红外序列图像中弱小目标检测方法研究

论文摘要

在高新技术兵器迅速发展的当今世界,红外探测系统由于其隐蔽性好、抗干扰能力强、跟踪精度高等优点,使其成为各国重点研究和发展的项目之一,被广泛应用于多种武器装备中。近些年,随着军事领域要求的不断提高,使得对远距离、低信噪比情况下运动目标的检测技术成为研究热点。本文对红外弱小目标检测问题进行了深入研究,研究内容主要包括基于小波分析的跟踪前检测算法和基于粒子滤波的检测前跟踪算法。首先,根据包含红外弱小目标的空域数学模型,利用弱小目标表现出来的灰度奇异性特征,选取一种适合检测弱小目标的小波基函数,提出一种基于小波分析的多尺度融合的检测方法。再根据序列图像中目标运动的连续性和轨迹的一致性、虚假目标或噪声运动的随机性,采用管道滤波完成弱小目标的确认。仿真结果表明该算法能有效地检测信噪比高于的2.5红外运动弱小目标,而且该方法所需内存和计算量较小。在分析红外弱小目标时域模型特点的基础上,提出一种基于时间轴的一维两级小波变换的弱小目标检测算法。将原图像序列中的连续四帧分解为具有不同特性、包含不同频率成分的子带图像,然后对高频子带图像进行分析处理,从而检测出目标。再结合形态学空域滤波,实现了时空域融合的检测算法,该算法全面考虑了运动小目标在时域与空域两方面的特性,克服单从某一方面进行目标检测的局限性。对两种检测算法进行了大量的仿真实验,实验结果表明:当信噪比低于2.5时,跟踪前检测算法的检测概率不高并且虚警概率较高。因此,当红外目标弱到难以提供比较有效的检测时,可以在检测之前采用一些跟踪思想,估计目标在空间平面上的位置;然后用一些检测算法对估计的轨迹进行检测判决,以实现小目标沿轨迹累积的效果,提高了检测性能,这正是检测前跟踪算法的本质。基于粒子滤波的检测前跟踪算法是近几年研究的热点。针对粒子滤波算法中的粒子退化问题,对几种重采样方法以及对重要性密度函数的选取进行深入研究。在非线性非高斯情况下,粒子滤波(PF)算法的跟踪性能好于扩展卡尔曼滤波(EKF)算法。在强非线性非高斯系统、高精度测量的场合,EKF、PF算法的跟踪效果都不好,通过对PF算法和无迹粒子滤波器(UPF)算法以及无迹卡尔曼滤波(UKF)算法进行仿真比较,结果表明UPF算法的跟踪精度明显高于PF算法、UKF算法。但UPF算法也存在一定的问题,UPF算法的耗时较PF算法和UKF算法都要长。因此,提出一种UPF的改进算法。UPF改进算法的跟踪精度与UPF算法的相当,但所需运算时间仅为后者的35%左右。针对低信噪比下运动目标的检测,提出基于粒子滤波的检测前跟踪算法(TBD)的具体实现步骤,并在原算法的基础上提出改进。在预测阶段抽取粒子时加入了阈值,不但提高了算法的正确性而且减少了计算量。通过仿真比较了两种算法在不同信噪比下的跟踪性能与检测性能,以及受粒子数影响的程度,给出了结论。将基于粒子滤波的检测前跟踪算法应用于红外弱小目标的检测,根据红外图像的特点,提出一种在整个视场进行检测前跟踪算法的方案。对不同信噪比的图像序列进行仿真实验,其检测和跟踪性能明显优于跟踪前检测算法,但耗时较长。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景、意义及来源
• 1.2 红外弱小目标检测技术的有关概念和基本理论
• 1.2.1 红外弱小目标定义
• 1.2.2 红外弱小目标检测的基本理论
• 1.2.3 红外弱小目标检测的难点
• 1.3 红外弱小目标检测算法的研究现状与发展
• 1.3.1 跟踪前检测算法
• 1.3.2 检测前跟踪算法
• 1.4 论文内容安排和主要研究成果
• 第2章 基于空域模型红外弱小目标的检测方法
• 2.1 引言
• 2.2 红外图像的空域模型和特性分析
• 2.2.1 红外小目标场景图像的空域数学模型
• 2.2.2 目标和背景特性分析
• 2.3 基于小波分析的小目标检测方法理论
• 2.3.1 小波变换和 Mallat算法
• 2.3.2 信号奇异性检测理论
• 2.3.3 阈值分割技术
• 2.4 基于小波分析和管道滤波的多帧检测算法
• 2.4.1 算法实现步骤
• 2.4.2 仿真结果和分析
• 2.5 本章小结
• 第3章 基于时域模型红外弱小目标的检测方法
• 3.1 引言
• 3.2 红外小目标场景图像的时域数学模型
• 3.2.1 背景像素时域模型
• 3.2.2 目标像素时域模型
• 3.2.3 杂波像素时域模型
• 3.2.4 基于一维小波变换的红外弱小目标检测算法
• 3.3 基于灰度形态学背景抑制的红外弱小目标检测算法
• 3.3.1 灰度形态学基础
• 3.3.2 Top-Hat算子及性质
• 3.3.3 结构元素的选取方法
• 3.3.4 基于灰度形态学的红外弱小目标检测算法
• 3.4 红外弱小目标时空域融合的检测算法
• 3.4.1 算法实现步骤
• 3.4.2 仿真结果和分析
• 3.5 本章小结
• 第4章 贝叶斯滤波技术的研究
• 4.1 引言
• 4.2 递推贝叶斯滤波原理
• 4.2.1 非线性动态系统的描述
• 4.2.2 递推贝叶斯滤波原理
• 4.2.3 状态估计方法
• 4.2.4 蒙特卡罗积分
• 4.3 粒子滤波的基本算法
• 4.3.1 重要性采样
• 4.3.2 序列重要性采样算法
• 4.3.3 标准粒子滤波算法
• 4.4 粒子滤波的退化现象及消除方法
• 4.4.1 退化现象
• 4.4.2 重采样
• 4.4.3 重要性密度函数
• 4.5 粒子滤波和扩展卡尔曼滤波算法仿真比较
• 4.5.1 一维非线性、非高斯系统的仿真和结果分析
• 4.5.2 二维方位跟踪的仿真和结果分析
• 4.6 Unscented粒子滤波器
• 4.6.1 U变换
• 4.6.2 UKF算法
• 4.6.3 UPF算法
• 4.6.4 UPF改进算法
• 4.7 UPF算法的仿真和结果分析
• 4.8 UPF改进算法的仿真和结果分析
• 4.9 本章小结
• 第5章 基于粒子滤波的检测前跟踪算法
• 5.1 引言
• 5.2 基于粒子滤波的TBD问题描述
• 5.2.1 系统模型
• 5.2.2 观测模型
• 5.3 贝叶斯框架下TBD问题的解决思路
• 5.3.1 基于粒子滤波的TBD算法实现过程
• 5.3.2 基于粒子滤波的TBD算法仿真分析
• 5.3.3 算法性能分析
• 5.3.4 算法复杂度分析
• 5.4 基于粒子滤波的红外弱小目标检测前跟踪算法
• 5.4.1 算法方案
• 5.4.2 算法流程
• 5.4.3 仿真结果和分析
• 5.5 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历