序列图像运动点目标快速检测与跟踪方法

《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的不断进步，智能监控系统在安全、交通、医疗等领域得到了广泛应用。

其中，运动目标的检测与跟踪是智能监控系统中的关键技术之一。

本文旨在深入探讨智能监控系统中运动目标的检测与跟踪方法及其应用。

二、运动目标检测技术1. 背景与意义运动目标检测是智能监控系统的基础，其目的是从视频序列中提取出感兴趣的运动目标。

该技术对于后续的目标跟踪、行为分析、目标识别等具有重要意义。

2. 常用方法（1）基于帧间差分法：通过比较视频序列中相邻两帧的差异，检测出运动目标。

该方法简单有效，但易受光照变化、噪声等因素影响。

（2）基于背景减除法：利用背景模型与当前帧进行差分，从而提取出运动目标。

该方法对动态背景具有较好的适应性，但需要预先建立准确的背景模型。

（3）基于深度学习方法：利用深度学习技术对视频进行目标检测，如基于卷积神经网络的目标检测算法。

该方法具有较高的检测精度和鲁棒性。

三、运动目标跟踪技术1. 背景与意义运动目标跟踪是在检测出运动目标的基础上，对其在连续帧中的位置进行估计和预测。

该技术对于提高监控系统的实时性和准确性具有重要意义。

2. 常用方法（1）基于滤波的方法：如卡尔曼滤波、粒子滤波等，通过建立目标运动模型，对目标位置进行预测和更新。

（2）基于特征匹配的方法：利用目标的形状、颜色等特征，在连续帧中进行匹配，从而实现目标跟踪。

（3）基于深度学习的方法：利用深度学习技术对目标进行识别和跟踪，如基于孪生神经网络的目标跟踪算法。

该方法具有较高的跟踪精度和鲁棒性。

四、智能监控系统中运动目标检测与跟踪的应用1. 安全监控领域：通过智能监控系统对公共场所、住宅小区等进行实时监控，及时发现异常情况，提高安全性能。

2. 交通管理领域：通过智能监控系统对交通流量、车辆行为等进行实时监测和分析，为交通管理和规划提供支持。

3. 医疗领域：在医疗领域中，智能监控系统可以用于病人监护、手术辅助等方面，提高医疗质量和效率。

第31卷第6期 红外与激光工程 2002年12月Vol.31No.6 Infrared and Laser Engineering Dec.2002序列图像运动点目标快速检测与跟踪方法3李正周1,董能力1,2,金　钢1,2(1.中国科学院光电技术研究所,四川成都　610209;2.中国空气动力研究与发展中心,四川绵阳　621000) 摘要:为解决低信噪比运动点目标在实时检测中的系统抖动和信噪比低等问题,根据运动点目标的特点,提出了基于数学形态学滤波、目标光强度连续性和假设检验的点目标检测方法。

基于数学形态学的高通滤波器能较强地抑制背景噪声并增强目标;利用光强度时空连续性识别目标;假设检验对解决目标丢失和新目标出现都具有较好的效果。

用TMS320C6201高速信号处理器的处理结果表明:算法对信噪比约为2的点目标检测性能较为满意。

关　键　词: 目标检测;　数学形态学;　假设检验;　点目标中图分类号:TP391.4 文献标识码:A 文章编号:100722276(2002)0620473205Method of quickly detecting and tracking dim moving pointtarget in im age sequences3L I Zheng2zhou1,DON G Neng2li1,2,J IN G ang1,2(1.Institute of Optics and Electronics,Chinese Academy of Sciences,Chengdu610209,China;2.China Aerodynamics Research&Development Center,Mianyang621000,China)Abstract:To resolve the problems in real time detection of moving dim small target,such as sys2 tem dithering and low signal noise ratio,a new method based on mathematical morphology filtering,the continuity of target’s intensity and hypothetical test according to the characters of moving dimsmall target is presented.High2pass filter based on mathematical morphology can suppress clutters andemphasize the target2like peaks.The continuity of the target’s photic intensity can be used to identifytarget effectively.Hypothetical test has attractive result to resolve the problems of target missing andnew target occurring.The algorithm has been realized on the TMS320C6201digital signal processor(DSP),and the experiment results show that the method of detecting the moving dim point target isefficasious when S N R is about2.K ey w ords: Target detection;　Mathematical morphology;　Hypothetical test;　Point tar2get 收稿日期:2002202205;　修订日期:2002205210　3基金项目:国家863计划光束控制重点实验室资助项目(8632802、845)作者简介:李正周(19742),男,重庆市垫江县人,博士生,主要从事目标检测、跟踪与DSP应用研究工作。

