一、低信噪比静止背景运动图像的动态目标检测（论文文献综述）
姚星[1]（2021）在《基于激光技术的低信噪比三维运动图像重构研究》文中认为为消除低信噪比三维运动图像重构精度低以及重构后图像质量差的缺陷,研究基于激光技术的低信噪比三维运动图像重构方法。采用激光锁定成像原理获取低信噪比运动图像,采用中值滤波方法滤波处理低信噪比运动图像提升图像分辨率和图像重构效果,将完成滤波处理的运动图像通过阈值分割以及数字形态学处理两部分提取运动目标区域,其中数字形态学处理包括膨胀、腐蚀、开运算以及闭运算四部分,将所提取运动目标区域通过全变差的两步迭代收缩阈值重构方法实现运动图像的三维重构。实验结果表明,采用该方法重构三维运动图像,重构精度高于99%,信噪比均为25 d B以上。
史启盟[2]（2021）在《高速运动物体图像识别与压缩方法研究》文中研究指明运动物体视频图像包含着许多重要的信息数据,而高速运动物体由于速度较快,其运动图像存在采集失真、处理复杂以及分析效果差等方面的问题。本课题以高速运动物体为研究对象,分别进行了图像识别与图像压缩方法的研究,并选取实际工业中的3D打印机高速移动激光点红外图像和高速运动固定翼无人机视频图像分别进行了算法验证及结果分析。主要研究内容如下:（1）分析了高速运动物体图像特征及图像识别过程,提出了基于改进卷积神经网络的高速运动物体图像识别方法。根据高速运动物体运动速度快导致的成像模糊,使得传统的图像识别方法人为提取图像特征困难的问题,采用基于卷积神经网络（CNN）的深度学习方法进行图像识别研究,并针对现有的CNN方法存在的训练效率差、准确率低的问题设计了相关改进方案来提高图像识别的快速性和准确性。（2）针对3D打印机高速移动激光点红外图像进行图像识别研究,分别建立了CNN和改进CNN两种激光点图像识别模型,对两种模型进行对比分析,实验结果表明改进后的CNN模型大大提高了识别效率和准确率;最后利用改进后的CNN模型进行激光中心点温度预测,在误差范围内取得了很好的预测结果。（3）研究了高速运动物体视频图像冗余信息,提出了基于帧内编码和帧间预测结合的高速运动物体视频压缩方法。以静态图像压缩为基础,在传统BP神经网络的基础上加入小波变换的方法进行图像压缩以减少帧内的空间冗余信息,同时针对高速运动物体的视频序列进行了运动信息补偿从而减少帧间的时间冗余信息,最终重构后的视频在保证关键运动信息的前提下大大减少视频数据量。（4）针对高速运动固定翼无人机视频进行图像压缩研究,先对单帧的无人机运动图像进行基于小波变换和神经网络结合的帧内有损压缩,再对压缩后的无人机序列进行基于运动估计和运动补偿的帧间预测编码,最后对压缩前后的无人机运动视频进行目标跟踪和视频传输效果方面的对比分析,结果表明该压缩系统在保留无人机运动信息的情况下可以大大减少冗余数据信息,提高传输效率。
王奇[3]（2020）在《高轨成像仪高精度视轴稳定闭环控制系统研究》文中研究表明高轨海洋观测卫星成像仪在轨运行时会因为自身和平台多种微振动的影响,产生成像仪视轴的指向变化,导致图像空间分辨能力下降,影响动态成像质量。为了降低成像仪对平台姿态变化的敏感度,本课题研究提出在成像仪内部设置高精度视轴稳定系统对卫星的姿态变化进行补偿。高精度视轴稳定系统在成像仪光路中设置了将星相机和成像仪视轴关联的双面反射镜,通过星相机图像传感器获取当前视轴指向的星空图像,计算星点质心漂移确定视轴偏移,并通过闭环控制视轴补偿平面镜同时对星相机和成像仪的视轴偏移进行实时补偿,从而完成海洋观测成像仪的视轴稳定。本文以此为背景,主要研究了星相机的设计、视轴补偿结构的设计、高精度姿态漂移检测、视轴补偿、闭环控制器等关键技术,搭建实验对算法进行验证,具体的研究工作如下:（1）在调研国内外高精度视轴稳定系统、高精度星敏感器、视轴补偿控制算法的基础上,结合高轨成像仪的成像特点,分析了视轴补偿系统的设计要求,提出了星相机姿态漂移检测配合双面平面镜视轴补偿的高轨成像仪视轴稳定方案,并对星相机的恒星覆盖、星相机姿态漂移检测精度、双面镜补偿精度等系统性能进行了分析。（2）根据系统的要求,提出了基于星相机的高精度姿态漂移检测系统的基本要求和初步设计方案,并对检测算法开展了深入研究。提出基于亚像素边缘信息的自适应双边滤波器实现保边去噪。针对动态环境下星斑像质退化引起检测精度下降的问题,提出一种利用生成对抗网络复原星斑的方法,进行仿真实验验证。使用多星点快速高斯质心提取方法,基于小孔成像模型,研究了从质心提取的结果得出姿态偏移的视轴姿态解算方法,并进行实验验证,得出系统动态姿态漂移检测精度为0.71″。（3）设计了基于双面平面镜的视轴补偿机构,研究了基于双面平面镜的视轴补偿机构的设计与组成结构,详细分析了平面镜微动量对应于星相机和成像仪像面的像移量的关系,提出了基于双面平面镜的视轴姿态补偿方案。结合系统的输入输出特性,使用系统辨识方法得出系统的开环传递函数,设计PID控制器完成了系统的闭环控制。（4）以高轨成像仪样机为基础,搭建了高精度视轴稳定系统的实验平台,分别对星相机的静态质心检测精度和高精度视轴稳定闭环控制系统进行实验验证。通过对比实验,确定了静态环境下的星点检测精度,均方根误差（Root Mean Square Error,RMSE）为0.075pixel,对应的姿态漂移检测精度为0.57″。对平台加入模拟正弦扰动与随机扰动进行闭环控制实验,在幅值为20urad（4.1″）的扰动下,成像仪的姿态漂移RMSE分别为1.25″和1.41″,实验结果验证了高精度视轴稳定系统的有效性和抗干扰能力。
