反“低慢小”无人机红外检测方法研究

针对“低慢小”无人机的空中威胁,各国均大力投入反无人机技术研究,提出了一种基于密度-距离空间的红外单帧检测新方法。利用红外小目标在有限的区域内拥有比邻近区域更高的灰度值特点,提出密度与距离概念,建立密度距离空间。通过等效目标的定位方法将不规则的目标区域转换成规则的几何图形来获得准确的目标位置。实验结果表明:密度-距离检测算法在复杂背景下具有更好的检测性能和鲁棒性,当目标明显且存在连续背景杂波时AUC值接近于1;平均每帧的检测时间为0.021 2 s,同时兼顾了检测精度和检测速度。该算法不受无人机自身尺寸和形状变化的影响,具有较强的适应能力,适合多种背景下的单帧红外小目标检测。

基于深度学习的红外目标检测方法

由于背景的复杂性和小目标的多样性,红外小目标已经成为一个挑战;为了解决这个问题,与传统方法不同的是,提出一种基于密度-距离的最新检测方法;首先,对红外图像参数计算引信上的传感器以设置目标检测方法的边界限制;其次,提出了基于密度-距离空间的候选目标检测方法;最后,自适应像素生长(APG)算法用于抑制杂波,从而检测出实际的目标;利用真实红外图像数据库进行了仿真验证,仿真和硬件在环实验实施以验证该方法的有效性;结果表明,红外图像引信上的传感器在弹丸旋转时具有稳定的视场,可以清楚地看到观察红外小目标;该方法具有较好的抗噪性,不同大小的目标检测、多目标检测和各种杂波抑制能力;实验结果表明,该方法对多种不同场景中的信噪比较低的目标具有良好的检测效果,平均检测概率达84%以上。