吉林大学学报(工学版) ›› 2010, Vol. 40 ›› Issue (06): 1683-1687.

• 论文 • 上一篇    下一篇

基于选择性视觉注意机制和曲线发现法的弱小目标检测

孙瑾秋1,张艳宁2,周军1,姜磊2   

  1. 1.西北工业大学 精确制导与控制研究所,西安 710072;2.西北工业大学 计算机学院,西安 710129
  • 收稿日期:2008-12-18 出版日期:2010-11-01 发布日期:2010-11-01
  • 通讯作者: 孙瑾秋(1980-),女,讲师,博士.研究方向:弱小目标检测.E-mail:sunjinqiu@nwpu.edu.cn E-mail:sunjinqiu@nwpu.edu.cn
  • 作者简介:孙瑾秋(1980-),女,讲师,博士.研究方向:弱小目标检测.E-mail:sunjinqiu@nwpu.edu.cn
  • 基金资助:

    国家自然科学基金项目(60872145);高等学校科技创新工程重大项目(708085)

Small and dim target detection based on selective visual attention mechanism and curve detection method

SUN Jin-qiu1,ZHANG Yan-ning2,ZHOU Jun1,JIANG |Lei2   

  1. 1.Institute of Precision Guidance and Control,Northwestern Polytechnical University|Xi’an 710072,China;2.College of Computer,Northwestern Polytechnical University,Xi’an 710129,China
  • Received:2008-12-18 Online:2010-11-01 Published:2010-11-01

摘要:

将选择性视觉注意机制和基于连接点问题模型的曲线发现法引入到深空背景弱小目标检测中。在注意机制中,充分利用目标灰度和运动连续显著性,得到注意焦点整合图;通过基于连接点问题模型的曲线发现法进行目标轨迹检测,最终完成目标检测。实验结果表明此方法有效地降低了信息处理量,具有较强的抗噪性,可用于低信噪比环境中的弱小目标检测。

关键词: 信息处理技术, 弱小目标检测, 选择性视觉注意机制, 特征整合理论, 连接点问题, 注意焦点

Abstract:

The selective visual attention mechanism and a curve detection method based on a model of comect the dots problem were introduced in the small and dim target detection in the deep space background. In the visual attention mechanism, the target grayscale and movement continual significance were fully taken into account to get the focus of attention integration map. The target trajectory was detected by a curve detection method based on the connect the dots problem model. The experiments proved that the suggested algorithm reduced significantly the processed information, demonstrated a strong antinoise performance, was suitable to detect the small and dim target in the low signaltonoise environment.

Key words: information processing technology, small and dim target detection, selective visual attention mechanism, feature integration theory, connect the dots problem(CTD), focus of attention(FOA)

中图分类号: 

  • TP391.2
[1] 苏寒松,代志涛,刘高华,张倩芳. 结合吸收Markov链和流行排序的显著性区域检测[J]. 吉林大学学报(工学版), 2018, 48(6): 1887-1894.
[2] 徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[3] 黄勇,杨德运,乔赛,慕振国. 高分辨合成孔径雷达图像的耦合传统恒虚警目标检测[J]. 吉林大学学报(工学版), 2018, 48(6): 1904-1909.
[4] 李居朋,张祖成,李墨羽,缪德芳. 基于Kalman滤波的电容屏触控轨迹平滑算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1910-1916.
[5] 应欢,刘松华,唐博文,韩丽芳,周亮. 基于自适应释放策略的低开销确定性重放方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1917-1924.
[6] 陆智俊,钟超,吴敬玉. 星载合成孔径雷达图像小特征的准确分割方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1925-1930.
[7] 刘仲民,王阳,李战明,胡文瑾. 基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1931-1937.
[8] 单泽彪,刘小松,史红伟,王春阳,石要武. 动态压缩感知波达方向跟踪算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1938-1944.
[9] 姚海洋, 王海燕, 张之琛, 申晓红. 双Duffing振子逆向联合信号检测模型[J]. 吉林大学学报(工学版), 2018, 48(4): 1282-1290.
[10] 全薇, 郝晓明, 孙雅东, 柏葆华, 王禹亭. 基于实际眼结构的个性化投影式头盔物镜研制[J]. 吉林大学学报(工学版), 2018, 48(4): 1291-1297.
[11] 陈绵书, 苏越, 桑爱军, 李培鹏. 基于空间矢量模型的图像分类方法[J]. 吉林大学学报(工学版), 2018, 48(3): 943-951.
[12] 陈涛, 崔岳寒, 郭立民. 适用于单快拍的多重信号分类改进算法[J]. 吉林大学学报(工学版), 2018, 48(3): 952-956.
[13] 孟广伟, 李荣佳, 王欣, 周立明, 顾帅. 压电双材料界面裂纹的强度因子分析[J]. 吉林大学学报(工学版), 2018, 48(2): 500-506.
[14] 林金花, 王延杰, 孙宏海. 改进的自适应特征细分方法及其对Catmull-Clark曲面的实时绘制[J]. 吉林大学学报(工学版), 2018, 48(2): 625-632.
[15] 王柯, 刘富, 康冰, 霍彤彤, 周求湛. 基于沙蝎定位猎物的仿生震源定位方法[J]. 吉林大学学报(工学版), 2018, 48(2): 633-639.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!