使用基于密度的人工蜜蜂群算法检测无人机的低高度红外小目标

科学领域:

• 计算机视觉和图像处理
• 人工智能和机器学习
• 航空航天工程和遥感技术

背景情况:

• 低空无人机在微弱的热信号条件下难以检测小目标,这限制了它们的作战效率.
• 现有的检测模型缺乏必要的准确性和稳定性,以适应动态环境和微妙的热信号.
• 对于监视和监控应用来说,需要先进的算法来增强红外小目标检测的需求至关重要.

研究的目的:

• 开发一个增强的小型目标检测模型,用于在低空运行,热信号较弱的无人机.
• 在具有挑战性的环境条件下提高检测准确性,稳定性和效率.
• 为安全,救援和监控任务中可靠的红外目标检测提供技术解决方案.

主要方法:

• 提出了一个增强的小目标检测模型,集成密度峰值聚类和人工蜂群优化 (DBABC算法).
• 实现了多级红外图像预处理:巴特沃思低通选,局部背景减法和指数级高通选.
• 集成的尺寸变化感知和环境干扰纠正机制,用于动态目标适应.

主要成果:

• 实现了高检测准确度:FLIR数据集上的91.66%,KAIST数据集上的90.38%,回忆率超过89.6%.
• 在远距离检测 (150-200米) 中,已经证明了显著的信号噪声比率增长 (>23.19dB).
• 保持低检测延迟 (28-36毫秒) 和高分辨率,优于先进型号,在恶劣天气和低热对比度下经过验证的稳定性.

结论:

• 拟议的DBABC模型显著提高了低空无人机在具有挑战性的红外场景中检测小目标的准确性和稳定性.
• 该方法为安全巡逻,灾难搜救和边境监控等关键应用提供了可靠的技术途径.
• 这项研究推进了密度驱动的智能优化在红外小目标检测中的应用,提供了有价值的理论支持.