适应匹配的红外小目标检测与嵌入式实现

王磊; 孙立业; 徐昕阳; 冯凯

doi:10.15892/j.cnki.djzdxb.2025.03.001

弹箭与制导学报 >

2025 , Vol. 45 >Issue 3: 273 - 280

DOI: https://doi.org/10.15892/j.cnki.djzdxb.2025.03.001

可见、红外图像感知、目标识别与制导技术

适应匹配的红外小目标检测与嵌入式实现

王磊 ^,¹ ,
孙立业 ¹ ,
徐昕阳 ^,² ,
冯凯 ²

展开

¹ 沈阳理工大学机械工程学院,辽宁沈阳 110159
² 电磁空间安全全国重点实验室,天津 300308

徐昕阳(1992—),男,工程师。E-mail: xuxinyang@tju.edu.cn

王磊(1978—),男,教授,博士。E-mail: uuanga@163.com

收稿日期: 2024-10-08

网络出版日期: 2025-07-09

基金资助

国家自然科学基金(U2341245)

辽宁省属本科高校基本科研专项资金(LJ232410144074)

收起

Adaptive Matching of Infrared Small Target Detection and Embedded Implementation

WANG Lei ^,¹ ,
SUN Liye ¹ ,
XU Xinyang ^,² ,
FENG Kai ²

Expand

¹ College of Mechanical Engineering, Shenyang Ligong University, Shenyang 110159, Liaoning, China
² National Key Laboratory of Electromagnetic Space Security,Tianjin 300308, China

Received date: 2024-10-08

Online published: 2025-07-09

Fold

摘要

为提高复杂背景下红外小目标的检测能力,提出了一种联合梯度判别与自适应匹配的红外小目标检测算法。通过多方向梯度特征在图像中首次筛选出疑似目标区域,利用区域内灰度信息生成自适应模型,进行再次判断。针对梯度判断与自适应模型匹配分别建立量化评价,通过加权方式引入置信度函数对不同疑似目标区域进行评估,筛除疑似目标。为使算法能在无人机等动载平台应用,搭建嵌入式系统,通过红外相机取景,实现探测系统对真实场景下小目标的检测。通过对不同的公共数据集测试,不同复杂场景下与加权增强局部对比度算法(weighted strengthened local contrast measure,WSLCM)、三层滤波窗口局部对比度算法(tri-layer local contrast measure,TLLCM)算法进行比对,所提算法有较好的适应能力,不同样本下的识别率在92%以上。该算法通过在嵌入式平台IP核的定制和软硬协同设计,进行了硬件加速处理,实时视频帧率>30 frame/s,验证了其有效性。

关键词： 红外小目标; 目标检测; 梯度判断; 自适应; 模型匹配

本文引用格式

王磊 , 孙立业 , 徐昕阳 , 冯凯 . 适应匹配的红外小目标检测与嵌入式实现[J]. 弹箭与制导学报, 2025 , 45(3) : 273 -280 . DOI: 10.15892/j.cnki.djzdxb.2025.03.001

Abstract

In order to improve the detection ability of infrared small targets in complex backgrounds, a small infrared target detection algorithm based on joint gradient discrimination and adaptive matching was proposed. The suspected target area is screened out for the first time in the image through multi-directional gradient features, and the adaptive model is generated by using the grayscale information in the region for re-judgment. Quantitative evaluation was established for gradient judgment and adaptive model matching, and confidence functions were introduced to evaluate different suspected target areas and screen out suspected targets. In order to enable the algorithm to be applied in dynamic platforms such as UAVs, an embedded system was built to realize the detection of small targets in real scenes by the detection system through infrared camera framing. By testing different public datasets and comparing with WSLCM (weighted strengthened local contrast measure) and TLLCM (tri-layer local contrast measure) algorithms in different complex scenarios, the proposed algorithm has good adaptability, and the recognition rate under different samples is more than 92%. The algorithm is processed by hardware acceleration through the customization of the IP core of the embedded platform and the co-design of software and hardware, and the real-time video frame rate is greater than 30 frame/s, which verifies its effectiveness.