图像处理中的目标检测与跟踪方法目标检测与跟踪是计算机视觉领域中的重要研究方向，是指通过计算机算法在图像或视频中准确地识别和跟踪特定目标。

目标检测与跟踪方法在许多领域中都得到广泛应用，如视频监控、自动驾驶、物体识别等。

在图像处理中，目标检测是指从图像中确定物体的位置和大小，并将其与背景区分开来。

基于深度学习的目标检测方法已经取得了不错的效果，其中最经典和广泛使用的算法是卷积神经网络（Convolutional Neural Networks，CNN）。

CNN通过多层的卷积和池化操作，可以从图像中提取特征，并用于目标检测。

另一种常用的目标检测方法是基于特征的方法，如Haar特征和HOG特征。

Haar特征是通过计算图像中矩形区域的像素和来描述物体的特征，而HOG特征则是通过计算图像中局部梯度的方向和大小来表示物体。

这些特征可以通过分类器（如支持向量机）进行目标检测。

目标跟踪是指在视频序列中持续追踪目标的运动轨迹。

目标跟踪方法可以分为两类：基于特征的跟踪和基于学习的跟踪。

基于特征的跟踪方法通常使用目标的外观特征进行跟踪，如颜色、纹理等。

常见的基于特征的跟踪算法有均值漂移（Mean Shift）和卡尔曼滤波器（Kalman Filter）。

均值漂移通过计算目标区域的颜色直方图，并利用梯度下降法寻找最大概率密度位置，实现目标的跟踪。

卡尔曼滤波器则是一种递推滤波器，通过结合动态模型和观测模型，准确地估计目标的位置和速度。

基于学习的跟踪方法是利用训练数据来学习目标的运动模式，并根据模型对目标进行跟踪。

其中，最常用的方法是基于神经网络的跟踪算法，如Siamese网络和循环神经网络（Recurrent Neural Networks，RNN）。

Siamese网络通过利用跟踪样本对目标进行特征表示，并将其与候选窗口进行比较，从而实现目标的跟踪。

RNN则通过建立时间序列模型，将目标的历史状态和当前状态进行融合，并用于目标的预测和跟踪。

图像目标跟踪
图像目标跟踪是指在连续的图像序列中，通过分析目标在不同帧中的位置和特征，来实时跟踪目标的位置和运动轨迹的一种技术。

图像目标跟踪在计算机视觉和机器人领域有着广泛的应用。

图像目标跟踪的基本思路是通过两帧之间目标的运动，来确定下一帧中目标的位置。

常用的目标跟踪方法包括基于颜色、纹理、形状和运动信息等进行目标描述的方法。

下面以基于颜色的目标跟踪方法为例，介绍图像目标跟踪的流程。

首先，我们需要对目标进行初始化，即在第一帧图像中手动选取目标的位置。

在目标选定后，可以提取目标的颜色特征，例如，将目标的颜色信息转换到HSV颜色空间，并通过建立颜色直方图来描述目标的颜色特征。

然后，在下一帧图像中，我们可以通过计算每个像素的颜色与目标颜色的相似度来确定目标的位置。

通常使用的相似度计算方法有欧氏距离和相关系数等。

接下来，通过设置一个合适的阈值，我们可以将相似度大于阈值的像素认定为目标的一部分，从而得到目标的位置和轮廓信息。

可以通过一些图像处理技术，如边缘检测和形态学操作，进一步提取目标的特征信息。

最后，通过不断迭代上述过程，即在每一帧图像中根据上一帧的目标位置和特征信息来更新目标的位置和特征，就可以实现
目标的实时跟踪。

在实际应用中，图像目标跟踪面临着许多挑战，如光照变化、目标遮挡和背景干扰等。

为了提高跟踪的准确性和鲁棒性，研究者们提出了许多改进的方法，例如多特征融合、动态模型更新和机器学习等技术。

总之，图像目标跟踪是一项具有挑战性但有着广泛应用前景的技术。

随着计算机算力的提升和机器学习的发展，图像目标跟踪在智能监控、无人驾驶和自主导航等领域将扮演越来越重要的角色。

