地面红外目标数据联合增强方法

针对地面非合作特种车辆目标红外数据获取难度大、成本高,深度学习网络小样本数据条件下易于出现过拟合、网络泛化能力差等问题,本文以地面车辆红外数据为对象,提出了一种基于几何-特征空间变换的数据增强方法。首先,通过高清红外设备构建了原始地面车辆红外数据集;在此基础上,利用金字塔生成对抗网络(SinGAN)的空间特征重构机制,联合几何空间变换,对原始车辆红外数据进行了增广,并建立了地面目标红外数据集Infrared-VOC;最后,利用几种不同深度学习目标检测模型对增强后的红外数据集进行测试,验证了几何-特征空间联合变换方法数据增强的有效性,为地面非合作特种车辆红外数据增强提供了新方法。

单帧红外图像超分辨率重建算法研究

针对目前基于插值的红外图像超分辨率重建算法主要把重心置于原始图像的像素上的问题,提出了一种将原始图像像素和插值像素相结合的红外图像超分辨率重建算法。该算法在最近邻插值算法的基础上,将其与自适应高斯滤波相结合,采用边插值边滤波的方式对红外图像进行超分辨率重建处理。由红外数据集的大量对比试验结果可知,该算法能够在不以时间消耗为代价的前提下使重建结果得到有效提升。具体表现为其重建结果的客观评价指标与经典的图像插值算法相比提高了约2.8%~3.2%,并且能够有效减少噪声、锯齿和模糊现象。该算法有助于推动红外图像超分辨率重建在军事、医疗等领域的发展。

Mean Shift和粒子滤波实现红外人体跟踪算法综述

红外摄像仪能够全天候工作且不会受限于像光线不足、漆黑夜晚等外界环境的干扰,但是红外图像成像质量差、分辨率低、信息单一等特点导致研究人体目标跟踪出现许多难点问题。主要贡献表现在以下三个方面:(1)对少有的公开的红外数据集进行详细归纳;(2)重点阐述了国内外在红外人体跟踪方面对Mean Shift算法和粒子滤波算法的改进方案;(3)重点介绍了融合红外成像与可见光成像实现红外人体跟踪的研究进展。

基于改进SSD的特种车辆红外伪装检测方法

在目标检测领域,基于深度学习的SSD目标检测网络同时具有实时性好和准确性高两大优点。由于特种车辆红外图像难以获取,以小轿车和公交车红外图像为研究对象,构建了红外图像Pascal VOC数据集,训练了SSD网络,并利用训练好的网络检测了红外目标图像。结果表明,红外目标的特征信息越多,检测精度越高,但红外图像中信息残缺的车辆存在"漏检"的问题。针对该问题,通过添加"残缺窗口模块"优化数据集结构,有效解决了车辆"漏检"问题,同时目标整体的检测准确率也明显提升。将改进数据集后的红外目标检测结果作为评价指标,能够较准确评估复杂背景下特种车辆红外隐身伪装效果。

ZiLOG新推通用红外遥控方案

ZiLOG日前推出针对通用红外遥控(UIR)应用产品开发的整体解决方案,名为Remote on a Chip.该方案不仅仅提供包括Crimzon系列8位微控制器在内的芯片组,也为客户提供一个红外线代码集数据库、一套完整的开发工具、定制固件和软件、专家设计和工程资源,从而可以帮助客户使其产品能够更快地上市并且更具成本效益.