下载文档原格式
红外图像中弱小目标检测前跟踪算法研究综述概要红外图像在现代战争中发挥着越来越重要的作用，因为其具有隐蔽性和不受光照干扰的特点。
红外图像中的弱小目标检测和跟踪算法是目前研究的热点之一。
本文主要综述红外图像中弱小目标检测前跟踪算法的研究现状，包括传统算法、深度学习算法和集成算法。
传统算法传统的弱小目标跟踪算法主要包括卡尔曼滤波、粒子滤波、均值漂移等。
这些算法主要是针对静态场景下的目标跟踪，对于动态场景下的目标跟踪效果较差。
在红外图像中，目标的纹理和亮度变化较为复杂，所以传统算法在红外图像中跟踪效果不佳。
深度学习算法深度学习算法是近年来应用最广泛的目标跟踪算法之一。
深度学习算法能够自动学习特征，适用于复杂多变的目标跟踪环境。
在红外图像中，深度学习算法也取得了很好的效果。
常用的深度学习算法包括卷积神经网络（CNN）、循环神经网络（RNN）和长短记忆网络（LSTM）等。
由于这些算法的训练需要大量的标注数据，因此数据量不足时需要结合传统算法来进行跟踪。
集成算法集成算法是将多个跟踪算法集成到一起，以得到更好的跟踪效果。
目前常用的跟踪集成算法是基于多特征融合和多分类器融合的方法。
多特征融合包括将颜色、纹理、轮廓等多个特征融合在一起，使得跟踪算法更具鲁棒性。
多分类器融合则是同时使用多种分类器，如SVM、Adaboost等，对目标进行分类和跟踪。
总的来说，弱小目标检测前的跟踪问题是一个非常重要的研究方向。
虽然深度学习算法在红外图像中的跟踪效果良好，但是由于训练需要大量标注数据，因此在数据量不足的情况下需要结合传统算法进行跟踪。
集成算法也是近年来研究的热点之一，对跟踪效果的提高起到了重要作用。
天空背景下红外弱小目标检测算法研究丁云;张国华;张生伟【摘要】Against the difficult detection of dim small infrared targets in the sky background,in this paper,the improved morphological filtering target enhancement method is adopted for background suppression and noise removing,and then constant false alarm rate(CFAR)method is used to segment the filtered image to obtain candidate point targets,and get the position and area information of candidate point targets by adoptingrun⁃length target labeling method. After the single frame image detection, there are still false alarms in the complicated sky background. In order to improve the detection probability and reduce false alarm rate,the mobile pipeline filtering method is adopted to make further judgment for the candidate targets in sequential imag⁃es in combination with the correlation between image frames of the target motion characteristics(including trajectory,velocity, acceleration,etc),grey change,area change and so on. The experimental results show that the method proposed in this paper can accurately and quickly detect the true targets in the complex background.%针对天空背景下红外弱小目标检测困难的情况，首先通过改进的形态学滤波目标增强方法对图像进行背景抑制与噪声去除，而后采用恒虚警检测方法（CFAR）对滤波后图像进行分割，获得候选点目标，然后采用行程目标标记的方法得到候选目标的位置信息、面积信息等，单帧图像检测之后，复杂的天空背景仍然会存在虚警。
《复杂背景条件下的红外小目标检测与跟踪算法研究》篇一一、引言随着红外技术的不断发展，红外小目标检测与跟踪在军事、安全监控和智能交通等领域具有越来越广泛的应用。
然而，由于复杂背景条件下的红外小目标通常具有尺寸小、亮度低、动态性强等特点，导致其检测与跟踪面临极大的挑战。