如何利用计算机视觉技术进行运动目标检测和跟踪计算机视觉技术的快速发展使得运动目标检测和跟踪成为可能。

这项技术不仅在安防领域起到重要作用，还应用于自动驾驶、智能监控和虚拟现实等众多领域。

本文将介绍如何利用计算机视觉技术进行运动目标检测和跟踪。

一、运动目标检测运动目标检测是指利用计算机视觉技术，通过分析连续的图像序列，检测出视频中出现的运动目标。

运动目标可以是人、车辆、动物等各种物体。

以下是运动目标检测的主要步骤。

1. 前景提取前景提取是运动目标检测的第一步，其目的是将视频中的前景目标从背景中分离出来。

常用的前景提取方法包括帧差法、基于统计学模型的方法和基于深度学习的方法。

帧差法是最简单的方法，基于像素之间的差异来识别前景目标。

而基于统计学模型的方法则通过建立像素值的分布模型来识别前景目标。

基于深度学习的方法通常使用卷积神经网络（CNN）来提取特征并进行分类。

2. 运动检测运动检测是利用差分技术或光流法等方法，检测出视频中的运动目标。

差分技术通过对相邻帧之间的差异进行计算，来确定运动目标的位置。

而光流法则通过跟踪关键点在连续帧之间的移动来检测运动目标。

3. 目标分割和识别目标分割和识别是将前景目标分割并分类的过程。

它通常通过图像分割算法和目标识别算法实现。

图像分割算法将前景目标从图像中提取出来，并通过边缘检测、区域生长或图像分割神经网络等方法实现。

目标识别算法则通过比较目标特征和已知类别的模型特征，来对目标进行分类。

二、运动目标跟踪运动目标跟踪是指通过分析视频序列中的目标位置，持续追踪目标的运动轨迹。

以下是运动目标跟踪的主要步骤。

1. 目标初始化目标初始化是运动目标跟踪的第一步，其目的是在视频序列的初始帧中确定目标的位置。

常用的目标初始化方法有手动框选和自动检测。

手动框选是通过人工在初始帧中标记目标的位置。

而自动检测则通过运动目标检测算法自动获取初始目标位置。

2. 特征提取和匹配特征提取和匹配是运动目标跟踪的核心步骤。

序列图像中目标跟踪是指根据视频图像中的时空相关信息在每一帧图像中确定目标的位置、大小或形状信息等。

目标跟踪方法大致可以分成三类：基于滤波理论的目标跟踪方法、基于Mean Shift的目标跟踪方法和基于偏微分方程的目标跟踪方法。

基于滤波理论的目标跟踪方法将传感器噪声和模型误差进行建模，将目标跟踪问题表达为系统状态的后验概率密度估计问题。

当后验概率密度是高斯分布时，卡尔曼或扩展的卡尔曼滤波器可以对系统的状态进行准确估计，而粒子滤波器能够解决更一般的非线性非高斯的目标跟踪问题。

（将目标跟踪问题转化为概率密度函数估计问题，使用卡尔曼滤波器或粒子滤波器来跟踪目标）。

基于Mean Shift的目标跟踪方法首先建模目标特征的概率密度分布，然后采用概率密度之间的相似性测度度量目标和候选目标之间的相似性。

通过将梯度下降法应用于相似函数，推导出Mean Shift迭代方程，从而对目标进行跟踪。

基于偏微分方程的目标跟踪方法。

在基于偏微分方程的目标跟踪方法中，目标跟踪问题被建模为关于曲线能量的泛函。

通过变分法或形状导数法等推到出描述轮廓曲线进化的偏微分方程，通过求解偏微分得到泛函的极值，从而获得目标的轮廓。

目标跟踪的运用1.在智能人机交互中的应用比较成功的是西门子公司发明的虚拟触摸屏SIVIT（用手指来操作投影到墙壁的ppt演示），剑桥大学研究的基于指向手势的人机接口（手指向的东西，机械手就会去抓取目标）2.在医疗诊断中的运用通过跟踪超声波序列图像中的心室的跳动，能够为诊断心脏病提供可靠准确的信息3.在智能机器人中的应用视觉传感器是智能机器人的一种十分重要的信息源。