Key words： infrared small target; target detection; gradient judgment; adaptive; model matching

0 引言

红外成像因具有隐蔽性强、可全天工作、可穿透云雾以及抗电磁干扰能力强等优点,在军事和民用领域得到了广泛应用^[1]。在实际获取图像的过程中,红外图像中的小目标通常仅占几个像素大小,缺乏一定形状、纹理等特征,导致检测难度增加^[2-3]。近年来,随着研究的不断深入与应用领域的日益拓展^[4-6],将红外检测算法在飞行器等移动载体中的实现是研究热点之一^[7]。红外图像的检测算法在嵌入式系统中的移植与实现也引起广泛关注^[8-9]。

红外小目标算法按照检测原理划分,分为基于滤波的方法^[10]、基于低秩及稀疏矩阵分解的方法和基于对比度的方法^[11-12]。滤波的方法分为两类:最大均值滤波和形态学滤波为代表的空域滤波方法^[13-14],Contourlet变换和小波变换等为代表的频域滤波方法^[15-16]。基于低秩及稀疏矩阵分解的方法利用红外图像的背景低秩性和目标稀疏性,将红外小目标检测问题转化为低秩和稀疏矩阵的优化问题^[17-18]。针对对比度的方法关注目标与背景之间的差异,Han等提出基于加权增强局部对比度算法(weighted strengthened local contrast measure,WSLCM)与三层滤波窗口局部对比度算法(tri-layer local contrast measure,TLLCM)^[19-20]。综上所述,空域滤波算法实时性较好,但在复杂背景中处理能力不足;频域滤波方法能有效去除空域的高频噪声,通过控制滤波器设计能精细控制滤波效果,但计算复杂度较高;低秩及稀疏矩阵分解方法普遍存在计算复杂度高且对参数敏感的问题;对比度算法在复杂背景下处理能强,但计算量过大,单帧图片处理时间较长。

文中提出一种联合梯度判别与自适应匹配的红外小目标检测方法。利用红外小目标的梯度特征以及三维灰度模型符合高斯模型的特点,进行小目标的检测工作。该方法解决了在复杂背景中红外小目标检测耗时长,识别精度低等问题。为了使算法能够在无人机等动载平台进行移植应用,通过软硬协同设计的方法搭建ARM+FPGA架构嵌入式系统,定制了背景抑制IP核。所提算法分别在PC端和嵌入式平台进行测试,对比标杆算法,进行实验分析,提升了嵌入式前端处理能力。

1 联合梯度判别与自适应匹配算法

根据红外小目标梯度向外扩散的特点,通过灰度特征进行筛选。对于梯度特征相似的疑似目标,基于单一梯度判别方式受到限制,采用联合梯度判别与自适应匹配的红外小目标检测方法,由红外小目标的梯度特性和三维灰度模型符合高斯模型的特点,对红外小目标进行检测。梯度特性判断用于小目标的初步筛选;自适应模型的匹配进一步提升了检测的准确性和鲁棒性,检测流程如图1所示。

显示原图|下载原图ZIP|生成PPT

图1 梯度判断结合自适应模型匹配检测流程图

Fig.1 Gradient judgment-Gaussian model matching detection flow chart

由图1可见,所提算法通过滤波窗口在成像区域进行遍历,根据滤波窗口内图像像素的梯度特征进行判断,对于符合小目标梯度特征的窗口区域联合自适应模型匹配判断,利用梯度判断与自适应模型匹配所得结果,引入置信度函数验证区域内是否存在小目标,提高识别精度。在不同区域遍历后,进行自适应阈值分割操作,增强小目标与背景之间对比度,提高识别精度。

1.1 梯度判别

测试场景选用天空背景下的无人机移动载体为识别目标,远距离观测时,待测目标以点目标形式出现。采用滑动滤波窗口在图像中遍历提取梯度特征,通过自定义高斯卷积模板的方法可以快速得到当前滤波窗口内的梯度信息,所提算法对小目标8个方向梯度特征进行判断,增强对小目标感知能力,其公式为:

(1)G_d(i,j)=

∑ m = - k k

∑ n = - k k

I(i+m,j+n)*H(m+1,n+1)

式中:G_d为梯度判断矩阵,下角标d代表判别方向,分别对上、下、左、右、左上、右上、左下、右下8个方向判断;I为滤波窗口内图像像素;i和j为窗口内图像像素相对坐标;H为自定义卷积模板;m和n为模板中的相对坐标。

