基于显著性与帧间差分的红外弱小目标检测

针对复杂背景下弱小目标检测问题,提出一种基于图像显著性和帧间差分相结合的红外弱小目标轨迹检测算法。该算法首先利用高效的频域残差法检测目标可能的存在区域,再利用帧间差分法消除背景孤立的奇异点和背景变化较强烈的部分,突出了目标信息。然后将差分图像进行累加初步得到目标的轨迹,经过累加后的图像目标的能量较杂波和噪声有了显著的提高。最后通过门限分割和轨迹关联进一步剔除虚警目标。仿真实验表明,算法在不同的背景杂波和目标尺寸下都有较好的检测性能,便于硬件实现和后续的识别与跟踪。

基于权值核范数最小化的红外背景杂波抑制

针对复杂背景下的空间背景抑制问题,提出基于权值核范数最小化理论的单帧红外图像空域背景杂波抑制算法。首先利用红外图像的非局部相似性质,将具有相似性的图像块向量化并聚合成低秩矩阵,然后对所得的低秩矩阵的奇异值赋予不同的权值,最后利用加权核范数最小化将背景抑制问题转化为优化问题进行求解。预测的背景在满足对观测图像数据依赖的同时,能够保留背景图像的边缘信息,有效降低复杂背景灰度值起伏较大处的虚警。通过仿真实验验证了算法的可行性和有效性,表明其背景抑制性能较传统算法有较大提高。

基于HMM-PNN模型的助推段目标类型识别

针对卫星视野下导弹目标的识别问题,将经典隐马尔科夫模型(HMM)识别算法应用在助推段目标类型识别上并加以改进。首先,分析了通用弹道助推段运动特性,确定了不同射程导弹的分类依据。其次,针对HMM模型时序特性差异较小而引起的识别率低的问题,引入概率神经网络(PNN)与HMM模型相结合的结构算法,该方法整合了HMM模型的时间序列数据处理能力和PNN的自学习能力、贝叶斯决策理论,对不同射程导弹目标实现了分类识别。仿真实验结果表明该算法是一种有效的导弹目标识别算法,识别率优于传统的HMM模型方法,误判率较低,且易于工程实现。