基于温度波形时序分析的红外遥感运动模糊目标识别新方法

为解决边缘计算遥感平台因抖动导致图像运动模糊的难题，研究人员创新性地利用目标热辐射温度波形(Temperature Waveforms)作为分类特征，构建了首个无人机温度波形数据集。通过优化时序分类网络特征提取结构，在CVPR 2023 Anti-UAV Challenge数据集上实现99.37%识别准确率，较对比方法提升0.21%的同时节省70%计算资源，在Jetson Nano平台达到60 FPS实时性能，为反无人机领域边缘计算设备提供轻量化解决方案。

　　

红外遥感技术(Infrared Remote Sensing)在反无人机(Anti-UAV)领域扮演着关键角色。针对边缘计算(Edge Computing)遥感平台持续抖动引发的图像运动模糊问题，这项研究另辟蹊径地采用目标温度波形——即物体热辐射特征随时间变化的曲线(Temperature Waveforms)作为分类依据。科研团队从CVPR 2023 Anti-UAV Challenge公开数据集中筛选运动模糊图像，提取无人机与背景物体的温度波形时序数据，构建了专用数据集。

研究提出新型时序分类网络(Time Series Classification Network)，通过精心设计网络特征提取架构，显著提升了温度波形分类的效率和精度。实验数据显示，该方法在温度波形数据集上的分类准确率高达99.37%，以超过对比方法0.21%的优势脱颖而出，同时仅需消耗不足30%的计算资源。在Nvidia Jetson Nano边缘计算设备上，系统能以60帧/秒(FPS)的速率流畅运行，充分满足资源受限环境下的实时部署需求。

这项突破性工作为运动模糊条件下的目标识别提供了新范式，其创新性体现在：将传统图像识别难题转化为时序信号分析问题；通过物理特征（热辐射波形）而非视觉特征进行判别；实现算法精度与效能的协同优化。温度波形分析方法不仅适用于无人机识别，其技术路线还可拓展至其他需要快速响应的红外监测场景。