因此，研究复杂背景条件下的红外小目标检测与跟踪算法，对于提高红外成像系统的性能和增强目标识别能力具有重要意义。
二、红外小目标检测算法研究2.1 背景抑制与预处理在复杂背景下，通过采用适当的背景抑制算法可以有效地去除噪声干扰和杂波影响，为后续的检测与跟踪提供可靠的图像信息。
常见的背景抑制方法包括空间滤波、时间滤波等。
预处理阶段还包括图像灰度化、直方图均衡化等操作，以增强目标的对比度和清晰度。
2.2 目标检测算法针对红外小目标的特性，常用的检测算法包括基于形态学的方法、基于边缘检测的方法和基于区域生长的方法等。
其中，基于形态学的方法可以有效地提取出目标的形状特征；基于边缘检测的方法可以准确地检测出目标的边缘信息；而基于区域生长的方法则可以自动识别并提取出感兴趣的区域。
在实际应用中，根据不同的场景和需求选择合适的检测算法是关键。
三、红外小目标跟踪算法研究3.1 特征提取与表示在红外小目标跟踪过程中，提取目标的特征信息是实现准确跟踪的关键。
常用的特征包括颜色特征、形状特征和纹理特征等。
此外，为了适应目标的动态变化，还需要对特征进行实时更新和优化。
3.2 跟踪算法选择与实现针对红外小目标的特性，常用的跟踪算法包括基于滤波的方法、基于相关性的方法和基于机器学习的方法等。
其中，基于滤波的方法如卡尔曼滤波器可以有效地估计目标的运动轨迹；基于相关性的方法如均值漂移算法可以快速地找到目标的位置；而基于机器学习的方法如支持向量机、神经网络等则可以自动学习和识别目标的特征信息。
在实际应用中，根据具体需求和场景选择合适的跟踪算法是关键。
四、算法性能评估与优化4.1 评估指标与方法为了评估红外小目标检测与跟踪算法的性能，需要采用合适的评估指标和方法。
红外图像中弱小目标检测前跟踪算法研究综述概要第37卷第2期激光与红外Vol.37,No.2 2007年2月LASER&I N FRARE D February,2007文章编号:100125078(2007022*******红外图像中弱小目标检测前跟踪算法研究综述张长城,杨德贵,王宏强(国防科技大学电子科学与工程学院,空间电子信息技术研究所,湖南长沙410073摘要:文中分析了低信噪比复杂背景中红外弱小目标检测与跟踪的难点,比较了DBT与T BD两种检测与跟踪算法的性能,分析了T BD的检测机理,总结了典型的T BD方法,展望了T BD的发展。
关键词:红外;弱小目标;低信噪比;复杂背景;检测前跟踪中图分类号:TP751文献标识码:AAlgor ith m Surveys for D i m TargetsTrack2before2detect i n I nfrared I mageZ HANG Chang2cheng,Y ANG De2gui,WANG Hong2qiang(I nstitute of S pace Electr onic Technol ogy,College of Electric Science and Engineering,NUDT,Changsha410073,ChinaAbstract:The difficulties of di m target detecti on are analyzed in the paper.The perf or mances of DBT and T BD arecompared,and the theory of T BD are analyzed.The main methods of T BD are su mmarized.I n the end,p r om ising di2recti on of the field of T BD is p redicted.Key words:infrared;di m target;l ow S NR;comp licated backgr ound;T BD1引言现代战争要求红外探测系统能远距离发现、跟踪威胁目标,为指挥系统决策和武器系统赢得时间。
红外弱小目标背景抑制中的二维空域廓线法刘高睿1,2,3，孙胜利1,2，林长青1,2（1. 中国科学院智能红外感知重点实验室，上海 200083；2. 中国科学院上海技术物理研究所，上海 200083；3. 中国科学院大学，北京 100049）摘要：为了实现天基红外遥感图像中的弱小目标检测，抑制复杂的结构背景，提出了二维空域廓线法。
算法以一维时域廓线目标检测理论为基础，将其扩展到二维空域，应用于单帧目标检测。
采用二维空域廓线可以获得背景估计，用原始图像减去背景图像可获得包含目标的前景图像。
将本文算法与现有的单帧目标检测算法相比，可获得更大的ROC曲线面积，表明提出算法优于同类算法。