李梦阳[4]（2020）在《天基复杂背景下空间暗弱小目标检测方法研究》文中提出随着科技发展,人类对太空的探索活动日益频繁,在轨航天器数量迅速增加,由此引发的空间环境安全问题也日益受到人们的关注。而空间目标监视对于感知空间态势、避免空间碰撞,从而实现维护空间环境安全具有重要意义。其中,空间目标检测是实现空间目标监视的关键技术,其具体包括:星图预处理技术、暗弱小目标检测技术以及空间目标定位技术。空间目标监视主要分为地基和天基两类,相比于传统的地基空间目标监视,天基空间目标监视不受大气环境影响、探测覆盖面广、探测能力强,近年来成为各国重点的发展方向。但由于天基空间目标监视所处轨道环境和探测目标的特殊性,其实现也面临诸多挑战。其一,星图的预处理。太空环境复杂的噪声及杂散光,导致图像背景强度分布不均匀,这些非均匀性噪声在图像分割时将导致大量的虚警目标,影响目标检测,并给图像在轨处理带来了巨大的计算负担;其二,暗弱小目标的检测。在天基图像中,不同轨道的空间目标成像大小、强弱,运动速度、方向等复杂多样,导致检测难度增加,尤其是在背景大量恒星相似干扰下,对低信噪比目标进行有效检测尤为困难;其三,空间目标的高精度定位。空间目标由于轨道相对运动速度不同,低速目标在图像中的成像为点状,高速目标的成像为条状,天基平台振动以及背景噪声会影响其成像形状及灰度值,导致目标的定位误差。以上几个方面,是实现有效的天基空间目标监视所需要解决的关键技术问题。然而,当前针对天基空间目标检测的研究相对较少,且存在针对性不足、适用性不强的问题,因此,本论文围绕着天基图像背景非均匀性噪声的抑制消除、天基复杂背景下空间暗弱小目标的检测以及天基空间目标质心和端点的高精度定位三个方面,深入系统地展开了研究,主要进行了以下工作。（1）天基图像预处理算法研究星图预处理的主要目的是抑制或消除背景的非均匀性噪声对目标分割、检测的影响。针对传统的图像去噪算法在天基星图的去噪处理中难以适用的问题,首先,我们对天基星图背景中非均匀性噪声的来源、组成和特点进行分析,对Smear效应产生的原因及其对成像的影响进行了总结。然后,我们分析了传统的背景抑制方法的优点及存在的问题。最后,在上述研究的基础上,我们提出了一种基于一维自适应中值迭代的非均匀性噪声背景抑制消除算法。实验结果表明,本文所提方法可以兼顾对星图背景非均匀性噪声和Smear效应引起的亮线进行精确的消除,同时不损失暗弱小目标的信息,在不同场景下具有较强的鲁棒性。（2）天基复杂背景下暗弱小目标检测算法研究针对天基复杂条件下（如:多目标运动速度、方向各异,目标拖尾、低信噪比、受恒星遮挡,运动轨迹不连续、非线性等）暗弱小目标检测困难这一问题,我们充分利用空间目标的时空域特征,提出了一种利用多帧序列图像的空间目标检测的新方法。本方法基于经典的多级假设检验思想,引入了时空域管道检测方法,改进了空间目标轨迹候选点的获取方式,能够大大减少了虚警目标数量,降低了算法的时间开销。同时,我们利用提出的自适应搜索区间,实现了不需要任何目标的先验信息,即可对不同轨道的多个目标同时进行有效检测。最后,我们对所提出算法的有效性进行了仿真和真实星图的实验验证,结果表明,在目标信噪比为3时,目标检测率可达100%,即使目标信噪比低至1.5时,检测率仍可达到92%。此外,该算法具有较强的鲁棒性,较小的计算量,可实现在天基复杂背景下对暗弱小目标的有效检测。（3）天基空间目标定位技术研究目标的高精度定位对于目标运动状态的描述、轨道参数的确定以及空间位置的编目具有重要意义。因此,我们对空间目标定位技术展开了深入研究。首先,我们从传统的灰度质心定位算法出发,分析了其适用范围及局限性;然后,分析了传统方法中误差的来源,我们有针对性的提出了一种双线性插值迭代加权质心定位算法,通过插值和窗口迭代,提高了目标质心定位精度。实验结果表明,改进后的新算法在目标信噪比低至3时,定位精度可达0.14像元,远优于传统的灰度质心法。最后,针对单一质心信息难以对条状目标的位置及运动状态进行准确描述的问题,我们提出了基于Harris角点的条状目标端点定位方法。实验证明,该方法可有效的对条状目标进行端点定位,而条状目标端点的定位可以为目标位置的确定、角速度的估算等提供必要的信息,该方法的提出对于后续相关的研究具有重要的参考意义。
彭凌冰[5]（2020）在《复杂成像探测中的微弱目标检测算法研究》文中提出成像目标检测、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。
刘维习[6]（2020）在《复杂背景下红外小目标检测方法研究》文中指出红外小目标检测技术是红外预警系统的重要组成部分,但是在复杂背景下该项技术的应用依然面临着不少挑战,主要包括在地面强杂波或云层强杂波下,背景杂波难以抑制的问题,以及小目标运动过程中的交汇、分裂等问题。因此本文对该领域中的上述问题进行了深入研究,具体内容如下:基于红外成像过程推导小目标的像面分布模型,并通过拟合实验,验证模型的有效性。通过对背景杂波进行多尺度差分析,提出了一种基于梯度均值的背景杂波量化模型,通过和传统的统计方差模型比较,验证了该模型的有效性。基于上述实验分析,对小目标和背景杂波进行四个方向上的梯度对比,得到二者的分布差异。针对传统检测算法背景抑制能力不足的缺点,本文根据小目标与背景杂波在多个方向上梯度分布的差异,提出了一种基于局部导数和邻域极差的背景抑制算法。算法通过构造结构元,求取原始图像的局部导数图,然后利用邻域极差来表征结构元中心点的极值,最后对极差图进行融合获得小目标显着图。实验结果表明,本文提出的算法背景抑制能力强,且在信杂比、背景抑制因子、ROC曲线等定量指标上,均有优异的表现。根据红外预警系统的实际需求,本文研究了运动红外小目标的检测问题,提出了基于多特征匹配和航迹关联的小目标检测算法。首先,算法利用红外小目标的多个特征对航迹和疑似目标进行匹配,通过航迹更新机制完成航迹的生成、更新、删除等操作;然后根据航迹判决获得真实目标信息;最后使用多组图像序列对算法进行仿真实验。实验结果表明,算法能够通过调整阈值控制计算量,同时能够解决目标运动过程中因交汇、分裂导致目标检测失败的问题,并能将检测精度控制在一个像素以内。