以

G d u

为上方向梯度判断矩阵进行示例说明,对

G d u

划分左上、右上、左下、右下4个区域,计算不同区域内梯度值是否大于0,或者小于0,作为

G d u

判断条件。图1给出了梯度判断示意图,其计算式为:

(2)

$G d u$ = $G d u 1 ≥ 0, (1 x n / 2 - 1,1 y n / 2 - 1) G d u 2 ≥ 0, (n / 2 + 1 x n - 1,1 y n / 2 - 1) G d u 3 0, (1 x n / 2 - 1, n / 2 + 1 y n - 1) G d u 4 0, (n / 2 + 1 x n - 1, n / 2 + 1 y n - 1)$

式中:

G d u

为上方向梯度判断矩阵;

G d u 1

G d u 2

G d u 3

G d u 4

为矩阵左上、右上、左下、右下4个区域。x和y为梯度判断矩阵中的坐标;n为滤波窗口大小。

对不同方向的梯度判断矩阵计算后,得出当前滤波窗口内,通过梯度判断得到小目标的概率,其公式为:

(3)P_w=P_d×

∑ i = 1 8

p_i

式中:P_w为滤波窗口内通过梯度判定后含有小目标的概率;p_i代表不同方向的梯度判断矩阵G_d是否满足条件,满足即为1,反之即0;P_d为每个方向的概率,滤波窗口内判断8个方向,取值为0.125。

使用自定义卷积模板的方法进行梯度判定,可以得到窗口区域的梯度信息,对卷积后窗口区域划分4个区域,设定阈值判断,确定小目标的梯度特征。对梯度判定的结果设计量化标准,对满足条件区域做下一步自适应模型匹配,不满足则切换下一区域,减少算法运行时间。

1.2 自适应模型匹配

由梯度特性判断得到的候选目标区域,采用自适应模型计算。针对不同n×n候选目标区域,构建不同的m×m的自适应模型。通过提取目标区域的中心像素及周围像素的灰度值,作为自适应模型的初始参数。具体过程为:候选区域中心像素选定为模型的中心位置像素值,依据侯选区域内像素到中心像素的距离不同,划分区域。相同区域内的最大值用于更新模型周围的参数,模型定义为:

(4)M_i=max{

B i 1

B i 2

,…,

B i n

}

式中:

B i 1

B i n

表示n个窗口中的对应灰度像素值,下标i代表不同划分区域,依据滤波窗口中心距离不同划分;M_i代表到滤波窗口中心距离相同时不同灰度的最大值。

将候选目标模型矩阵A与自适应模型矩阵B点除,即矩阵对应位置元素相除,计算相似性:

(5)

C(x,y)=A(x,y)÷B(x,y)

式中C为待评估模型矩阵。

对待评估模型的均值和标准差进行分析,判断A和B的相似度:

(6) P_s=M_C₍_x_,_y₎-λS_C₍_x_,_y₎

式中:M_C₍_x_,_y₎为待评估模型矩阵的均值;S_C₍_x_,_y₎为待评估模型矩阵的标准差;λ为评价因子;P_s为模型矩阵A与矩阵B的相似度。

使用待评估模型矩阵的均值和标准差判断自适应模型矩阵与侯选目标模型矩阵相似度。待评估模型矩阵的均值反映了侯选目标模型矩阵与自适应模型矩阵整体的相似度。待评估模型矩阵的标准差反映了C中元素的离散程度情况,对均值所得结果进行调整,提高检测的准确性。

1.3 置信度计算与自适应阈值分割

所提算法在进行梯度判断以及自适应模型匹配时分别得到滤波窗口内含有小目标的可能性和小目标模型与自适应模型的相似性,见式(3)和式(6),通过引入权重参数,联合判断候选目标区域内小目标的置信度V_c,可表示为:

(7)

V_c=μP_w+(1-μ)P_s

式中:μ为权重参数,通过实验μ的取值应介于0.35~0.60之间。置信度计算流程图见图2。

显示原图|下载原图ZIP|生成PPT

图2 置信度计算流程图

Fig.2 Confidence calculation flowchart

通过滤波窗口对图像遍历,使用梯度判断快速筛选出候选目标区域。针对候选小目标区域,联合自适应模型匹配判断,计算候选区域包含小目标的置信度。

图像在不同区域遍历完成后,为增强图像的对比度,在图像全域进行自适应阈值分割得到处理结果,其计算值为:

(8)

