基于机器视觉的红外目标抗干扰识别算法

复杂空战中人工诱饵数量多,易对实际目标造成遮挡、粘黏等现象,导致红外目标检测准确率低且稳定性差。为解决上述问题,将特征融合算法与自适应Yolov3目标检测算法有机融合,并通过形状相似性提升目标提取率,最终构建出DFE-YOL-3红外目标抗干扰检测模型。模型首先采用中值滤波算法与方图均衡算法对原始图像进行降噪优化处理,提高图像目标的可识别度;然后分别提取并融合红外图像的灰度共生G特征与直方图H特征,构建融合特征向量,提升图像检测的可行性;接着采用DBSACAN形状聚类算法检测提高红外小目标的检测准确率,并基于融合特征,自适应计算IOU阈值;最终通过优化红外目标位置的损失函数,完成目标回归框构建。实验模型的仿真结果表明,在IACD红外空战仿真数据上,与其它传统红外目标抗干扰检测算法相比,DFE-YOL-3算法的准确率最高,达94.38%,平均提升了5.68%;召回率亦最高,达93.62%,平均提高了4.10%,即DFE-YOL-3算法具有较高的准确性与稳定性。同时DFE-YOL-3算法具有较好的建模时效性与检测时效性。综上,DFE-YOL-3算法解决了人工诱饵的遮挡、粘黏问题,有效的提升了红外目标抗干扰检测的准确率与稳定率,具有一定的仿真应用价值。