关键词：红外弱小目标；背景抑制；空域廓线中图分类号：TP751.1，TP391 文献标识码：A 文章编号：1001-8891(2019)04-0329-06Two-Dimensional Spatial Profile Method for Infrared Dim Point TargetBackground SuppressionLIU Gaorui1,2,3，SUN Shengli1,2，LIN Changqing1,2(1. Key Laboratory of Intelligent Infrared Perception, Chinese Academy of Sciences, Shanghai 200083, China；2. Shanghai Institute of Technical Physics, Chinese Academy of Sciences, Shanghai 200083, China;3. University of Chinese Academy of Sciences, Beijing 100049, China)Abstract：To successfully detect dim point targets in space-based infrared remote sensing images while suppressing complex structural backgrounds, a two-dimensional spatial profile method is proposed. The algorithm extends the one-dimensional temporal profile target detection theory to two-dimensional space and applies it to single-frame target detection. The estimated background can be obtained from the two-dimensional spatial profile, after which the foreground image containing the target can be obtained by subtracting the background image from the original image. Compared with the existing single-frame target detection algorithms, the proposed algorithm can obtain a larger ROC curve area, which indicates that two-dimensional spatial profile algorithm outperforms the existing algorithms.Key words：infrared dim point target，background suppression，spatial profile0 引言弱小目标检测是天基红外探测系统中的关键技术，高性能的目标检测技术有利于降低系统反应时间，提高作战效率。
现有的弱小目标检测算法广泛采用多帧的时域及时空域的目标及背景特性[1-3]。
然而，受到平台运动以及帧间时间间隔较长等因素的影响，图像的帧间相关性变差，上述方法受到很大限制，因此仍然需要提高单帧目标的检测性能。
天基红外探测系统中，场景覆盖范围大，图像的结构元素具有丰富多样性，当前的基于单帧图像的弱小目标检测策略难以将其很好地抑制。
对于目标，由于成像距离远，其尺度不及单像元覆盖面积，其成像大小约为1～5个像元[4]。
目标成像面积小、背景复杂是限制目标检测的主要因素。
当前的基于单帧图像的弱小目标检测策略包含两个步骤：前期的目标增强和后期和目标提取[5]。
前期的目标增强方法包括：空域滤波中的均值滤波、中值滤波，最小二维均方法（Two-dimensional least mean square, TDLMS），小面模型[6]（facet model），最大均值和最大中值滤波[7]（max-mean and max-median filters）等；变换域滤波中的傅里叶变换[8]，小波变换，超小波变换[9]；显著性检测[2,10]。
在处理复杂背景的弱小目标检测中，上述方法在目标增强过程完成后，所获得的图像仍然包含有大量的背景杂波，对后期目标提取造成很大干扰。
为了有效地抑制背景杂波，329330本文在深入研究一维时域廓线目标检测算法[1,11-12]的基础上，提出了二维空域廓线法。
针对一维廓线下驻点连线容易产生较大空域背景估计误差的缺点，提出了相应的改进方法，对算法原理和步骤进行了阐述，最后采用红外卫星图像进行算法的验证。
1 算法的提出1.1 一维廓线的下驻点连线一维廓线的下驻点连线在时域的目标检测中已得到较好的应用，文献[1]设计了时域廓线下驻点连线滤波（the connecting line of the stagnation points (CLSP) of the temporal profile ），本文将其应用在空域中的具体描述如下。
空域廓线是单帧图像中，单行或单列的灰度值响应，设某一行或列的廓线为x (n )，其中n 代表像元序数。