T_h=kI_max+(1-k)I_mean

式中:I_max和I_mean分别为当前图像像素的最大值和平均值;k为调节因子,其值介于0和1之间。

2 嵌入式系统实现

为在无人机动载平台上使用所提算法,搭建基于ARM+FPGA架构的嵌入式系统,架构一部分是以FPGA可编程逻辑为核心的PL端和ARM处理器为核心的PS端,选择ZYNQ 7020作为嵌入式主芯片,通过PL与PS协同设计的方法完成所提算法在嵌入式系统中的实现。所提算法通过HLS高级综合语言封装为背景抑制IP核,在PL端完成,通过生成的Veilog硬件语言实现对算法加速。PS端负责对PL端实现基本功能的IP进行控制,图像信息读写地址分配等工作。ZYNQ系统实现框架见图3(a),配备SD卡、HDMI、USB等输入输出接口用于提供红外图像像源与处理结果显示。

显示原图|下载原图ZIP|生成PPT

图3 ZYNQ系统实现框架图

Fig.3 ZYNQ system implementation framework diagram

由图3(a)可见,在PL端配置了VDMA,用于像源图像数据提取、背景抑制IP核,对图像信息进行处理,最后通过AXI4-Stream to Video Out以及DVI Transmitter将图像信息在HDMI显示,进行可视化观察。PS端负责控制整个系统的运行,包括图像数据的读写地址分配、对VDMA、背景抑制IP核的配置工作。Block design设计图是图3(a)PL端逻辑图在Vivado软件中的具体实现。VDMA使用时钟频率为150 MHz,保证VDMA进行搬运高分辨率图像数据。图3(b)定制IP核中,采用AXI协议进行图像数据传输,其中AXI-Lite接口,用于配置背景抑制IP核。在IP内部,对输入的Stream流格式转为图片类型MAT格式,对图像进行灰度处理,利用梯度判断结合自适应模型匹配算法对图像进行背景抑制,抑制后将图像数据格式转换为24 Bit,再转换Stream流格式进行输出。

图3(c)为背景抑制IP核的时序仿真波形图,第1行、第2行数据分别为时钟信号与开始信号,在开始信号拉高时,IP核进入工作状态,每个时钟周期处理单个灰度数据,第3行数据代表输入图片数据转为灰度图片后的图片像素值,最后一行代表算法处理后的图片像素值,由仿真波形图可知,经过算法IP预处理后图像中背景杂波数据进行了有效抑制,抑制后像素值为0。

3 PC端与嵌入式系统的实验测试

将所提算法在地空背景下红外小目标跟踪数据集进行测试,并和其他公开数据集与两种标杆算法进行对比分析,验证算法性能。同时搭建如图4所示的小型地面红外小目标检测系统,硬件包括型号为TC 384的红外相机、ZYNQ 7020板卡、HDMI显示器等。

显示原图|下载原图ZIP|生成PPT

图4 地面测试实验系统

Fig.4 Ground testing experimental system

3.1 红外数据集的实验测试

针对地空背景下红外图像弱小飞机目标检测跟踪数据集相源图像^[21],分别在22种场景中随机选出单张图像进行测试,部分实验结果如图5~图7所示。

显示原图|下载原图ZIP|生成PPT

图5 山地背景检测结果

Fig.5 Mountain background test results

显示原图|下载原图ZIP|生成PPT

图6 森林背景检测结果

Fig.6 Forest background test results

显示原图|下载原图ZIP|生成PPT

图7 山丘背景检测结果

Fig.7 Hill background detection results

13种场景中成功识别目标,误检2张,7张未识别出任何目标。由处理结果验证了文中算法对红外图像进行了有效的预处理,能够在不损失关键目标特征的前提下,去除大量无关的背景信息。在背景抑制之后,小目标的信号得到了显著增强,而背景噪声被有效抑制,大大提高了图像整体信噪比。针对地空场景下公开红外小目标数据集,从中选取200张实验样本,验证算法在地空背景下红外图像弱小飞机目标检测跟踪数据集的有效性。山地、森林、山丘3种背景下进行验证的实验结果,见表1。

表1 实验结果对比表

Table 1 Comparison table of experimental results

Infrared background	Samples to be tested	Identify samples	Recognition rate/%
Mountain	200	187	93.5
Forest	240	225	93.75
Hill	300	277	92.3

