远距离广视角场景中由于红外热成像仪成像原理的局限性、大气环境的干扰、远距离传输介质对红外辐射的衰减, 检测目标面临巨大挑战。本文在详细分析了图像背景复杂、目标特性弱小、图像对比度低和结构特性缺失等红外弱小目标图像特性的基础上, 从基于目标突显和背景预测两大类概述了单帧红外图像弱小目标检测技术的研究现状, 并探讨了红外弱小目标检测研究的发展趋势。

针对红外图像信息维度单一且弱小目标因特征不明显而难以检测的问题，将不同结构的多滤波器融入YOLOv5n网络，根据增强弱小目标和抑制背景干扰的不同特性分别选择三个异构滤波器作用于网络的多通道输入图像，从而丰富原始图像的信息维度，有效提升后端网络对复杂背景下弱小目标的适应能力；通过添加注意力模块、采用小锚框策略、裁剪网络深层分支等改进措施，在增强YOLOv5n网络弱小目标检测能力的同时，进一步减少了计算和存储资源需求。实验结果表明，所提出的算法能够有效检测红外复杂背景中的弱小目标，同时占用存储和计算资源更少，为算法部署在资源受限的嵌入式设备上提供了基础。

红外探测系统以其隐蔽性好、穿透能力强等优点广泛应用于航空航天、**侦察等领域。但该系统的观测距离较远，且目标往往呈现弱小状态，所以针对单帧图像的红外弱小目标检测一直是红外探测领域的难点和研究热点。基于滤波、视觉显著性、图像数据结构和深度学习四个方面，对当前单帧红外弱小目标检测算法进行了详细综述，最后对红外弱小目标检测技术进行了总结与展望。

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取, 难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5(You Only Look Once)的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上, 添加注意力机制提高算法的特征提取能力和检测效率, 同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集, 将这些图像数据集进行标注并训练, 得到红外弱小目标检测模型, 然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明：改进的YOLOv5算法训练出来的模型, 检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升, 平均精度均值(mean Average Precision, mAP)可达99.6%以上, 在不同复杂背景下均可有效检测出红外弱小目标, 且漏警率、虚警率低。

为了提高复杂环境下的红外弱小目标的探测能力，基于人类视觉注意机制，设计了差异直方图耦合显著性映射的弱小目标检测算法。考虑真实目标与其邻域之间的强度差异，通过采用DFT变换来计算红外图像的幅度与相位频谱，以计算二者之间的频谱残差，并联合高斯滤波方法，输出显著性映射，从而有效突出显著区域。分析目标与背景区域的梯度幅度和梯度方向之间的差异，计算红外图像的差异直方图，以充分抑制背景杂波和噪声。联合显著性映射与差异直方图，形成图像对应的融合特征映射。最后，引入自适应阈值分割方法，从融合特征映射中准确定位真实目标。多组测试数据表明，较已有的红外目标检测技术而言，所提算法能够更好地定位出弱小目标，呈现出理想的ROC曲线。