LSTT: Modelo Tensorial Espacial-Temporal de Longo Prazo para Detecção de Alvos Pequenos em Infravermelho sob Fundo Dinâmico

A detecção de alvos pequenos em infravermelho é um problema importante e central em sistemas de busca e rastreamento infravermelho. Muitos métodos de detecção de alvos pequenos em infravermelho funcionam bem sob a premissa de um fundo estático; no entanto, o efeito de detecção diminui seriamente quando o fundo muda dinamicamente. Além disso, as informações espaço-temporais do alvo e do fundo da sequência de imagens não são totalmente desenvolvidas e utilizadas, faltando características temporais de longo prazo. Para resolver esses problemas, um novo modelo tensorial espacial-temporal de longo prazo (LSTT) é proposto neste artigo. A técnica de registro de imagem é empregada para realizar o emparelhamento entre os quadros. Ao superpor diretamente as imagens alinhadas, as características espaço-temporais do tensor resultante não são danificadas ou reduzidas. Do ponto de vista da fatia horizontal desse tensor, verifica-se que o componente de fundo tem similaridade na dimensão do tempo e correlação na dimensão do espaço, o que é mais consistente com a pré-condição de baixa classificação, enquanto o componente do alvo é esparso. Portanto, transformamos o problema da detecção infravermelha de um pequeno alvo em movimento em um problema de decomposição esparsa de baixa classificação de novos tensores compostos por várias fatias horizontais contínuas do tensor de imagem alinhada. A baixa classificação do fundo é restringida pela norma nuclear tubal parcial (PTNN), e o problema de decomposição tensorial é rapidamente resolvido usando o método de direção alternada de multiplicadores (ADMM). Nossos resultados experimentais demonstram que o método LSTT proposto pode efetivamente detectar pequenos alvos em movimento em um fundo dinâmico. Comparado com outros métodos de referência, o novo método apresenta melhor desempenho em termos de eficiência e precisão de detecção. Em particular, o novo método LSTT pode extrair as informações espaço-temporais de mais quadros em um domínio temporal mais longo e obter uma taxa de detecção mais alta.