表1代表了所提算法针对3种不同场景下红外图像弱小飞机目标的识别性能。山地背景测试样本为200个,识别出187个,识别率达到93.5%;森林背景测试样本为240个,识别出225个,识别率为93.75%;山丘背景测试样本为300个,识别出277个,识别率为92.3%。实验结果表明,所提算法在3种背景下的识别率均超过92%,展现了较强的适应性和稳定性。

3.2 复杂场景下不同算法对比测试

为进一步测试所提算法在复杂背景下的性能,分别选取图8所示的天空背景、天空-云层以及地面-山丘3种背景作为样本,验证所提算法在不同复杂场景下的适应能力。其测试结果如图9~图11所示。

显示原图|下载原图ZIP|生成PPT

图8 原始图像

Fig.8 Original image

显示原图|下载原图ZIP|生成PPT

图9 TLLCM算法结果

Fig.9 The result of TLLCM

显示原图|下载原图ZIP|生成PPT

图10 WSLCM算法结果

Fig.10 The result of WSLCM

显示原图|下载原图ZIP|生成PPT

图11 所提算法结果

Fig.11 The result of proposed algorithm

图9~图11中,红色方框为图像中真实小目标,白色圈注部分为伪目标。在天空-云层背景下的小目标图像中,TLLCM和WSLCM两种算法都能够很好地完成对小目标的检测工作。但在面对复杂的天空背景和地面-山丘背景的小目标图片时,由于背景中灰度变化较大,TLLCM和WSLCM又是依赖梯度变化特性进行检测的算法,多个伪目标连同真实目标一起被检测,无法对疑似目标有效过滤。文中所提算法能够有效抑制3种不同的复杂背景,精准保留真实目标,去除疑似目标,表现出了较好的适应能力。

以信杂比R_SC、信杂比增益G_SCR、背景抑制因子F_BS为红外小目标评判标准的评价指标,其公式分别为:

(9)

R_SC= $m t - m b σ b$

(10)

G_SCR= $R S C, o u t R S C, i n$

(11)

F_BS= $σ i n σ o u t$

式中:m_t表示目标的平均像素大小;m_b表示目标周围像素平均值大小;σ_b表示目标周围像素值标准差;R_SC,out表示输出图像的信杂比;R_SC,in表示输入图像的信杂比;σ_in和σ_out表示输入图像和输出图像的标准差。同时将单帧预处理时间也作为评价指标的一个重要标准,作为评价算法实时性的重要指标。不同算法的评价指标如表2所示。

表2 3种背景下不同算法对比

Table 2 Index values of different algorithms under 3 backgrounds

Background index		TLLCM	WSLCM	Proposed
Sky	F_BS	1.70	4.81	6.36
	R_SC	0.09	0.10	31.21
	R_SCG	0.20	0.22	69.86
	Time/s	0.34	1.12	0.20
Sky- cloud	F_BS	3.42	4.09	5.41
	R_SC	0.62	25.12	29.32
	R_SCG	0.89	38.51	42.48
	Time/s	0.25	1.1	0.18
Ground- hill	F_BS	2.87	1.87	3.84
	R_SC	1.85	11.94	21.35
	R_SCG	1.61	10.43	18.65
	Time/s	0.26	1.15	0.31

由表2可知,在天空-云层背景中所提算法BSF指标较TLLCM与WSLCM增加了58%和32%,SCR与SCGR较WSLCM算法分别增加了16%和9%。在计算效能方面,所提算法均优于另外两种算法的运行时间,在地面-山丘背景中,TLLCM算法运行时间相比较所提算法减少20%,但无法实现对伪目标去除。综上所述,文中所提算法在背景有效抑制与实时性性能之间取得了较好的平衡。

下面以3种算法针对不同场景的ROC曲线(receiver operating characteristic curve)图来直观表示算法的检测能力。

ROC曲线的水平轴和垂直轴分别表示检测率R_T和虚警率R_F,计算式为:

(12)