无人驾驶自动车辆的应用。

4，在视频监控中的应用目标跟踪的分类目标跟踪可以定义为在给定的一组观测的条件下对系统的状态进行估计。

在视觉跟踪中，跟踪的目标是图像中提取的目标特征，如果在每一帧图像中特征的位置或形状都能被准确确定，则物体能被很好的跟踪。

目标的轨迹是二维图像中或三维世界中被跟踪的特征的位置序列。

序列图像中运动点目标轨迹检测算法研究张　兵,卢焕章(国防科技大学电子科学与工程学院ATR 实验室,湖南长沙410073) 摘　要:　序列图像中弱运动点目标的实时检测算法,是精确制导系统中的关键算法之一.本文在对现有检测算法分析的基础上,详细阐述和研究了利用LS 线性预测器的点2轨迹预测与匹配的目标轨迹检测算法,并通过仿真实验进行验证,最后指出此算法较以前的算法可更有效的从图像序列中检测出弱运动点目标的轨迹.关键词:　点目标;最小二乘线性预测器;轨迹检测中图分类号:　T N91117 文献标识码:　A 文章编号:　037222112(2004)0921524203The Detection Algorithm for Moving Point Target Trajectory in Image Sequence sZH ANG Bing ,LU Huan 2zhang(ATR Lab o f National Univer sity o f De fense Technology ,Changsha ,Hunan 410073,China )Abstract :　The real 2time detection alg orithm for dim m oving point target in image sequences is one of the key alg orithms in pre 2cise guidance system.This paper presents a thorough analysis of a point 2track detection alg orithm based on Linear Least Square Predic 2tor after a brief discussion of the current alg orithms for m oving point target in image sequences.With the result of simulation test ,it can be shown that the introduced alg orithm can effectively detect m oving point target trajectory in image sequences than previously devel 2oped alg orithm.K ey words :　point target ;least square linear predictor ;trajectory detection1　引言 序列图像中弱运动点目标的实时检测算法是现代精确制导武器系统的关键算法之一.一般来说,该问题可从以下三个方面入手进行解决[1,3,8]:(1)对原始图像进行预处理,将背景杂波对消,仅仅剩余白噪声、待检测的目标点和部分虚警杂波点;(2)对高斯白噪声环境下的点目标先进行多帧能量积累,再进行阈值分割得到序列的二值图像;(3)对序列的二值图像中的目标进行轨迹的预测2匹配关联处理,得到最终的检测结果.通过这三个方面的处理,就可以实现从复杂背景下的序列图像中检测出弱点目标的目的.本文主要研究上述的第三个问题,即从序列的二值图像中的检测目标轨迹的算法,而关于前两个问题的论述请参看文献[3,4,6].在面临的实际问题中,图像的帧频很高,达到100帧/秒.目标距离探测器非常远,它在探测器平面上成像为点或亚像素目标,因此在初始检测阶段它的运动模型在短时间内(连续几帧图像内)可近似看成为匀速直线运动.