 基于最大对比度准则的阈值分割 |
| 4.4 实验结果与性能分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.4.3 性能分析 |
| 4.5 本章小结 |
| 第五章 基于视觉显着性的红外弱小目标检测方法 |
| 5.1 概述 |
| 5.2 视觉显着性模型 |
| 5.3 红外弱小目标视觉显着性检测 |
| 5.3.1 局部对比度检测模型 |
| 5.3.2 红外目标HB-MLCM检测算法 |
| 5.4 基于MDMSHB模型的红弱小目标检测方法 |
| 5.4.1 方向滤波器 |
| 5.4.2 改进的高提升响应滤波器 |
| 5.4.3 多方向及多尺度分析 |
| 5.4.4 自适应阈值分割 |
| 5.5 实验结果与算法分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 基于分数域最优时频特征的SAR目标检测 |
| 6.1 SAR图像及其特性分析 |
| 6.1.1 SAR成像概述 |
| 6.1.2 SAR图像特性分析 |
| 6.2 时频分析理论 |
| 6.2.1 信号的展开 |
| 6.2.2 短时傅里叶变换 |
| 6.2.3 Gabor变换及展开 |
| 6.2.4 Wigner-Ville时频分布 |
| 6.3 分数阶傅里叶变换 |
| 6.3.1 FrFT的定义 |
| 6.3.2 FrFT的特性 |
| 6.4 基于最优FrGT时频谱特征的SAR目标检测 |
| 6.4.1 二维分数阶Gabor变换 |
| 6.4.2 最优窗函数设计 |
| 6.4.3 最优阶决策 |
| 6.4.4 能量衰减梯度特征 |
| 6.5 实验结果与算法分析 |
| 6.5.1 实验设置 |
| 6.5.2 实验结果与分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（9）调频连续波SAR宽测绘带成像与动目标检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 SAR的微型化趋势 |
| 1.1.2 多通道FMCW SAR |
| 1.2 研究现状及发展 |
| 1.2.1 典型系统 |
| 1.2.2 理论研究 |
| 1.3 主要工作和创新点 |
| 1.4 结构安排 |
| 第二章 成像原理与算法 |
| 2.1 FMCW SAR的信号模型 |
| 2.1.1 解线调频处理 |
| 2.1.2 RVP的消除 |
| 2.1.3 多普勒频域模型 |
| 2.2 后向投影算法 |
| 2.3 距离多普勒算法 |
| 2.4 频率变标算法 |
| 2.5 波数域算法 |
| 2.5.1 斜视信号模型 |
| 2.5.2 处理流程 |
| 2.5.3 改进的Stolt映射 |
| 2.5.4 方法验证 |
| 第三章 多通道方位重构算法 |
| 3.1 方位多普勒重构 |
| 3.1.1 最小天线面积 |
| 3.1.2 方位多通道模型 |
| 3.2 基于范德蒙矩阵的重构方法 |
| 3.2.1 范德蒙矩阵与均匀采样 |
| 3.2.2 重构原理 |
| 3.2.3 验证与分析 |
| 3.3 基于最小二乘原理重构方法的改进 |
| 3.3.1 信噪比损失因子 |
| 3.3.2 算法流程 |
| 3.4 范德蒙矩阵的条件数 |
| 3.5 方位模糊比 |
| 3.6 仿真分析 |
| 3.6.1 信噪比损失因子 |
| 3.6.2 方位模糊比(AASR) |
| 3.6.3 方位重构结果 |
| 3.7 FMCW SAR二维重构 |
| 3.7.1 脉内频移补偿 |
| 3.7.2 信号处理过程 |
| 3.7.3 二维重构仿真 |
| 第四章 动目标检测与成像 |
| 4.1 SAR运动目标常规模型 |
| 4.2 运动目标相对距离模型 |
| 4.2.1 相对距离和相对速度 |
| 4.2.2 等效斜视角和多普勒中心 |
| 4.2.3 等效视线角和多普勒频率 |
| 4.2.4 波数域信号模型 |
| 4.3 慢速运动目标探测 |
| 4.3.1 改进的波数域算法 |
| 4.3.2 相对速度因子的搜索间隔 |
| 4.3.3 仿真分析 |
| 4.4 快速运动目标探测 |
| 4.4.1 多普勒模糊的影响 |
| 4.4.2 改进的波数域算法 |
| 4.4.3 多普勒中心估计 |
| 4.4.4 信号处理步骤 |
| 4.4.5 仿真分析 |
| 4.5 方法分析 |
| 4.5.1 最小检测速度 |
| 4.5.2 相对速度的幅度和角度 |
| 4.5.3 多通道杂波抑制 |
| 第五章 FMCW SAR实验系统 |
| 5.1 参数设计过程 |
| 5.1.1 雷达参数 |
| 5.1.2 图像质量 |
| 5.2 实验系统简介 |
| 5.2.1 雷达收发分系统结构 |
| 5.2.2 信号采集存储分系统 |
| 5.3 初步的实验结果 |
| 5.3.1 多通道幅相误差 |
| 5.3.2 二维成像 |
| 第六章 结论与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录A FS算法中频率变标因子的改进 |
| 附录B 信噪比损失因子性质证明 |
| 附录C 动目标相对运动距离模型推导 |
（10）基于多波段光学成像及链路优化的微弱目标探测技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 微弱目标探测的背景与意义 |
| 1.2 标探测相关技术分析 |
| 1.2.1 图像预处理技术 |
| 1.2.2 标探测技术 |
