紅外目標(biāo)探測

目    錄
第1章  緒論 1
1．1  紅外搜索與跟蹤系統(tǒng)的優(yōu)點(diǎn) 1
1．2  紅外搜索與跟蹤系統(tǒng)的功能特點(diǎn) 2
1．3  紅外搜索與跟蹤的發(fā)展現(xiàn)狀 5
1．4  本書的安排 8
參考文獻(xiàn) 8
第2章  紅外熱成像特性分析 13
2．1  紅外熱成像技術(shù)發(fā)展概況 13
2．2  紅外探測器的主要熱探測機(jī)理 15
2．2．1  熱電探測器和鐵電測輻射熱計(jì) 15
2．2．2  熱電偶探測器 17
2．2．3  電阻微測輻射熱計(jì) 18
參考文獻(xiàn) 19
第3章  紅外圖像動(dòng)態(tài)噪聲抑制技術(shù) 22
3．1  紅外圖像動(dòng)態(tài)噪聲特性 22
3．2  具有細(xì)節(jié)保護(hù)功能的改進(jìn)型中值濾波器 24
3．2．1  基于隸屬度的中心權(quán)值調(diào)整 24
3．2．2  算法的實(shí)驗(yàn)結(jié)果 26
3．3  新型圖像噪聲抑制各向異性擴(kuò)散算法 28
3．3．1  基于方向信息測度的非線性擴(kuò)散 28
3．3．2  新的非線性擴(kuò)散方程 29
3．3．3  算法的仿真結(jié)果 30
3．4  基于運(yùn)動(dòng)補(bǔ)償?shù)募t外圖像噪聲時(shí)域IIR濾波算法 32
3．4．1  時(shí)域IIR濾波器 33
3．4．2  基于噪聲分布模型的運(yùn)動(dòng)檢測 33
3．4．3  基于概率松弛法的運(yùn)動(dòng)區(qū)域標(biāo)號(hào) 35
3．4．4  運(yùn)動(dòng)補(bǔ)償 35
3．4．5  算法處理結(jié)果 36
參考文獻(xiàn) 37
第4章  紅外非均勻噪聲抑制技術(shù) 38
4．1  空域低通時(shí)域高通非均勻性校正算法 39
4．2  高頻恒定統(tǒng)計(jì)算法 45
4．3  基于最優(yōu)化技術(shù)的條紋非均勻性校正算法 49
參考文獻(xiàn) 56
第5章  紅外小目標(biāo)特性分析 57
5．1  背景雜波特性分析 57
5．2  目標(biāo)特性分析 59
5．2．1  目標(biāo)的紅外輻射特性 59
5．2．2  目標(biāo)幾何特性分析 63
5．2．3  目標(biāo)成像過程模型 64
5．2．4  運(yùn)動(dòng)特性分析 67
5．2．5  目標(biāo)的圖像統(tǒng)計(jì)特征分析 68
5．3  小目標(biāo)探測作用距離分析 69
5．4  小目標(biāo)探測作用距離的作戰(zhàn)效能分析 72
5．5  目標(biāo)與背景的局部相關(guān)性及其度量 73
參考文獻(xiàn) 74
第6章  紅外小目標(biāo)自動(dòng)檢測與跟蹤的核心框架 76
6．1  紅外小目標(biāo)自動(dòng)檢測與跟蹤技術(shù)發(fā)展現(xiàn)狀 76
6．1．1  先探測后跟蹤（DBT）技術(shù) 76
6．1．2  先跟蹤后探測（TBD）技術(shù) 78
6．2  本書的小目標(biāo)自動(dòng)檢測與跟蹤框架 80
參考文獻(xiàn) 81
第7章  紅外小目標(biāo)自動(dòng)檢測與跟蹤中的背景抑制 84
7．1  背景抑制技術(shù)的發(fā)展現(xiàn)狀 84
7．2  傳統(tǒng)的背景抑制算法 86
7．2．1  傳統(tǒng)的空域背景抑制算法 86
7．2．2  頻域高通濾波方法 91
7．3  基于背景分類的背景抑制算法 93
7．3．1  基于復(fù)雜度分類的背景抑制算法 94
7．3．2  基于光流直方圖運(yùn)動(dòng)補(bǔ)償算法 99
7．3．3  基于光流估計(jì)的背景抑制算法 104
7．3．4  基于二維速度矢量直方圖的背景抑制算法 109
7．4  復(fù)濾波器組背景自適應(yīng)抑制算法 113
參考文獻(xiàn) 123
第8章  紅外小目標(biāo)自動(dòng)檢測與跟蹤中的數(shù)據(jù)關(guān)聯(lián) 127