黄绿娥[7]（2019）在《基于记忆学习的高速运动感知图像的去模糊及目标识别研究》文中研究指明视觉是人类获取信息的主要手段,机器视觉检测模拟人类视觉对感兴趣目标进行感知识别。随着基于深度学习的视觉感知研究进入新的智能阶段,模拟人类脑智能的视觉识别是研究新方向。记忆学习是人类认知的高级功能,本文将研究模拟人类记忆学习的视觉感知模型完成运动的目标识别。动态目标图像的识别一直是研究的难点,本文将针对感知器高速运动时采集的图像及目标识别进行研究。研究表明图像的清晰是确保深度学习方法进行目标识别成功的关键,因此,图像尤其是动态图像在目标识别前进行去模糊很重要。本文首先从光学感知和图像生成的原理出发,分析运动感知模糊成因,构建高速运动成像模型;接着研究带记忆的深度学习方法识别复杂因素导致的图像模糊类型;再针对实际高速采集的图像进行去模糊;最后研究融合记忆的深度学习模型进行目标识别。具体研究工作依次从以下几个方面展开:1、分析高速成像模糊机理,构建图像感知器的运动成像模型及仿真系统。由于拍摄特定轨迹运动过程中,在曝光时间内感光传感器与被测物影像发生相对运动将导致图像模糊,尤其是在感知器高速运动采集时,这种运动模糊更为明显。因此在图像去模糊前分析模糊的成因是非常有必要的,通过模拟目标运动和相机运动成像轨迹的分析,将相机运动分解为平行于像平面和沿相机主光轴两个方向的运动,由此构建运动成像模型及运动图像仿真系统。2、提出一种带记忆的深度卷积网络（Deep Convolutional Neural Network,DCNN）模型进行图像模糊类型和参数的识别。CNN网络能提取空间特征信息,但存在梯度消失的问题;长短期记忆网络（Long Short Term Memory,LSTM）能解决递归网络训练过程中梯度消失问题,建模出感兴趣区域的上下文依赖关系,即时序信息。实验表明,DCNN的空间信息融合LSTM时序下的不同信息,比单纯采用其中一种网络的模糊类型识别准确率高。由此模拟人类带记忆学习的功能,构建出融合DCNN+LSTM的模糊类型及参数识别模型。3、提出一种基于图像列灰度概率一致性（Column Grayscale Probability Consistency,CGPC）的高速运动图像去模糊方法。首先通过两次傅立叶变换及信号累积变换求得准确的运动模糊核函数,然后进行反卷积运算,由于反卷积的病态问题,因此根据自然图像相邻列灰度具有概率一致性的特征,引入?置信目标优化对反卷积后的图像进行优化复原,最后针对图像边界信息导致的振铃现象提出预测边界块的方法。实验表明本方法处理高速运动图像的去模糊问题比现有方法的图像复原效果更佳。4、提出一种通过无参图像质量评价（Blind Image Spatial Quality Evaluator,BRISQUE）和优化去模糊图像的方法。现有图像去模糊方法的复原质量的评价大都基于有参考图像的质量评价指标,而实际的模糊图像是没有清晰的原图像,因此本文将基于无参考的图像质量评价指标再进行复原图像的优化,直到图像复原质量指标最优,则停止迭代,最后通过BRISQUE指标评价并优化获得最优复原图像。5、改进Faster R-CNN的方法进行高速运动目标图像的检测。实验表明,在针对高速运动目标检测时,Faster R-CNN的方法由于评分阈值单一会漏检一些小的目标,因此本文改进评分阈值标准,通过LSTM记忆网络对识别重复或漏检的目标进行再次的筛选,以获得准确的目标检测结果。实验结果表明,通过融合记忆网络的运动目标检测结果比现有目标检测方法较好的Faster R-CNN方法识别率更高。最后将理论研究结果应用到实际的图像目标识别中,分别应用在高速轨道缺陷检测系统及无人机巡检系统,评估结果表明即使在高速的运动下本算法也能识别出目标。本文构建的模型与提出的方法具有通用性,对未来更大范围的运动图像清晰化及运动目标识别研究具有积极的指导意义。
陆福星[8]（2019）在《天基红外弱小目标图像检测技术研究》文中指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。
吕凭乐[9]（2019）在《天基运动小目标检测若干关键技术研究》文中提出空间运动小目标检测跟踪算法的研究是天基探测领域的前沿研究内容,当前研究的主要不足在于复杂起伏背景抑制难、背景边缘滤除策略粗、移动背景应对方法缺。本课题针对这些不足,开展天基微弱运动小目标检测的相关算法研究,针对背景漂移<1p/f、SCR≤1的环境,探讨有效的算法模型和关键技术,以解决强杂波、复杂背景中获取点目标并保证低虚警率这一核心问题。研究成果包括:（1）针对传统背景抑制算法对SCR≤1的图像中杂波抑制效果较差这一不足,提出“融合形态学算子的非局部均值滤波（TPNLM）”背景抑制算法模型。该算法能够在最低SCR≈0.22的环境下增强弱点目标,达到平均33.60倍的信杂比增益,优于同类的其他代表性背景抑制/目标增强算法。（2）针对低信杂比（SCR≤1）环境下单帧目标提取精度差这一难点,提出“邻域显着图（NSM）”算法模型。该算法适用于云层/陆地等强杂波环境下的目标检测,能够在SCR≤1（最小SCR≈0.55）的环境下获取平均50倍的SCR增益、平均检测率98%、虚警率在1.22×10-5以下,优于同类的其他空域检测算法。（3）针对大量杂波存在的图像序列,利用NSM在空域上的有效性,提出邻域显着图和时域假设检验联合的检测模型（NSM-THT）。实验结果表明,提出的算法模型能够有效提取SCR<1的序列中的目标轨迹,检测率≈0.99,平均虚警率约为4.44×10-5。（4）针对慢速目标提取精度较差的问题,提出度量空域灰度差异的时域轨迹搜索算法模型（TDLMS-GSD-ASS）。实验结果表明,此算法模型用于提取SCR<1的序列中速度<1p/f的慢速目标轨迹时,能达到99.6%的检测概率,平均虚警率为8.05×10-5。（5）针对漂移背景导致弱小目标跟踪性能下降的问题,提出时域相关性背景抑制和空域区域灰度水平目标确认的迭代跟踪算法模型（TS-RGL）。实验结果表明,这种算法模型能够跟踪平均SCR<1,背景最大漂移速率≈0.8 p/f的序列中平均运动速率<5p/f的目标。综上,课题对天基目标相关理论做了较为详尽的介绍,针对当前研究的不足和课题的研究难点,提出不同的算法模型,解决了相应的关键问题,并做了较为详尽的对比论述。为了进一步验证算法模型有效性,设置了多种极端场景进行测试,对算法模型的有效性进行了全面验证。本课题为后续天基运动弱小目标检测的进一步研究提供了一定的理论支持。