| 1.3 微弱目标探测的技术难点分析 |
| 1.4 论文章节安排 |
| 第2章 微弱目标探测的研究基础 |
| 2.1 微弱目标多模式探测技术框架 |
| 2.2 典型目标与背景的特征特性分析 |
| 2.2.1 典型目标物体特性分析 |
| 2.2.2 典型背景环境的特性分析 |
| 2.3 多模式目标探测光学成像实验设计 |
| 2.3.1 可供实验的设备 |
| 2.3.2 标信息获取系统 |
| 2.3.3 室内实验设计 |
| 2.4 微弱目标的测定与分析 |
| 2.5 本章小结 |
| 第3章 图像恢复与像质评价研究 |
| 3.1 退化模型分析研究 |
| 3.2 典型图像复原方法与像质评价手段 |
| 3.2.1 逆滤波 |
| 3.2.2 维纳滤波 |
| 3.2.3 约束最小二乘滤波 |
| 3.2.4 总变分(TV)规整化方法 |
| 3.2.5 Richardson-Lucy(RL)迭代算法 |
| 3.2.6 典型图像质量评价方法 |
| 3.3 新型图像质量客观评价算法设计研究 |
| 3.3.1 基于梯度的波纹图像评价方法 |
| 3.3.2 基于模糊度和噪声水平的图像评价方法 |
| 3.4 图像恢复算法设计研究 |
| 3.4.1 局部约束RL复原方法(LCRL) |
| 3.4.2 梯度约束规整化快速复原算法 |
| 3.5 本章小结 |
| 第4章 红外图像非均匀性校正技术研究 |
| 4.1 红外非均匀性退化与校正模型 |
| 4.2 非均匀性校正的原理对比分析与客观评价 |
| 4.2.1 非均匀性校正方法的原理分析 |
| 4.2.2 非均匀性的客观评价 |
| 4.3 单幅图像法条纹非均匀性校正研究 |
| 4.3.1 f的优化 |
| 4.3.2 h的优化 |
| 4.3.3 迭代求解与参数设置 |
| 4.3.4 数据测试与性能衡量 |
| 4.4 序列图像法非均匀性校正研究 |
| 4.4.1 X(n)的逐帧优化 |
| 4.4.2 (h,v)的优化 |
| 4.4.3 计算流程与参数设置 |
| 4.4.4 序列法校正的性能分析 |
| 4.5 本章小结 |
| 第5章 微弱目标增强与双波段融合技术研究 |
| 5.1 微弱目标增强技术研究 |
| 5.1.1 基于局部频率调谐的显着性提取 |
| 5.1.2 微弱目标增强 |
| 5.1.3 微弱目标增强实验分析 |
| 5.2 结合多尺度分析与视觉权重分布的图像融合技术研究 |
| 5.2.1 加权最小均方误差滤波 |
| 5.2.2 梯度约束平滑滤波 |
| 5.2.3 基于像素值的视觉显着性分布图 |
| 5.2.4 结合多尺度分析与视觉权重分布的融合方法 |
| 5.2.5 WLS多尺度分解法红外可见光双波段融合性能分析 |
| 5.2.6 梯度约束平滑分解法的融合算法性能分析 |
| 5.3 本章小结 |
| 第6章 目标探测技术理论与方法研究 |
| 6.1 基于傅立叶变换法显着性提取的目标探测技术研究 |
| 6.1.1 傅立叶变换构造显着性图 |
| 6.1.2 四元数傅里叶变换构造空时显着性图 |
| 6.1.3 目标定位与分割 |
| 6.1.4 傅里叶变换法目标探测的实验分析 |
| 6.2 采用局部结构相似度差异的目标探测技术研究 |
| 6.2.1 中心周围相似度差异图 |
| 6.2.2 相似度差异法目标探测 |
| 6.2.3 图像边界处的预处理 |
| 6.2.4 实验结果与参数分析 |
| 6.3 基于稀疏表征的自动目标探测技术研究 |
| 6.3.1 稀疏表征模型的设计 |
| 6.3.2 相似度约束的稀疏表征 |
| 6.3.3 特征提取降维 |
| 6.3.4 基于稀疏表征的目标探测 |
| 6.3.5 实验结果与参数分析研究 |
| 6.4 结合局部频率调谐与形态学的实时目标探测技术研究 |
| 6.4.1 形态学与局部频率调谐理论 |
| 6.4.2 基于局部频率调谐与形态学理论的目标探测 |
| 6.4.3 探测性能分析 |
| 6.4.4 参数对探测能力的影响分析 |
| 6.4.5 局部频率调谐法在探测中的优越性 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文主要完成的工作 |
| 7.2 创新说明 |
| 7.3 未来的展望 |
| 参考文献 |
| 在学期间所取得的科研成果 |
四、空时级联滤波红外点目标检测（论文参考文献）
- [1]空时约束下的弱样本红外图像深度学习及目标检测[D]. 刘安. 电子科技大学, 2021
- [2]基于深度学习的弱小目标检测[D]. 黄毅. 东南大学, 2020(01)
- [3]红外探测系统中点目标的检测与识别技术研究[D]. 赵本东. 国防科技大学, 2019(01)
- [4]多通道SAR复图像域慢速运动目标多特征检测方法研究[D]. 田敏. 西安电子科技大学, 2019(02)
- [5]尺寸形态多样性特征下的炸点检测方法研究[D]. 赵广伟. 天津大学, 2018(06)
- [6]基于多通道合成孔径雷达系统的运动目标检测技术研究[D]. 郑红超. 上海交通大学, 2018(01)
- [7]复杂背景下“低小慢”目标检测技术研究[D]. 吴言枫. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(08)
- [8]复杂成像探测中的微弱目标检测算法研究[D]. 彭凌冰. 电子科技大学, 2020
- [9]调频连续波SAR宽测绘带成像与动目标检测[D]. 程普. 国防科技大学, 2017
- [10]基于多波段光学成像及链路优化的微弱目标探测技术研究[D]. 赵巨峰. 浙江大学, 2013(08)