R T = n T, C n T R F = n F, C n T, P - n T

式中:n_T,C为检测到的目标数;n_T为全部真实目标数;n_F,C为检测到的虚假目标数;n_T,P为实际像素点总数;n_T为实际真实目标数。

由式(11)、式(12)可以看出,虚警率与检测率相互关联,利用ROC曲线包括的区域,可以直观对检测方法进行性能评价。3种复杂场景下的ROC曲线图如图12所示。

显示原图|下载原图ZIP|生成PPT

图12 ROC曲线图

Fig.12 Curves of ROC

由图12可知,针对天空-云层的复杂背景,3种算法都表现出了较好的检测性能,而文中所提算法包括的面积最大;在天空-云层与地面-山丘复杂背景,所提算法与其他算法相比,仍是最优检测效果。

3.3 嵌入式系统测试

为验证所提算法在嵌入式平台的有效性,使用红外相机对真实场景进行取景,图像背景包括树木、地面、天空、坦克等参照物作为复杂背景。将8×8小目标叠加进图像中,作为待测图像,使用如图13所示的红外小目标检测系统对其进行测试。选取测试样本共200张。

显示原图|下载原图ZIP|生成PPT

图13 嵌入式系统实验测试

Fig.13 Experimental testing of embedded systems

由图13可见,子图(a)为待测试图像,叠加小目标通过放大处理在下方显示,通过HDMI显示画面,可以观察子图(b)图像中背景噪音已被有效抑制,有效识别了待测目标。经测试,所提算法在嵌入式端有效识别目标图像186张,检测率为93%,实时视频帧率高于30 frame/s,可保证系统在动载平台的实时性。

4 结论

文中提出了一种基于梯度判断结合自适应模型匹配的红外小目标检测算法,通过梯度判断在图像中不同区域对小目标进行初步筛选,对于符合梯度判断结果的小目标区域联合自适应模型匹配进一步判断,利用梯度判断和高斯模型匹配所得结果引入权重参数作为置信度函数,量化小目标区域的可信程度,去除图像中疑似目标,提高检测精度。通过自适应阈值分割增加目标与背景的对比度。文中所提算法与TLLCM算法、WSLCM算法进行对比,F_BS指标提升了32%,R_SC与R_SCG指标分别增加了14%和9%。室外复杂场景下嵌入式平台测试中,针对小目标的测试样本,在嵌入式平台中检测率为93%,实时视频帧率>30 frame/s,保证了所提算法在不同场景下的准确性和实时性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	刘征, 杨德振, 李江勇, 等. 红外单帧弱小目标检测算法研究综述[J]. 激光与红外, 2022, 52(2): 154-162. LIU Z, YANG D Z, LI J Y, et al. A review of infrared single-frame dim small target detection algorithms[J]. Laser & Infrared, 2022, 52(2): 154-162.

[2]	王磊, 郭宏林, 潘明然, 等. 一种改进WSLCM的红外小目标检测方法研究[J]. 弹箭与制导学报, 2023, 43(6): 1-7. DOI WANG L, GUO H L, PAN M R, et al. Research on an improved WSLCM infrared small target detection method[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2023, 43(6): 1-7.

[3]	韩金辉, 魏艳涛, 彭真明, 等. 红外弱小目标检测方法综述[J]. 红外与激光工程, 2022, 51(4): 438-461. HAN J H, WEI Y T, PENG Z M, et al. Infrared dim and small target detection: a review[J]. Infrared and Laser Engineering, 2022, 51(4): 438-461.

[4]	王博洋. 基于多方向环形梯度法的红外小目标检测技术研究[D]. 西安: 西安电子科技大学, 2019. WANG B Y. Research on infrared small target detection based on multi-directionalring gradient[D]. Xi'an: Xidian University, 2019.

[5]	孙熊伟. 复杂背景下海面红外小目标快速检测技术研究[D]. 合肥: 中国科学技术大学, 2019. SUN W X. Research on the rapid detection of infrared small target under complex marine background[D]. Hefei: University of Science and Technology of China, 2019.

[6]	YAN P, YAO S, ZHU Q, et al. Real-time detection and tracking of infrared small targets based on grid fast density peaks searching and improved KCF[J]. Infrared Physics & Technology, 2022, 123: 104181.

[7]	江俊, 许森, 叶芳芳. 基于红外热成像的生命探测飞行器设计与实现[J]. 现代信息科技, 2020, 4(20): 26-30. JING J, XU S, YE F F. Design and implementation of life detection vehicle based on infrared thermal imaging[J]. Modern Information Technology, 2020, 4(20): 26-30.