沈宇键[10]（2000）在《变参数图像回归处理方法的研究》文中研究说明运动小目标的探测与处理一直是计算机视觉与图像处理工作中的重要课题，特别是在高精度光电跟踪检测系统中，运动小目标的实时检测是一个关键的问题。本论文就是针对宽视场凝视传感器类型的光电跟踪系统的成像特点对运动小目标的实时检测展开深入的研究。 在理论工作中，研究了多种运动小目标的检测算法。采用了多帧运动加权平均理论及运动检测理论建立了时域递归低通滤波算法模型，并将该模型应用于缓慢变化的背景预测。同时，还对时域递归低通滤波算法中k系数的不同含义及具体求法进行了研究与分析。提出了一种在恒虚警概率条件下，用时域递归低通滤波及帧间相关技术检测运动小目标的实时算法。 在实验工作中，对时空滤波和空间滤波的主要方法应用于运动小目标检测进行了仿真验证，衡量了时域滤波方法和空域滤波方法对背景抑制的能力，比较了一阶时域递归低通滤波算法中k系数求法不同时，提取运动小目标的效果。设计实现了基于数字图像处理芯片HSP48212的时域递归低通滤波系统，结合在系统可编程技术建立了运动小目标检测算法实时实现的硬件结构。完成了模拟远距离条件下，强背景中的弱小目标的检测，验证了基于时域递归低通滤波的小目标检测算法改善系统信噪比，抑制背景，增强小目标的功能。另外，还对目适应阈值法提取小目标轮廓作了验证实验，详细计算了该方法中的具体参数。 理论和实验证明了以下结论：对于运动图像，如果背景是缓慢变化的，或处于相对静止，用时域递归低通滤波可以预测背景，这一过程也可以看作是一种基于运动检测的多帧运动加权平均降噪处理。当图像序列通过这个时域低通滤波器时，图像序列的缓变部分可以从图像的快速变化过程中分离出来。当背景是完全时间相关时，通过帧间差分可以抑制预测的背景，检测出运动的小目标。 中国科学院长春光学精密机械与物理研究所博士论文在恒虚警概率条件下，这种方法能够很好地确定小目标的位置和较清晰地识别出小目标的轮廓。
二、低信噪比静止背景运动图像的动态目标检测（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、低信噪比静止背景运动图像的动态目标检测（论文提纲范文）
（1）基于激光技术的低信噪比三维运动图像重构研究（论文提纲范文）
| 1 引言 |
| 2 基于激光技术的低信噪比三维运动图像重构 |
| 2.1 激光锁定成像 |
| 2.2 低信噪比运动图像滤波处理 |
| 2.3 提取运动目标区域 |
| 2.3.1 阈值分割 |
| 2.3.2 数字形态学处理 |
| 2.4 全变差的两步迭代收缩阈值重构 |
| 3 实例结果与分析 |
| 4 结论 |
（2）高速运动物体图像识别与压缩方法研究（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 图像识别研究现状 |
| 1.2.2 图像压缩研究现状 |
| 1.2.3 高速运动物体研究现状 |
| 1.3 课题主要内容和结构 |
| 2 高速运动物体图像识别方法 |
| 2.1 高速运动物体图像特征分析 |
| 2.2 图像识别过程 |
| 2.3 基于卷积神经网络的图像识别 |
| 2.3.1 卷积神经网络基本结构 |
| 2.3.2 卷积神经网络参数训练 |
| 2.3.3 卷积神经网络图像识别流程 |
| 2.4 卷积神经网络改进方法 |
| 2.4.1 网络结构改进 |
| 2.4.2 标准化和正则化 |
| 2.4.3 多层特征融合 |
| 2.5 本章小结 |
| 3 基于卷积神经网络的高速移动激光点图像识别 |
| 3.1 3D打印激光束特点分析 |
| 3.2 激光点图像数据采集系统设计 |
| 3.2.1 红外图像采集装置 |
| 3.2.2 红外摄像头采集模块 |
| 3.2.3 串口数据传输模块 |
| 3.2.4 激光温度数据采集过程 |
| 3.3 激光点红外图像识别过程 |
| 3.3.1 激光图像识别流程 |
| 3.3.2 图像数据预处理 |
| 3.3.3 数据集制作及参数设置 |
| 3.3.4 CNN及改进CNN模型 |
| 3.3.5 模型训练及结果分析 |
| 3.4 激光中心点温度预测 |
| 3.4.1 测试集处理 |
| 3.4.2 预测结果及实验分析 |
| 3.5 本章小结 |
| 4 高速运动物体视频图像压缩方法 |
| 4.1 数据的冗余与压缩 |
| 4.1.1 数据的冗余类型 |
| 4.1.2 数据压缩分类 |
| 4.1.3 压缩评价指标 |
| 4.2 静态图像压缩 |
| 4.2.1 图像压缩系统构成 |
| 4.2.2 基于小波变换的图像数据压缩 |
| 4.2.3 基于BP神经网络的图像数据压缩 |
| 4.3 序列图像中的运动信息处理 |
| 4.3.1 运动序列图像特点 |
| 4.3.2 高速运动物体视频分割 |
| 4.3.3 基于运动估计的帧间预测编码 |
| 4.4 高速运动视频图像压缩系统 |
| 4.4.1 视频图像压缩整体流程 |
| 4.4.2 压缩重构示例 |
| 4.5 本章小结 |
| 5 基于帧内和帧间编码的高速无人机视频图像压缩 |
| 5.1 高速无人机视频传输系统 |
| 5.2 基于小波神经网络的无人机静态图像压缩 |
| 5.2.1 视频图像关键帧提取 |
| 5.2.2 小波神经网络图像压缩 |
| 5.2.3 图像重构及结果分析 |
| 5.3 基于帧间预测编码的无人机视频序列压缩 |
| 5.3.1 基于三帧差分的无人机目标分割 |
| 5.3.2 基于块匹配的无人机运动估计 |
| 5.4 无人机视频重构及结果分析 |
| 5.4.1 视频重构 |
| 5.4.2 视频压缩前后结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（3）高轨成像仪高精度视轴稳定闭环控制系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 视轴稳定系统国内外发展现状 |
| 1.2.1 哈勃空间望远镜 |
| 1.2.2 詹姆斯.韦伯空间望远镜 |
| 1.2.3 ATLAST-8M |
| 1.2.4 全球静止海洋水色仪GOCI |
| 1.2.5 相关跟踪器 |
| 1.2.6 高分七号卫星(GF-7) |
| 1.3 高精度姿态漂移检测技术研究现状 |
| 1.4 视轴补偿执行机构研究现状 |
| 1.5 论文主要内容与章节安排 |
| 1.5.1 论文主要内容 |