8．1  小目標(biāo)自動(dòng)檢測與跟蹤的貝葉斯框架 127
8．2  小目標(biāo)自動(dòng)檢測與跟蹤的點(diǎn)跡形成 129
8．2．1  恒虛警率檢測 129
8．2．2  點(diǎn)跡的特征變量 133
8．2．3  點(diǎn)跡的建模 137
8．2．4  多特征觀測概率的建模 140
8．3  航跡的多特征似然概率 145
8．4  組合濾波技術(shù) 146
參考文獻(xiàn) 150
第9章  紅外小目標(biāo)自動(dòng)檢測與跟蹤具體算法 151
9．1  小目標(biāo)自動(dòng)檢測與跟蹤波門選擇法則 151
9．2  最大觀測概率算法 152
9．3  多特征PDA算法 157
9．4  組合濾波最大觀測概率算法 163
9．5  粒子多假設(shè)算法 167
9．6  轉(zhuǎn)移受限粒子濾波算法 172
9．6．1  粒子濾波器 172
9．6．2  Mean-shift跟蹤算法 173
9．6．3  Mean-shift粒子濾波算法 175
9．6．4  我們的算法 176
9．7  MC_MHT算法 181
參考文獻(xiàn) 183
第10章  紅外線目標(biāo)特性分析 184
10．1  線目標(biāo)產(chǎn)生機(jī)理分析 184
10．2  線目標(biāo)作用距離分析 187
10．2．1  面陣旋轉(zhuǎn)作用距離方程 187
10．2．2  有效作用距離方程 190
10．2．3  面陣與線陣的性能比較 191
10．3  紅外線目標(biāo)的模擬生成 192
10．3．1  紅外場景的模擬生成 193
10．3．2  線目標(biāo)的模擬生成 193
10．3．3  包含線目標(biāo)的紅外場景仿真 193
參考文獻(xiàn) 195
第11章  線目標(biāo)自動(dòng)檢測中的背景抑制技術(shù) 196
11．1  傳統(tǒng)背景抑制算法用于線目標(biāo)自動(dòng)檢測 196
11．1．1  紅外圖像噪聲抑制 196
11．1．2  基于面陣探測器掃描搜索系統(tǒng)背景抑制處理思路 198
11．1．3  基于模板匹配濾波算法 198
11．1．4  基于形態(tài)學(xué)的濾波算法 199
11．1．5  基于中值濾波方法 201
11．2  面陣探測器掃描搜索系統(tǒng)背景抑制的新方法 201
11．2．1  最小行間差濾波算法 202
11．2．2  基于區(qū)域統(tǒng)計(jì)排序的濾波算法 205
11．2．3  基于小波變換的濾波算法 208
11．2．4  基于幀間匹配的濾波算法 211
11．3  實(shí)驗(yàn)比較分析 214
參考文獻(xiàn) 221
第12章  紅外線目標(biāo)自動(dòng)檢測與跟蹤算法 223
12．1  基于多算法融合的目標(biāo)自動(dòng)檢測流程 223
12．1．1  基于目標(biāo)頭、尾特征檢測 224
12．1．2  單幀目標(biāo)自動(dòng)檢測實(shí)現(xiàn)過程 226
12．1．3  幀間比較檢測實(shí)現(xiàn)過程 228
12．1．4  融合判決 229
12．2  基于概率分布函數(shù)匹配的線目標(biāo)探測技術(shù) 233
12．2．1  小目標(biāo)子區(qū)域的灰度概率分布 233
12．2．2  基于概率分布函數(shù)匹配的小目標(biāo)探測 235
12．3  基于目標(biāo)特征的多目標(biāo)跟蹤檢測技術(shù) 236
12．3．1  多目標(biāo)跟蹤完整過程 236
12．3．2  基于目標(biāo)特征的數(shù)據(jù)關(guān)聯(lián)技術(shù) 237
12．3．3  數(shù)據(jù)關(guān)聯(lián)與跟蹤具體算法 239
12．4  實(shí)驗(yàn)結(jié)果與分析 239
12．4．1  算法融合目標(biāo)自動(dòng)檢測仿真結(jié)果與分析 239
12．4．2  目標(biāo)跟蹤仿真結(jié)果與分析 244
