紅外弱小目標(biāo)檢測(cè)的核支持向量機(jī)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(chǎng)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(jī)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(jī)、導(dǎo)彈等熱量極高的物體通常在紅外圖像中顯示為一個(gè)亮點(diǎn)，而云背景雜波的灰度值相對(duì)較低，因此可以清晰的看出飛機(jī)和導(dǎo)彈的運(yùn)動(dòng)跡象。但是，在目標(biāo)距離攝像機(jī)較遠(yuǎn)時(shí)，或目標(biāo)與云背景有重疊時(shí)，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(shí)實(shí)時(shí)監(jiān)控，準(zhǔn)確性與實(shí)時(shí)性都不能夠令人滿意。因此，紅外圖像中弱小目標(biāo)的自動(dòng)檢測(cè)技術(shù)應(yīng)時(shí)而生，越來越多的方法被用來檢測(cè)小目標(biāo)。
　　目前圖像識(shí)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(shí)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(shí)別紅外圖像的小目標(biāo)，因?yàn)樾∧繕?biāo)在整幅圖像中所占面積極小，對(duì)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(shí)別出小目標(biāo)，而且深度學(xué)習(xí)還需要消耗大量的時(shí)間，不能夠滿足小目標(biāo)識(shí)別的實(shí)時(shí)性要求。傳統(tǒng)的小目標(biāo)識(shí)別算法通常是基于提升小目標(biāo)區(qū)域的對(duì)比度，之后通過一些圖像分割算法，如閡值分割等，對(duì)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(shí)，傳統(tǒng)的方法通常很難正常識(shí)別。
　　為解決以上的問題，本文提出了一種將傳統(tǒng)圖像對(duì)比提升算法和機(jī)器學(xué)習(xí)算法相結(jié)合的小目標(biāo)識(shí)別方案，同時(shí)包含了兩類算法的優(yōu)勢(shì)，在保證小目標(biāo)識(shí)別準(zhǔn)確率的同時(shí)，極大地降低了小目標(biāo)識(shí)別的虛警率，即很少會(huì)錯(cuò)誤檢測(cè)，把背景識(shí)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(duì)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(duì)比度;其次，采用閾值分割算法，設(shè)定一個(gè)較低的閾值，提取出所有可能是