| 1.5.2 论文各章安排 |
| 第2章 高精度视轴稳定系统总体方案 |
| 2.1 视轴稳定系统总体技术方案 |
| 2.1.1 高轨成像仪成像特点 |
| 2.1.2 视轴姿态漂移对成像的影响分析 |
| 2.1.3 系统总体设计要求 |
| 2.1.4 视轴稳定系统总体技术方案 |
| 2.2 视轴稳定系统的子系统组成 |
| 2.2.1 基于星相机的视轴姿态漂移检测子系统 |
| 2.2.2 基于双面平面镜的视轴补偿子系统 |
| 2.2.3 相关算法与软件设计 |
| 2.3 高精度视轴稳定系统主要性能分析 |
| 2.3.1 星相机信噪比和恒星探测能力分析 |
| 2.3.2 恒星覆盖分析 |
| 2.3.3 姿态漂移检测精度 |
| 2.3.4 姿态漂移检测频率 |
| 2.3.5 姿态稳定度和控制带宽 |
| 2.4 系统噪声与误差的估计 |
| 2.4.1 光学误差 |
| 2.4.2 探测器噪声 |
| 2.4.3 平面镜补偿误差 |
| 2.4.4 地球自转对视轴指向的影响 |
| 2.5 本章小结 |
| 第3章 基于星相机的高精度姿态漂移检测技术 |
| 3.1 基于星相机的高精度姿态漂移检测子系统设计 |
| 3.1.1 姿态漂移检测星相机的组成 |
| 3.1.2 姿态漂移检测星相机的工作原理 |
| 3.1.3 姿态漂移检测星相机的成像特点 |
| 3.2 星点图像滤波预处理 |
| 3.2.1 复杂环境下星点图像的特点 |
| 3.2.2 基于亚像素边缘的自适应双边滤波器 |
| 3.2.3 滤波对定位精度的影响及滤波策略 |
| 3.3 拖尾星斑复原方法 |
| 3.3.1 拖尾星斑运动模糊模型 |
| 3.3.2 星点拖尾模糊图像生成方法 |
| 3.3.3 星斑复原生成对抗网络 |
| 3.3.4 星斑复原结果 |
| 3.4 亚像素质心定位快速算法 |
| 3.5 视轴偏移姿态角解算方法 |
| 3.6 星相机姿态漂移检测方法与实验验证 |
| 3.7 本章小结 |
| 第4章 基于双面平面镜的视轴补偿与闭环控制器设计 |
| 4.1 基于双面平面镜的视轴补偿子系统设计 |
| 4.1.1 视轴稳定方案 |
| 4.1.2 视轴补偿机构的组成 |
| 4.2 平面镜微动量与星相机和成像仪的像移量的定量关系 |
| 4.2.1 平面镜微动对应星相机视轴与像移量的关系 |
| 4.2.2 平面镜微动对应成像仪视轴与像移量的关系 |
| 4.2.3 平面镜偏转实验 |
| 4.3 高轨成像仪视轴补偿方法 |
| 4.3.1 补偿平面镜位于星相机像方空间 |
| 4.3.2 补偿平面镜位于星相机物方空间 |
| 4.4 视轴稳定系统闭环控制器设计 |
| 4.4.1 视轴稳定系统的系统辨识 |
| 4.4.2 PID控制器设计 |
| 4.5 本章小结 |
| 第5章 高精度视轴稳定系统闭环控制实验验证 |
| 5.1 实验平台搭建 |
| 5.2 环境扰动检测实验 |
| 5.3 高精度视轴稳定系统闭环控制实验 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 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 |
（4）天基复杂背景下空间暗弱小目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 空间目标的定义及空间碎片的来源 |
| 1.1.2 空间目标的数量和分布 |
| 1.1.3 空间碎片的危害 |
| 1.1.4 空间目标监视的方法及重要意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间目标监视系统发展现状及发展趋势 |
| 1.2.2 空间目标检测技术研究现状 |
| 1.2.3 技术难点 |
| 1.3 本论文主要研究内容及章节安排 |
| 1.3.1 本论文主要研究内容 |
| 1.3.2 论文章节安排 |
| 1.4 本章小结 |
| 第2章 天基复杂背景下空间暗弱小目标检测技术基础 |
| 2.1 引言 |
| 2.2 空间目标检测技术基础 |
| 2.2.1 图像预处理技术 |
| 2.2.2 暗弱小目标检测技术 |
| 2.2.3 空间目标质心定位技术 |
| 2.3 天基空间目标探测系统成像链路分析 |
| 2.3.1 目标辐射特性 |
| 2.3.2 光学系统 |
| 2.3.3 探测器 |
| 2.4 最佳积分时间的确定 |
| 2.4.1 信噪比 |
| 2.4.2 运动拖尾 |
| 2.4.3 积分时间对成像的影响 |
| 2.4.4 积分时间优化选择 |
| 2.5 天基仿真星图数据的生成 |
| 2.5.1 恒星背景图像的生成 |
| 2.5.2 不同轨道运动目标图像的生成 |
| 2.6 本论文使用的真实星图数据介绍 |
| 2.7 本章小结 |
| 第3章 天基图像预处理技术研究 |
| 3.1 引言 |
| 3.2 天基图像背景成像特性分析 |
| 3.2.1 图像背景噪声 |
| 3.2.2 图像背景非均匀性 |
| 3.2.3 图像Smear(漏光-拖尾)效应 |
| 3.3 非均匀性噪声背景的抑制算法 |
| 3.3.1 传统图像背景抑制方法的分析 |
| 3.3.2 基于一维自适应中值迭代的非均匀性噪声去除算法 |
| 3.4 实验结果与分析 |
| 3.4.1 仿真星图实验 |
| 3.4.2 真实星图实验 |
| 3.4.3 不同非均匀性星图背景下算法的鲁棒性 |
| 3.4.4 不同目标下算法的鲁棒性 |
| 3.5 本章小结 |
| 第4章 天基复杂背景下空间暗弱小目标检测技术研究 |
| 4.1 引言 |
| 4.2 基于时空域管道的拟多级假设检验算法理论 |
| 4.2.1 时空域管道滤波算法 |
| 4.2.2 序列图像多级假设检验算法 |
| 4.3 基于时空域管道拟多级假设检验的目标检测 |
| 4.3.1 目标时空域成像特性分析及模型的建立 |
| 4.3.2 时空域管道滤波去除背景恒星和噪声 |