由于噪声虚警点是随机出现的,不可能形成连续的轨迹,而目标轨迹具有连续性,因此可根据目标运动轨迹的连续性,建立目标运动轨迹记录,并对轨迹的下一点进行预测,与下一帧图像中候选的目标点进行关联匹配.当所建立的候选目标轨迹长度达到规定的长度时,进行轨迹置信度检验,检测出感兴趣的运动点目标.在以前的轨迹检测算法中的轨迹预测部分[1,3,8],采用候选轨迹的末端三点进行多项式插值预测下一帧图像中目标的位置坐标.该插值算法的好处是预测过程简单,运算量小,但存在的问题是在有较多噪声虚警点干扰的情况下,目标被噪声“拉走”后,若仅使用三点插值预测算法,则预测位置误差较大,后续图像中分割出的目标点可能无法正确匹配到目标真实轨迹上,导致丢失真实目标点.这种情况出现的原因是三点插值预测算法没有充分利用已获得的轨迹多点位置信息进行预测,使得预测误差较大.而使用多点最小二乘(LS )线性预测器,能最大程度的减小预测位置误差,易于正确的关联匹配.LS 线性预测器点数的选择要满足目标轨迹变化的要求,它需要由目标轨迹符合“直线性”程度的先验信息确定.在本文中根据实际目标轨迹检测的需要选择预测器点数为5,仿真实验证明5点预测器能够满足预测准确和运算量较小的要求.2　线性最小二乘预测器 假设目标在t 时刻图像内的位置坐标为(x t ,y t ),则所要解决的问题为:利用已经得到的k 个时刻目标点的位置,由目标运动轨迹近似为直线的假设,采用线性拟合的方法,建立目标的运动轨迹方程,并预测k +1时刻目标的位置坐标(x k +1,y k +1).表1给出在k =2,3,4,5时LS 预测器的解.详细收稿日期:2003207217;修回日期:2003212219第9期2004年9月电 子 学 报ACT A E LECTRONICA SINICA V ol.32　N o.9Sep.　2004推导请参看文献[2].表1　k=2,3,4,5时LS预测器的解k^x k+12^x3=2x2-x13^x4=13[4x3+x2-2x1]4^x5=12[2x4+x3-x1]5^x6=110[8x5+5x4+2x3-x2-4x1]3　基于线性最小二乘预测器的点目标轨迹检测算法311　建立点目标的运动轨迹记录假设第i个点目标的轨迹为T i,T i的信息用下面的记录表示:(x,y):当前图像帧内(第k帧)目标点的位置;(Last X,Last Y):前一图像帧(第k-1帧)内轨迹T i经过的目标点的位置;(Pred X,Pred Y):后一图像帧(第k+1帧)内轨迹T i预测的目标点的位置;MatchFlag:点匹配标记;MatchNum:轨迹T i中匹配点的总数;C onPredNum:轨迹T i中连续预测目标点的总数;Age:.312　预测过程若Age=1,则Pred X=x,Pred Y=y.若AgeΕ2,则使用LS线性预测器,预测器点数最多为5. 313　搜索匹配过程考虑到在不同阶段时对轨迹点的预测精度不同,允许的预测误差也不同,所以在输入的新图像中以(Pred X,Pred Y)为中心的搜索匹配窗的大小是不同的.设Vx和Vy为点目标在x和y方向的帧间最大运动速度,则以(Pred X,Pred Y)为中心的搜索窗为以下两种:(1)当Age=1时,搜索窗大小为(2Vx+1)×(2Vy+1);(2)当AgeΕ2时,搜索窗大小为5×5;第k帧图像中轨迹的预测点为(Pred X,Pred Y),在第k+ 1帧图像中的对应搜索窗内进行搜索匹配点.匹配的准则是选择距离预测点最近且与轨迹预测方向夹角不超过45度的点,作为轨迹T i在k+1帧图像中的位置点.若存在这样的匹配点,则该点被匹配的记录加1.T i.MatchNum+1,T i.Match2 Flag=1,T i.C onPredNum=0,轨迹T i的记录更新.