廓线中满足(1)式的点称为下驻点：and ()(1)0(1)()0x n x n x n x n --≤+-≥ (1)式中：x (n )为第n 个像元的灰度响应。
在获得下驻点之后，将非下驻点位置用(2)、(3)式线性插值的方法计算，即可获得下驻点连线：x CLSP (n )＝x (n －d )＋k [x (n ＋u )－x (n －d )] (2)k ＝u /(u ＋d ) (3)x (n ＋u )和x (n －d )代表与x (n )最近的前后两个下驻点，如图1所示。
()x n d -()x n ()x n u +Spatial ProfileCLSP of Spatial ProfileI n t e n s i t yPixel point图1 空域廓线下驻点连线的计算 Fig.1 The calculation of CLSP of spatial profile虽然一维廓线算法在时域中得到了较好的应用，但由于图像背景元素的复杂性，难以直接推广到空域以及二维空间下。
如图2所示的具有相同参数噪声的时域信号和空域信号。
在一维时域信号中，信号变化平稳，梯度值较小，噪声分布均匀，使时域廓线产生微弱噪声起伏，容易获得均匀的廓线下驻点。
空域信号相比时域信号差别很大，空域廓线具有较大范围的灰度起伏，在梯度值较大的单调区间上难以获得有效的下驻点，使得所估计的背景误差较大。
为了使空域廓线得到较好的应用，本文提出采用加入辅助高斯噪声的方式进行下驻点扩充，当获得以新的下驻点得到的背景估计之后，将原始图像减去背景估计值获得背景抑制图像。
图2 时域廓线与空域廓线对比Fig.2 The comparison of temporal profile and spatial profile1.2 高斯噪声辅助下驻点连线高斯噪声的概率密度函数服从高斯分布：22()()exp{}x p x μσ--=2 (4) 设高斯噪声序列为Noise(n )，其均值为μ，标准差为σ。
在假设目标强度都为正值的前提下，本文采用均值为0的白噪声绝对值abs(Noise(n ))，其中abs(⋅)表示取绝对值。
如图3(c)所示，在梯度较大噪声较小的空域廓线中，原廓线下驻点连线造成了较大的估计误差，在加入辅助高斯噪声后，如图3(a)，使原廓线的局部起伏增强。
采用加噪声廓线进行新的下驻点连线计算，如图3(b)，生成的加噪声下驻点连线与原廓线相比如图3(c)，具有很小的估计误差。
当原廓线包含弱小目标时，如图3(f)所示，原廓线下驻点连线仍然含有较大估计误差，在加入辅助高斯噪声后，生成的加噪声下驻点连线可准确地估计出不包含目标的背景廓线，目标得以保留。
1.3 辅助噪声参数对下驻点的影响及生成步骤不同参数的Gauss 噪声，对图像的下驻点扩展有不同的影响。
如图4所示，在廓线梯度较大的情况下，弱噪声不能有效扩展下驻点。
理论上，当辅助噪声大于其梯度一倍时，才可有效增加下驻点。
而过密噪声在邻域像素都有比较大的噪声值，致使下驻点过度偏离原有廓线，导致下驻点失真。
因此需要选择合适的噪声强度以及噪声密度来均匀增加下驻点。
Frame number20((d(d 019年4月 (a) 原始(a) Comparison and adding n d) 原始廓线与目标） d) Comparison profile and profile(inclu图4 Fig.4 Effe 本文对辅1）输入始廓线与加噪廓n of original sp noise spatial pr 加噪廓线对比n of original adding noise ude target)Fig. 不同噪声对ect of different n 辅助噪声进行m ×n 图像I (刘高睿廓线对比 patial profile rofile比（包含spatial spatial (e) (e) 图3 .3 CLSP of ad 于廓线下驻点noise on the sta 行设计，具体x ,y )，生成同样睿等：红外弱小(b) 原始廓(b) Compariprofile spatial p 原始廓线与其目标） Comparison o and CLSP of (include targe 加噪廓线下驻dding noise spa 的影响agnation points流程如下：样大小的μ目标背景抑制中线与其下驻点ison of origin and CLSP o profile 其下驻点连线对f original spat f original spat t) 驻点连线实现更atial profile achi＝0，σ＜T 图像像中1.4可以的辅连线造成密度计的中的二维空域廓连线对比nal spatial f original (对比（包含tial profile tial profile (f (f 更好的背景估计ieves better bac ＝0.1的白噪声2）采用阈Th ＜0.5），03）对大于阈像梯度最大值4）将生成中。