| 4.3.3 时空域管道拟多级假设检验检测目标 |
| 4.3.4 算法性能分析 |
| 4.4 实验结果与分析 |
| 4.4.1 仿真目标的建模与生成 |
| 4.4.2 单帧候选点的检测率 |
| 4.4.3 SPMHT算法的检测率 |
| 4.4.4 SPMHT算法在复杂条件下的鲁棒性 |
| 4.4.5 真实目标检测试验 |
| 4.5 本章小结 |
| 第5章 天基空间目标定位技术研究 |
| 5.1 引言 |
| 5.2 空间目标质心定位算法 |
| 5.2.1 传统基于灰度质心定位算法的分析 |
| 5.2.2 双线性插值迭代加权质心法 |
| 5.2.3 实验结果与分析 |
| 5.3 条状目标的端点定位算法 |
| 5.3.1 基于Harris角点的条状目标端点定位方法 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 主要创新点 |
| 6.3 展望及待研究工作 |
| 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 |
（5）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 |
（6）复杂背景下红外小目标检测方法研究（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 红外探测系统发展现状 |
| 1.3 红外小目标检测算法研究现状 |
| 1.4 本文组织结构 |
| 2 目标与背景特性分析 |
| 2.1 引言 |
| 2.2 红外成像原理 |
| 2.2.1 红外辐射原理 |
| 2.2.2 红外成像系统 |
| 2.3 红外小目标特性分析 |
| 2.3.1 目标成像过程分析 |
| 2.3.2 目标像面分布模型 |
| 2.3.3 实验与分析 |
| 2.4 红外图像背景与噪声分析 |
| 2.4.1 背景杂波分析 |
| 2.4.2 动态噪声分析 |
| 2.5 本章小结 |
| 3 基于局部导数和邻域极差的背景抑制算法 |
| 3.1 引言 |
| 3.2 基于局部导数与邻域极差的背景抑制算法 |
| 3.2.1 局部导数原理 |
| 3.2.2 邻域极差表征极值 |
| 3.2.3 算法步骤 |
| 3.3 实验与分析 |
| 3.4 本章小结 |
| 4 基于多特征匹配和航迹关联的小目标检测算法 |
| 4.1 引言 |
| 4.2 传统多帧小目标检测算法介绍 |
| 4.2.1 基于高斯模型的时域背景建模算法 |
| 4.2.2 基于核相关的跟踪算法 |
| 4.3 基于多特征匹配和航迹关联的小目标检测算法 |
| 4.3.1 动态阈值分割与连通标记 |
| 4.3.2 多特征匹配 |
| 4.3.3 航迹更新与航迹判决 |
| 4.3.4 算法步骤及性能分析 |
| 4.4 实验与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）基于记忆学习的高速运动感知图像的去模糊及目标识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状及其主要难点 |
| 1.2.1 图像退化原因 |
| 1.2.2 图像模糊类型及参数识别 |
| 1.2.3 运动图像去模糊方法 |
| 1.2.4 图像质量评价的研究及在本文中的创新应用 |
| 1.2.5 深度学习的研究现状及在目标识别的应用 |
| 1.3 本文的研究路线及算法框架 |
| 1.4 论文章节安排 |
| 第2章 感知器成像原理及其高速运动模糊过程的建模 |
| 2.1 成像技术及发展历程 |
| 2.2 成像工作原理及静态物体成像模型 |
| 2.3 物体运动成像模型 |
| 2.3.1 物体运动在平行于透镜平面的运动成像 |
| 2.3.2 物体运动沿透镜主光轴径向运动的成像 |
| 2.3.3 物体运动为平面运动和径向运动复合成像 |
| 2.3.4 物体运动的成像轨迹模拟分析 |
| 2.4 相机高速运动对物体成像的建模 |
| 2.4.1 相机平行于像平面运动 |
| 2.4.2 相机沿主光轴运动 |
| 2.5 本章小结 |
| 第3章 基于记忆学习的模型及图像模糊类型识别 |
| 3.1 图像的模糊特征及类型 |
| 3.1.1 相机平行于像平面的运动模糊分析 |
| 3.1.2 沿主光轴方向的运动模糊分析 |
| 3.2 CNN网络架构及其模糊类型识别 |
| 3.2.1 几种典型的CNN网络 |
| 3.2.2 MATLAB平台下常用CNN网络的构建 |
| 3.2.3 基于CNN网络的模糊类型识别 |
| 3.3 LSTM网络及其在模糊类型识别中的应用 |
| 3.3.1 基于MATLAB平台的LSTM网络构建 |
| 3.3.2 LSTM网络在模糊类型识别中的应用 |
| 3.4 一种融合记忆学习的图像模糊类型识别方法 |
| 3.4.1 DCNN网络及记忆网络总体构建 |
| 3.4.2 LSTM记忆网络的构建 |
| 3.4.3 输出网络的构建 |
| 3.4.4 网络参数设置与训练 |
| 3.4.5 本文融合记忆的DCNN网络的模糊类型识别 |
| 3.5 本章小结 |
| 第4章 感知器高速运动的模糊参数识别及图像去模糊 |
| 4.1 相机平面运动模糊参数特征分析及其求解 |
| 4.1.1 运动模糊方向的特征建模及求解 |
| 4.1.2 运动模糊长度的特征建模及求解 |
| 4.2 两种经典的运动图像去模糊方法 |
| 4.2.1 贝叶斯方法去模糊 |
| 4.2.2 全变分图像去模糊 |
| 4.3 基于CGPC的运动图像去模糊的方法 |
| 4.3.1 高速运动图像退化模型及空间变换 |
| 4.3.2 图像列灰度概率一致性建模及其算法设计 |
| 4.3.3 实验结果 |
| 4.4 基于自然图像统计的高速运动图像去模糊方法 |
| 4.4.1 图像反卷积及图像自然统计分布规律 |
| 4.4.2 图像反卷积后优化建模及算法设计 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第5章 基于记忆学习的运动目标识别 |