若第k帧图像中轨迹T i的预测点(Pred X,Pred Y)在k+1帧图像中的对应搜索匹配窗内不存在匹配点,则直接以预测点(Pred X,Pred Y)作为轨迹T i在k+1帧内的位置点.T i.C on2 PredNum+1,T i.MatchFlag=0,轨迹T i的记录更新.314　轨迹置信度检验当T i.C onPredNum>=M时,则删除轨迹T i.因为它由M 个连续的预测点组成,可能为噪声虚警点形成的轨迹,应予以删除.当轨迹T i.Age>=L时,计算α=MatchNumAge.事先由给定的虚警概率和检测概率确定好置信度高低门限αH与αL.若α>αH,则判决轨迹T i为检测出的真实目标轨迹,对应在新输入的k+1帧中的轨迹位置点即为检测出的目标位置点.若α<αL,则删除该轨迹.若α介于两者之间,则继续观测,并根据特征点匹配情况不断更新轨迹T i的记录.图1　算法流程图315　算法流程图316　补充说明(1)在本算法中,轨迹T i的所有历史记录均予保留,这样的好处是一旦在输入新的图像中判决轨迹T i为真时,则可以根据T i的历史信息,获得目标点在整个历史轨迹中的位置、灰度与速度时间序列值.由此可以提取出目标的灰度与运动特征,进行目标识别处理.(2)针对目标运动轨迹可能存在交叉的情况,本算法并不是仅仅允许输入图像中的目标点与一条轨迹进行关联匹配,而是允许输入图像中的目标点与多条轨迹关联匹配.处理的方法是将待匹配目标点的匹配标志不限制为一,而是其被匹配一次,则匹配记录就增加一.虽然允许不同的轨迹可以同时匹配到同一目标点上,但是由算法中的轨迹预测机制,还是可以保证轨迹在后面图像中的位置点得到正确的预测和匹配,而不会出现轨迹被“拉走”,发生丢失的情况.4　实验结果与分析411　实验参数图像维数为128×128,序列图像帧长为20.背景为服从N (0,1)分布的白噪声二维图像.给定噪声虚警概率为P f= 0162%,目标检测概率为P d=80%,则图像中的虚警点个数为N×N×P f≈100.由给定的虚警概率和检测概率可确定图像的分割门限为u=215,嵌入点目标的信噪比为S NR=3135.为同时验证此算法对多目标和交叉轨迹的检测效果,实验中设计有四个连续运动的点目标,运动方向分别为沿垂直、水平和两个斜对角线方向.目标的轨迹方程为:x(k+1)=x(k)+V x+A mδ(k)y(k+1)=y(k)+V y+A mδ(k)(1)其中A m=1为随机扰动的幅度,δ(k)为[0,1]之间均匀分布的随机扰动量.V x,V y为目标在x和y方向的运动速度.四个初始位置坐标为(24,24)、(24,104)、(24,19)、(19,24).目标速度为:Vx1=112pix/frameVy1=218pix/frame,Vx2=112pix/frameVy2=-218pix/frame,Vx3=0pix/frameVy3=218/frame,Vx4=218pix/frameVy4=0pix/frame,412　检测结果413　结果分析对比真实目标的运动轨迹与门限分割后的轨迹可知,在5251第　9　期张　兵:序列图像中运动点目标轨迹检测算法研究指定检测概率下,由于噪声的干扰,目标轨迹上的点经门限分割后存在“丢失”的情况.虽然目标的速度具有微小随机扰动,但是其运动轨迹在短时间(少数几帧序列图像)内仍可近似的看成为直线段.当k=13时,算法检测出三条轨迹;当k>=17时,算法能正确检测出全部四条轨迹.观察轨迹检测结果可知,采用LS线性预测器可有效避免真实目标轨迹被少数噪声虚警点“拉走”情况的发生,并且在前面图像分割结果中目标轨迹已经丢失少数点的情况下,也可正确的预测与匹配到真实目标点,检测出目标轨迹.5　结论与展望 本文针对序列图像中点目标运动轨迹检测问题,提出了利用最小二乘线性预测器的检测算法.算法经理论分析与仿真实验验证表明,相对于基于三点插值预测器的轨迹预测2匹配算法,它可以有效的检测出短时内具有微小随机扰动的点目标运动轨迹,最终实现检测序列图像中弱点目标的目的.