红外弱小目标检测背景抑制算法研究

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。

复杂背景下红外弱小目标检测算法研究罗蓓蓓;伊兴国;申越;孔鹏;董期林;张卫;李晨光;傅强【摘要】复杂背景下低信噪比弱小目标的检测是红外预警系统中的重点和难点.为解决红外图像中杂波干扰多、目标信噪比低等问题,提出一种非线性空间滤波的目标检测方法.该算法在传统线性空间滤波算法的基础上,通过对预测点周围4个象限的背景灰度值进行计算,并动态地调节阈值,以达到突出小目标的目的.试验结果表明:当背景包含较多复杂因素时,采用非线性空间滤波的检测方法可有效地抑制杂波,实现弱小目标的提取,与线性滤波算法结果相比较,虚警数降低了3/4,且易于工程实现.%Small target detection in complex background is a critical technology in the infrared warning system. Aiming at the problems that there is clutter interference in infrared image and the target's signal-to-noise ratio is low, this paper presents a non-linear spatial filtering detection method. Based on traditional linear spatial filter algorithm, the algorithm calculates the gray value around the four quadrants of the potential target, and adjusts the dynamic threshold properly. The results show that when the background contains more complex factors, the nonlinear spatial filtering method can effectively suppress the clutter to achieve the extraction of the weak target. Compared with the results of linear filtering algorithm, this algorithm decreases the number of false alarms by 3/4, and has easy engineering realization.【期刊名称】《应用光学》【年(卷),期】2012(033)005【总页数】5页(P964-968)【关键词】红外目标检测;非线性空间滤波;线性空间预测;虚警数【作者】罗蓓蓓;伊兴国;申越;孔鹏;董期林;张卫;李晨光;傅强【作者单位】西安应用光学研究所,陕西西安710065;西安应用光学研究所,陕西西安710065;中国兵器科学研究院,北京100089;西安应用光学研究所,陕西西安710065;西安应用光学研究所,陕西西安710065;西安应用光学研究所,陕西西安710065;西安应用光学研究所,陕西西安710065;西安应用光学研究所,陕西西安710065【正文语种】中文【中图分类】TN215引言红外预警系统的重要用途之一是根据其所获得的红外图像对空、海等自然背景中的运动目标进行检测，使防御武器有足够的反应时间。

复杂背景下红外弱小目标检测算法研究的开题报告一、选题背景和研究意义红外成像技术在夜间、恶劣天气等环境下，具有不同于可见光的显著优势，因此在军事、安防等领域得到广泛应用。

然而，由于红外图像所反映的物理信息较少，红外图像质量不高，加上复杂背景中嵌入多种杂乱的噪声，如建筑物、负责人工设备等，导致红外图像的弱小目标检测变得复杂和困难。

因此，研究针对复杂背景下红外弱小目标检测算法对优化红外成像技术、提高红外图像处理精度及实际应用具有重要的实际应用价值和研究意义。

二、研究内容和方法本文的研究内容是提高红外弱小目标检测的检测准确率和检测速度。

基于分布式特征表示的思想，提出了一种基于区域级聚类分割和误差反向传播的弱小目标检测算法。

具体来讲，主要包括如下两个方面：1. 区域级聚类分割方法。

首先，对原始的红外图像进行预处理，包括降噪、增强等操作，将图像分成若干个小区域，然后借鉴聚类分析的思想，将临近的灰度值比较相近的像素点划分到一个簇中。

这样，就保证了一个聚类中的像素点之间具有较大的局部相似性，从而能够有效避免复杂背景带来的噪声干扰。

2. 误差反向传播算法。

在模型预测的过程中，根据分布式特征表示的思想，每一个样本可以被表示成多个特征的集合。

因此，通过将目标样本特征划分成不同的子集从而构建特征向量。

在训练过程中，通过反向传播算法，不断更新权重值，以使误差最小化。

从而提高了弱小目标检测的准确率和检测速度。

三、预期成果及意义本文的预期成果是通过提出一种基于区域级聚类分割和误差反向传播的弱小目标检测算法，有效解决了红外成像领域中弱小目标检测问题。

该算法具有以下几点优势：1. 对于复杂背景下的红外图像进行了有效的预处理，提高了检测效果。

2. 基于分布式特征表示，通过融合多个特征子集，很好地利用了特征的多样性，提高了检测准确率和检测速度。

3. 可以在实际应用中取得良好的效果，为红外成像领域的实际应用提供了有力的支持。

该算法的成果，将在军事、安防等相关领域推广应用，为提高红外图像处理的自动化、智能化水平做出贡献。

复杂背景中红外小目标的检测算法研究的开题报告一、研究背景近年来，随着红外技术的不断发展，红外传感器得到了广泛应用，其中小目标检测一直是红外成像领域的一个热点问题。