[8]	丁晟, 董天天, 郑雪芳. 基于FPGA的自动驾驶HIL视频注入系统设计[J]. 电子器件, 2023, 46(4): 1075-1082. DING S, DONG T T, ZHEN X F, et al. Design of video injection system for autopilot HIL simulation based on FPGA[J]. Chinese Journal of Electron Devices, 2023, 46(4): 1075-1082.

[9]	MARVASTI F S, MOSAVI M R, NASIRI M. Flying small target detection in IR images based on adaptive toggle operator[J]. IET Computer Vision, 2018, 12(4): 527-534.

[10]

杨校李, 高林, 赵晓雨, 等. 基于改进YOLOv7-tiny算法的输电线路螺栓缺销检测[J]. 湖北民族大学学报(自然科学版), 2023, 41(3): 314-321.

YANG

X L

, GAO

, ZHAO

X Y

, et al. Detecting bolts with missing pins of transmission lines based on improved YOLOv7-tiny algorithm[J]. Journal of Hubei Minzu University(Natural Science Edition), 2023, 41(3): 314-321.

[11]	ZHANG L D, PENG Z M. Infrared small target detection based on partial sum of the tensor nuclear norm[J]. Remote Sensing, 2019.

[12]	CHEN C L P, LI H, WEI Y, et al. A local contrast method for small infrared target detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 52(1): 574-581.

[13]	WEI Y, YOU X, LI H. Multiscale patch-based contrast measure for small infrared target detection[J]. Pattern Recognition, 2016, 58: 216-226.

[14]	HE K, JIAN S, TANG X. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 35(6): 1397-1409.

[15]	SERRA J. Image analysis and mathematical morphology[M]. New York: Academic Press, 1982.

[16]	马科, 彭真明, 何艳敏, 等. 改进的非下采样Contourlet变换红外弱小目标检测方法[J]. 强激光与粒子束, 2013, 25(11): 2811-2815. MA K, PENG Z M, HE Y M, et al. An improved method for dim infrared target detection with nonsubsampled Contourlet transform[J]. High Power Laser and Particle Beams, 2013, 25 (11): 2811-2815.

[17]	冯洋. 基于小波包变换的红外弱小目标检测[J]. 计算机与现代化, 2020, (12): 112-115. FENG Y. Infrared dim small target detection based on wavelet packet transform[J]. Computer and Modernization, 2020, (12): 112-115.

[18]	李俊宏, 张萍, 王晓玮, 等. 红外弱小目标检测算法综述[J]. 中国图象图形学报, 2020, 25(9): 1739-1753. LI J H, ZHANG P, WANG X W, et al. Infrared small-target detection algorithms: a survey[J]. Journal of Image and Graphics, 2020, 25(9): 1739-1753.

[19]	HAN J, MORADI S, FARAMARZI I, et al. Infrared small target detection based on the weighted strengthened local contrast measure[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 18(9): 1670-1674.

[20]	HAN J, MORADI S, FARAMARZI I, et al. A local contrast method for infrared small-target detection utilizing a trilayer window[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 17(10): 1822-1826.

[21]	回丙伟, 宋志勇, 范红旗, 等. 地/空背景下红外图像弱小飞机目标检测跟踪数据集[J]. 中国科学数据, 2020, 5(3): 286-297. HUI B W, SONG Z Y, FAN H Q, et al. A dataset for infrared detection and tracking of dim-small aircraft targets under ground/air background[J]. China Scientific Data, 2020, 5(3): 286-297.

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract

0 引言

1 联合梯度判别与自适应匹配算法

图1 梯度判断结合自适应模型匹配检测流程图

1.1 梯度判别

1.2 自适应模型匹配

1.3 置信度计算与自适应阈值分割

图2 置信度计算流程图

2 嵌入式系统实现

图3 ZYNQ系统实现框架图

3 PC端与嵌入式系统的实验测试

图4 地面测试实验系统

3.1 红外数据集的实验测试

图5 山地背景检测结果

图6 森林背景检测结果

图7 山丘背景检测结果

表1 实验结果对比表

3.2 复杂场景下不同算法对比测试

图8 原始图像

图9 TLLCM算法结果

图10 WSLCM算法结果

图11 所提算法结果

表2 3种背景下不同算法对比

图12 ROC曲线图

3.3 嵌入式系统测试

图13 嵌入式系统实验测试

4 结论

参考文献