紅外弱小目標(biāo)檢測的核支持向量機方法研究.pdf

1、隨著科技的進(jìn)步，人工智能逐漸應(yīng)用于各種場合，特別是在圖像處理方向，人工智能更是取得了巨大的進(jìn)步。紅外圖像是通過熱感應(yīng)攝像機拍攝到的一系列灰度值圖像，目標(biāo)的熱度越高，其在圖像中顯示的灰度值也就越大。通常，飛機、導(dǎo)彈等熱量極高的物體通常在紅外圖像中顯示為一個亮點，而云背景雜波的灰度值相對較低，因此可以清晰的看出飛機和導(dǎo)彈的運動跡象。但是，在目標(biāo)距離攝像機較遠(yuǎn)時，或目標(biāo)與云背景有重疊時，其灰度值并不比云背景高出太多，且目標(biāo)的形狀較小，通過人眼

2、很難注意到。而且，人工觀察紅外圖像的小目標(biāo)需要消耗極大的人力，也無法做到24小時實時監(jiān)控，準(zhǔn)確性與實時性都不能夠令人滿意。因此，紅外圖像中弱小目標(biāo)的自動檢測技術(shù)應(yīng)時而生，越來越多的方法被用來檢測小目標(biāo)。
　　目前圖像識別領(lǐng)域最好的算法通常是深度學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks CNN）、長短時記憶網(wǎng)絡(luò)(Long Short Term Memory Network，LSTM)等。但

3、深度學(xué)習(xí)算法通常無法用于識別紅外圖像的小目標(biāo)，因為小目標(biāo)在整幅圖像中所占面積極小，對整幅圖像的影響也不大。而深度學(xué)習(xí)算法通常是將整幅圖像作為訓(xùn)練數(shù)據(jù)輸入，因此直接采用深度學(xué)習(xí)算法很難準(zhǔn)確地識別出小目標(biāo)，而且深度學(xué)習(xí)還需要消耗大量的時間，不能夠滿足小目標(biāo)識別的實時性要求。傳統(tǒng)的小目標(biāo)識別算法通常是基于提升小目標(biāo)區(qū)域的對比度，之后通過一些圖像分割算法，如閡值分割等，對小目標(biāo)區(qū)域進(jìn)行提取。采用這種方法可以應(yīng)用于大多數(shù)情況，但當(dāng)小目標(biāo)的灰度值低

4、于云雜波的灰度值時，傳統(tǒng)的方法通常很難正常識別。
　　為解決以上的問題，本文提出了一種將傳統(tǒng)圖像對比提升算法和機器學(xué)習(xí)算法相結(jié)合的小目標(biāo)識別方案，同時包含了兩類算法的優(yōu)勢，在保證小目標(biāo)識別準(zhǔn)確率的同時，極大地降低了小目標(biāo)識別的虛警率，即很少會錯誤檢測，把背景識別出小目標(biāo)。本文算法分為三步:首先，采用LoG卷積函數(shù)對原始包含小目標(biāo)的紅外圖像進(jìn)行卷積，提升小目標(biāo)區(qū)域的對比度;其次，采用閾值分割算法，設(shè)定一個較低的閾值，提取出所有可能是