基于最小二乘支持向量机时域背景预测的红外弱小目标检测 small infrared target detection based on least squares support vector machine temporal background prediction.pdfVIP

下载本文档

2
0
约2.15万字
约 7页
2017-08-12 发布于上海
举报
版权申诉

基于最小二乘支持向量机时域背景预测的红外弱小目标检测 small infrared target detection based on least squares support vector machine temporal background prediction.pdf

1、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于最小二乘支持向量机时域背景预测的红外弱小目标检测 small infrared target detection based on least squares support vector machine temporal background prediction

第3l卷第6期兵工学报 V01．31No．6 201 ARMAMENTARII 0年6月 ACTA Jun． 2010 基于最小二乘支持向量机时域背景预测的红外弱小目标检测吴一全，罗子娟 (南京航空航天大学信息科学与技术学院，江苏南京210016) 摘要：针对信噪比较低时，如何有效地抑制自然背景对目标检测的影响，提出了一种基于最小二乘支持向量机(LS—SVM)时域背景预测的红外弱小目标检测方法。首先针对前几帧图像中对应同一位置像素点的灰度值序列，利用参数经粒子群优化的最小二乘支持向量机进行函数拟合，并据此预测下一帧图像在该位置处像素点的灰度值；然后将原始图像与预测图像相减得到预测残差图续性和轨迹的一致性进一步分离噪声和小目标。文中给出了实验结果及分析，并与现有的检测红外小目标的空域和时域背景预测算法进行了比较。结果表明所提出的算法具有更高的检测概率，明显优于已有的基于背景预测的红外小目标检测算法。关键词：信息处理技术；红外小目标检测；背景预测；最小二乘支持向量机；粒子群优化；二维Tsallis．Havrda-Charvat熵中图分类号：TN911．73；TP391．4文献标志码：A SmallInfraredDetectionBasedonLeast Target SquaresSupport VectorMachine Prediction TemporalBackground WU Yi—quan．LUOZi-juan ofInformationScienceand ofAeronauticsand (School Technology，NanjingUniversity Astronautics，Nanjing210016，Jiangsu，China) at theinfluenceofnatural onthe detection in Abstract：Aimingsuppressing backgroundtarget effectively lower methodofsmall detectionininfrared was signal-to-noiseratio，a target imagesequenceproposed basedontheleast vector background squaressupportmachine(LS—SVM)temporalpredication．Firstly。 the value atthesame locationsinthe frameswerefitted theLS— gray sequences pixel previous byusing SVM the swarln．Thevalueatthesame locationinthenextframecould optimizedby particle gray pixel be thefitted estimatedsubtractedfr