应该指出的是本文的算法仅利用了图像中点目标的位置信息进行轨迹预测与匹配处理,而没有利用点目标的灰度连续性信息.在算法的轨迹预测2匹配过程中,只要在下一帧图像中有满足目标轨迹近似直线连续的点就认为它是该轨迹的匹配点,而对有多个匹配点的情况下只能任选其一.若考虑到真实目标点还具有的灰度连续性信息可资利用,则可以进一步提高目标点的正确匹配概率,进而提高对整条目标轨迹的检测的可靠性.该改进算法的思想类似于利用目标幅度信息的PDAF2AI(幅值2概率数据关联滤波器)算法思想[9],这方面的研究成果将在后续文章中给出.当检测出的目标满足起始跟踪条件后,则转入对该目标的精确跟踪处理,同时提取出目标的灰度、运动及其它特征信息,对目标进行识别等处理,完成整个精确制导处理系统的任务.本文所研究的轨迹检测算法简单明了,易于编程实现,为研究序列图像中低信噪比运动点目标的检测提供了良好的算法支持.参考文献:[1]　Zhang Bing,Lu Huanzhang.The predicting and matching detection al2g orithm of m oving point target in image sequences[A].IEEE Interna2tional C on ference on Neural Netw orks&S ignal Processing[C].Nan2 Jing,China:ICNNSP,2003.[2]　杨宜禾,周维真.成像跟踪技术导论[M].西安:西安电子科技大学出版社,1991.129-134.[3]　陈尚峰.基于加权动态规划的小目标检测算法研究[D].长沙:国防科技大学研究生院,2002,12.[4]　Y Bar2Shalom.Multi2target Multi2sens or T racking:Advanced Applica2tions[M].N orw ood,M A,US A:Artech H ouse Inc,1990.Chapter4. [5]　朱振福.可见光导引头方案论证报告[A].863240923动态跟踪与技术发展研究文集[C].北京:国家高技术40923专题组,1994.63-78.[6]　陈华明.图像末制导中弱小运动点目标检测算法与实现技术[D].长沙:国防科技大学研究生院,2003,6.[7]　周宏仁,敬忠良,王培德.机动目标跟踪[M].北京:国防工业出版社,1991.Chapter14.[8]　Chen HuaM ing,Sun G uang fu,Lu Huanzhang,et al.Multi2level thresh2olding and con fidence testing detection alg orithm for small m oving targetin image sequences[A].Proceeding of SPIE[C].San Dieg o,CA,US A:SPIE V ol.4473,2001.520-529.[9]　D Lerro,Y Bar2Shalom.Interacting multiple m odel tracking with targetam plitude feature[J].IEEE T rans on AES,1993,29(2):494-508.作者简介:张　兵　男,1976年8月出生于黑龙江齐齐哈尔,1998年获国防科技大学工学学士学位,2001年获国防科技大学工学硕士学位,现为国防科技大学在读博士生,当前的研究方向为多波段红外成像导引头信息处理算法及其实现.Email:g fkdzb@163.com卢焕章　男,1963年11月出生于湖南桃源,教授,博士生导师,1994年于国防科技大学通信与电子系统专业博士毕业,精确制导自动目标识别(ATR)国防科技重点实验室副主任,主要从事光学图像自动目标识别、实时系统与专用集成电路、数字系统高层综合等方面的教学与科研工作.6251 电 子 学 报2004年。