| 5.1 图像目标识别方法简介 |
| 5.1.1 目标特征提取方法 |
| 5.1.2 模板匹配方法 |
| 5.1.3 CNN网络学习方法 |
| 5.2 Faster R-CNN网络及其构建 |
| 5.3 基于Faster R-CNN的目标识别 |
| 5.3.1 网络训练准备 |
| 5.3.2 训练网络 |
| 5.3.3 测试网络 |
| 5.4 Faster R-CNN网络与LSTM记忆网络融合 |
| 5.5 改进Faster R-CNN在轨道目标检测中的应用 |
| 5.5.1 图像目标标定 |
| 5.5.2 基于Faster R-CNN方法的轨道扣件检测 |
| 5.5.3 改进Faster R-CNN方法的轨道扣件检测 |
| 5.6 改进Faster R-CNN方法在鸟巢目标检测中的应用 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 本文主要创新点 |
| 6.3 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
（8）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 |
（9）天基运动小目标检测若干关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究背景和意义 |
| 1.2 天基运动小目标检测的研究内容 |
| 1.2.1 运动弱小目标的概念 |
| 1.2.2 天基运动小目标检测的研究内容 |
| 1.3 天基运动小目标检测研究现状分析 |
| 1.3.1 国内外相关实验室研究工作主要集中在雷达探测 |
| 1.3.2 天基动目标探测系统的研究进展 |
| 1.3.3 目标提取过程中背景抑制相关技术研究现状 |
| 1.3.4 目标增强和基于空域的检测技术研究现状 |
| 1.3.5 目标跟踪和多帧轨迹提取技术研究现状 |
| 1.3.6 目前对于天基运动小目标检测研究的不足 |
| 1.4 天基运动小目标检测的技术难点 |
| 1.5 问题的提出和本文主要研究内容 |
| 1.5.1 问题的提出 |
| 1.5.2 主要研究内容和技术指标 |
| 1.6 结构安排和创新点汇总 |
| 1.6.1 论文的结构安排 |
| 1.6.2 创新点汇总 |
| 第2章 天基运动小目标特性及检测干扰因素分析 |
| 2.1 天基运动小目标成像模型及特性分析 |
| 2.1.1 目标成像模型 |
| 2.1.2 目标场景模型 |
| 2.1.3 天基微弱小目标特性分析 |
| 2.2 目标检测干扰因素 |
| 2.2.1 探测器对目标检测的影响分析 |
| 2.2.2 光学系统对目标检测的影响分析 |
| 2.2.3 机构抖动对目标检测的影响分析 |
| 2.2.4 视场中背景对目标检测的影响分析 |
| 2.2.5 目标特性和干扰因素与几种模型的关系 |
| 2.2.6 目标检测过程中的重要参数 |
| 2.3 本章小结 |
| 第3章 针对复杂背景的背景抑制算法研究 |
| 3.1 Non-local means算法 |
| 3.2 NL-means算法直接应用于小目标检测的局限性 |
| 3.3 TPNLM复杂背景抑制算法 |
| 3.3.1 形态学操作的引入 |
| 3.3.2 算法模型处理流程 |
| 3.4 基于TPNLM的目标检测 |
| 3.4.1 局部逆熵的引入 |
| 3.4.2 基于TPNLM和局部逆熵的弱目标检测算法整体流程 |
| 3.5 仿真实验与实验结果分析 |
| 3.5.1 实验图像和性能指标 |
| 3.5.2 参数选取 |
| 3.5.3 实验结果 |
| 3.6 算法模型时间复杂度分析 |
| 3.7 本章小结 |
| 第4章 低信杂比环境下邻域显着图弱小目标检测模型 |
| 4.1 人类视觉系统特性在小目标检测中的应用 |
| 4.1.1 人类视觉系统特性及相关应用 |
| 4.1.2 人类视觉系统特性在小目标检测领域研究的欠充分之处 |
| 4.2 预处理策略 |
| 4.2.1 二维最小均方滤波算法的引入 |
| 4.2.2 步长μ的确定 |
| 4.3 邻域显着图目标检测方法 |
| 4.3.1 LCM算法概述 |
| 4.3.2 LCM算法的局限性 |
| 4.3.3 邻域显着图算法 |
| 4.4 实验结果 |
| 4.4.1 相关参数选取 |
| 4.4.2 性能指标 |
| 4.4.3 对比算法结果 |
| 4.5 算法模型时间复杂度分析 |
| 4.6 本章小结 |
| 第5章 复杂漂移背景序列的运动小目标跟踪算法模型 |
| 5.1 针对大量杂波存在场景的目标提取模型 |
| 5.1.1 不同种类像元的时域廓线特征 |
| 5.1.2 时域假设检验的引入 |
| 5.1.3 基于NSM和 THT的时空域联合算法模型 |
| 5.1.4 仿真实验及结果分析 |
| 5.2 针对非静止背景的杂波逐类剔除慢速目标提取模型 |
| 5.2.1 灰度差异度度量算法概述 |
| 5.2.2 连通域分割策略 |
| 5.2.3 多帧关联策略 |
| 5.2.4 仿真实验及结果分析 |
| 5.2.5 空域处理算法的时间复杂度分析 |
| 5.3 针对强杂波漂移背景下的运动弱小目标检测模型 |
| 5.3.1 时域信号向量相似度度量背景抑制 |
| 5.3.2 区域灰度水平目标提取算法 |
| 5.3.3 时空域融合的运动小目标检测模型 |
| 5.3.4 算法实现和对比实验结果 |
| 5.4 本章小结 |
| 第6章 多个天基场景下算法模型有效性的进一步探讨 |
| 6.1 探测器盲元、非均匀性存在场景 |
| 6.1.1 TPNLM算法实验结果 |
| 6.1.2 NSM算法实验结果 |
| 6.1.3 RGL算法实验结果 |
| 6.2 多目标存在场景 |
| 6.2.1 NSM-THT算法模型实验结果 |
| 6.2.2 TDLMS-GSD-ASS算法模型实验结果 |