12．4．3  算法性能分析 245
參考文獻(xiàn) 246
第13章  地面紅外面目標(biāo)特性分析 247
13．1  地面紅外目標(biāo)探測的難點(diǎn) 247
13．2  地面紅外目標(biāo)跟蹤技術(shù)的研究現(xiàn)狀 249
13．2．1  地面紅外場景圖像預(yù)處理技術(shù)的研究現(xiàn)狀分析 249
13．2．2  地面紅外目標(biāo)搜索技術(shù)的研究現(xiàn)狀分析 251
13．2．3  成像目標(biāo)跟蹤技術(shù)的研究現(xiàn)狀分析 253
13．3  基于光流的運(yùn)動(dòng)區(qū)域增強(qiáng) 255
13．3．1  光流的基本原理 255
13．3．2  TV-L1光流 257
13．3．3  快速TV-L1光流 262
13．3．4  輸入圖像的預(yù)配準(zhǔn) 264
13．3．5  光流的計(jì)算框架 266
13．3．6  基于HSV色彩空間的光流信息融合 268
13．4  紅外序列圖像光流估計(jì)的并行優(yōu)化 269
13．4．1  GPU的簡要介紹 269
13．4．2  CPU-GPU異構(gòu)計(jì)算平臺(tái)模式 270
13．4．3  基于CUDA并行優(yōu)化的TV-L1光流 271
參考文獻(xiàn) 273
第14章  地面紅外面目標(biāo)搜索 279
14．1  紅外運(yùn)動(dòng)目標(biāo)的幀內(nèi)檢測 279
14．1．1  基于連通域標(biāo)記法的運(yùn)動(dòng)區(qū)域分割 279
14．1．2  特征空間的核密度估計(jì) 281
14．1．3  Mean Shift算法 285
14．1．4  結(jié)合連通域標(biāo)記的Mean Shift聚類 288
14．1．5  實(shí)驗(yàn)與結(jié)果 289
14．2  紅外地面目標(biāo)的數(shù)據(jù)關(guān)聯(lián) 291
14．2．1  紅外地面目標(biāo)的特征 291
14．2．2  貝葉斯框架下的數(shù)據(jù)關(guān)聯(lián)技術(shù) 293
14．2．3  地面目標(biāo)多特征融合的Kalman濾波 295
14．2．4  航跡管理 298
14．2．5  實(shí)驗(yàn)與結(jié)果 300
參考文獻(xiàn) 303
第15章  地面紅外面目標(biāo)跟蹤 305
15．1  粒子濾波框架下的目標(biāo)跟蹤 305
15．1．1  重要性采樣 305
15．1．2  序列重要性采樣 306
15．1．3  粒子濾波的整體流程 309
15．2  粒子觀測概率的估計(jì) 309
15．2．1  主成分分析的基本原理 310
15．2．2  序列KL變換 310
15．2．3  主成分分析的概率模型 313
15．2．4  目標(biāo)的遮擋判定 315
15．3  系統(tǒng)狀態(tài)轉(zhuǎn)移概率的估計(jì) 317
15．4  基于特征子空間的多角點(diǎn)跟蹤算法 320
15．4．1  基于特征子空間的角點(diǎn)描述 321
15．4．2  角點(diǎn)的跟蹤 321
15．4．3  實(shí)驗(yàn)與結(jié)果 325
15．5  粒子濾波框架下的紅外地面目標(biāo)跟蹤算法的總體流程 327
參考文獻(xiàn) 328
第16章  紅外目標(biāo)探測硬件系統(tǒng) 330
16．1  硬件處理模塊總體框架 331
16．1．1  硬件組成與信號(hào)處理流程 331
16．1．2  硬件處理電路 331
16．2  圖像處理器群接口總線技術(shù) 333
16．3  多處理器多線程技術(shù) 339
16．4  信號(hào)處理關(guān)鍵模塊 340
16．4．1  噪聲抑制算法硬件流程 340
16．4．2  目標(biāo)頭、尾特征檢測硬件流程 341
16．4．3  幀間比較檢測硬件流程 343
16．4．4  單幀檢測硬件流程 345
16．4．5  跟蹤模塊硬件流程 348
參考文獻(xiàn) 349