| 6.2.3 TS-RGL算法模型实验结果 |
| 6.3 目标折返运动场景 |
| 6.3.1 NSM-THT算法模型实验结果 |
| 6.3.2 TDLMS-GSD-ASS算法模型实验结果 |
| 6.3.3 TS-RGL算法模型实验结果 |
| 6.4 跨像元运动导致的目标强度变化场景 |
| 6.4.1 NSM-THT算法模型实验结果 |
| 6.4.2 TDLMS-GSD-ASS算法模型实验结果 |
| 6.4.3 TS-RGL算法模型实验结果 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 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 |
| 参考文献 |
（10）变参数图像回归处理方法的研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 图表索引 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 小目标检测的研究现状 |
| 1.2.1 基于运动信息的目标检测方法 |
| 1.2.2 基于先跟踪后检测的方法 |
| 1.2.2.1 匹配滤波 |
| 1.2.2.2 动态规划和基于最优化的三维搜索 |
| 1.2.2.3 假设检验方法 |
| 1.2.2.4 高阶相关方法 |
| 1.3 本论文研究的内容及结构安排 |
| 第二章 噪声滤波 |
| 2.1 CCD相机的噪声模型 |
| 2.2 空间（帧内）滤波器 |
| 2.2.1 自适应（局部）LMMSE滤波 |
| 2.2.2 中值滤波 |
| 2.3 时空滤波 |
| 2.3.1 运动加权多帧平均原理 |
| 2.3.2 基于运动检测的滤波 |
| 2.3.3 运动补偿滤波 |
| 2.3.3.1 时空自适应LMMSE滤波 |
| 2.3.4 自适应递归滤波 |
| 2.4 小目标模型 |
| 2.5 噪声滤波算法仿真实验 |
| 2.6 小节 |
| 第三章 背景抑制 |
| 3.1 时域滤波 |
| 3.1.1 非递归型时域滤波器 |
| 3.1.2 递归型时域滤波器 |
| 3.2 空域滤波 |
| 3.2.1 空间高通滤波 |
| 3.3 多光谱滤波法 |
| 3.4 背景抑制方法的比较 |
| 3.5 背景抑制方法的仿真实验 |
| 3.6 小节 |
| 第四章 运动小目标检测中递归算法的研究 |
| 4.1 探测性能模型 |
| 4.2 理论阈值的推导 |
| 4.3 背景预测 |
| 4.4 小目标检测 |
| 4.5 k系数确定方法的研究 |
| 4.6 k系数及运动小目标检测中递归算法的仿真实验 |
| 4.7 小节 |
| 第五章 运动小目标实时检测算法的硬件设计实现 |
| 5.1 系统结构及工作原理 |
| 5.2 选用器件 |
| 5.3 相机接口模块的设计 |
| 5.3.1 CA-D4相机介绍 |
| 5.3.2 CA-D4相机的时序 |
| 5.3.3 CA-D4相机接口设计 |
| 5.4 滤波运算单元设计 |
| 5.4.1 M因子取值的具体实现 |
| 5.4.2 帧存储器的设计 |
| 5.4.2.1 帧存储器地址总线，数据总线，控制总线的设计 |
| 5.5 数据通道的设计 |
| 5.5.1 基于ispGDX与ispLSI的数据通道设计 |
| 5.5.1.1 ispGDX与ispLSI介绍 |
| 5.5.1.2 ispGDX编程语言和开发系统 |
| 5.5.2 ispGDX与ispLSI实现实时检测系统的数据通道设计 |
| 5.5.2.1 HSP48212-SRAM通道的设计 |
| 5.5.2.2 SRAM-SRAM通道的设计 |
| 5.5.2.3 SRAM-PC104通道的设计 |
| 5.5.3 ispGDX与ispLSI实现系统的动态重构 |
| 5.6 D/A转换器的设计 |
| 5.7 软件流程 |
| 5.8 小节 |
| 第六章 运动小目标实时检测系统的实验研究 |
| 6.1 系统功能实验 |
| 6.2 模拟运动小目标检测实验 |
| 6.2.1 实验模型 |
| 6.2.2 检测过程 |
| 6.3 阀值处理 |
| 6.3.1 双门限法 |
| 6.3.2 似然比检测法 |
| 6.3.3 自适应阈值法 |
| 6.3.4 帧差图像的阈值确定 |
| 6.4 小节 |
| 第七章 结论 |
| 参考文献 |
| 附录A |
| 附录B |
| 附录C |
| 攻读博士学位期间参加的科研项目 |
| 攻读博士学位期间发表的文章 |
| 致谢 |
四、低信噪比静止背景运动图像的动态目标检测（论文参考文献）
- [1]基于激光技术的低信噪比三维运动图像重构研究[J]. 姚星. 激光杂志, 2021(10)
- [2]高速运动物体图像识别与压缩方法研究[D]. 史启盟. 西安理工大学, 2021(01)
- [3]高轨成像仪高精度视轴稳定闭环控制系统研究[D]. 王奇. 中国科学院大学(中国科学院上海技术物理研究所), 2020(01)
- [4]天基复杂背景下空间暗弱小目标检测方法研究[D]. 李梦阳. 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(01)
- [5]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
- [6]复杂背景下红外小目标检测方法研究[D]. 刘维习. 南京理工大学, 2020(01)
- [7]基于记忆学习的高速运动感知图像的去模糊及目标识别研究[D]. 黄绿娥. 南昌大学, 2019(01)
- [8]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)
- [9]天基运动小目标检测若干关键技术研究[D]. 吕凭乐. 中国科学院大学(中国科学院上海技术物理研究所), 2019(03)
- [10]变参数图像回归处理方法的研究[D]. 沈宇键. 中国科学院长春光学精密机械与物理研究所, 2000(01)