在很多应用中，如军事侦察、目标跟踪等方向，红外小目标检测技术已经成为必不可少的一部分。

红外小目标通常指的是在红外图像中，面积较小的目标，由于存在复杂背景和低对比度，因此在红外图像中很难被准确地检测出来。

针对这种情况，研究者们通过对红外图像的数字处理和算法优化，提出了许多解决方案。

但是，在复杂背景中对红外小目标的检测仍然存在一些挑战，如光照变化、噪声干扰、目标姿态变化等。

因此，本研究拟围绕复杂背景条件下的红外小目标检测展开研究。

二、研究目标本研究的主要目标是设计一种适用于复杂背景下的红外小目标检测算法，实现对红外图像中小目标的准确检测。

具体研究目标包括：1. 分析和掌握红外图像的特点，了解红外小目标检测的基本原理和现有技术。

2. 对比分析现有的红外小目标检测算法，优化和改进已有的算法。

3. 设计新的算法，采用深度学习等技术进行处理，提高检测准确率。

4. 验证算法的有效性和鲁棒性，对算法进行实验测试。

三、研究内容1. 红外图像预处理：对于复杂背景中的红外图像，首先需要进行一系列预处理，如去噪、背景抑制，以提高红外小目标的可检测性。

2. 特征提取：在复杂背景下，为了提高检测准确率，需要对目标进行特征提取。

本研究将探讨使用深度学习算法进行目标特征提取的方法。

3. 目标检测算法设计：在特征提取的基础上，本研究将探讨并设计适用于复杂背景下的红外小目标检测算法。

4. 实验验证：对设计的算法进行实验验证，分析算法的效果和性能，并与现有算法进行比较分析。

四、研究意义本研究的意义在于提供一种适用于复杂背景下的红外小目标检测算法，可以用于军事、目标跟踪等领域的应用。

同时，也为红外小目标检测算法的改进和优化提供了新思路。

《红外弱小目标识别与追踪算法研究》篇一一、引言随着红外技术的不断发展，红外成像系统在军事、安全、交通等领域的应用越来越广泛。

然而，由于红外图像中目标通常呈现弱小特征，如亮度低、尺寸小等，使得红外弱小目标的识别与追踪成为一项具有挑战性的任务。

本文旨在研究红外弱小目标的识别与追踪算法，以提高红外成像系统的应用性能。

二、红外弱小目标的特点红外弱小目标具有以下特点：目标亮度低，易受背景噪声干扰；目标尺寸小，不易被精确识别；目标运动复杂，难以进行准确跟踪。

这些特点使得红外弱小目标的识别与追踪成为一项具有挑战性的任务。

三、红外弱小目标识别算法研究针对红外弱小目标的识别问题，本文研究了一种基于图像处理和机器学习的识别算法。

该算法包括预处理、特征提取和分类识别三个步骤。

1. 预处理阶段：针对红外图像的噪声和背景干扰问题，采用滤波和增强算法对图像进行预处理，以提高图像的信噪比和对比度。

2. 特征提取阶段：通过提取目标的形状、纹理、边缘等特征，以及利用机器学习算法进行特征学习和分类，实现对弱小目标的准确识别。

3. 分类识别阶段：采用支持向量机、神经网络等分类器对提取的特征进行分类和识别，实现对红外弱小目标的准确判断。

四、红外弱小目标追踪算法研究针对红外弱小目标的追踪问题，本文研究了一种基于卡尔曼滤波和均值漂移的追踪算法。

该算法通过预测目标和更新模型的方式，实现对目标的准确跟踪。

1. 卡尔曼滤波：利用上一时刻的状态信息和当前时刻的观测信息，通过递归的方式估计出当前时刻的状态信息，实现对目标的预测。

2. 均值漂移：根据预测的目标位置，利用均值漂移算法在图像中寻找与目标模型最相似的区域，实现对目标的准确跟踪。

五、实验与分析为了验证本文提出的红外弱小目标识别与追踪算法的有效性，我们进行了实验和分析。

实验结果表明，本文提出的算法在红外弱小目标的识别与追踪方面具有较高的准确性和鲁棒性。

具体来说，算法的识别率达到了90%。

小目标检测的背景抑制算法国内外研究现状当背景比较平缓的时候，就局部辐射强度而言，红外小目标是大于背景的，所以高通滤波的方法就很容易被人们所想到并且加以利用。

空域高通滤波模板具有实时性好、利于硬件并行实现的优点，所以在现实中有很多的应用[3-5];空间匹配滤波器[6]及空间域局部标准差滤波能够极大的提高图像的信杂比，并且当红外图像的背景比较平缓的时候，该算法就很适用。

而今还能够利用频率域滤波的方法对图像进行高效地处理，这得益于硬件技术持续发展的支持。

杨提出自适应频率域Butterworth高通滤波器，有效的抑制了海空背景[7]。

利用小波变换的原理对原始红外图像进行处理，甚至再求取小波模极大值图像，可以很大程度上地提高红外图像的信噪比[8-12]。

此外，对红外复杂背景进行估计的方法也是一种很有优势的抑制背景的方法，该方法是基于低通滤波的思想。

因为需要检测的目标像素相对整幅图像而言是很少的，故将原本的图像与滤波后的图像作差，从而达到将背景滤除的目的。

该方法一般都是把图像放在空间域里进行操作完成的，所以具有很强的实用性。

中值滤波是很重要的背景平滑滤波方法之一[13]。

利用中值滤波进行背景抑制不仅可以衰减随机噪声，还可以防止目标边界模糊，实践表明基于中值滤波的对红外图像进行背景抑制的方法，其滤波性能比较稳定[14]。

数学形态学开运算也是有效的红外复杂背景估计方法之一[15-18]。

将原始图像与开运算结果作差就是有名的Top-Hat变换[19]。

此类算法有别于其他算法的优势就是它的实时性比较好，而且在硬件上比较容易做到。

这两种对红外复杂背景进行估计的方法，它的适用条件就是图像背景比较平缓的时候，所以当背景的灰度不断起伏变化时候，这类算法的效果就不明显了。

论文网二维最小均方滤波器被认为是一种有效的背景自适应滤波算法[20-21]，它也被应用在检测小目标上，并取得了一定的成绩[22-23]。

Kaplan非线性滤波方法估计杂波背景[24]，发现这种方法比线性滤波的方法更好，它有利于小目标的检测。

复杂背景下红外弱小目标检测算法研究复杂背景下红外弱小目标检测算法研究摘要：红外弱小目标检测在军事、安防、航空航天等领域具有重要应用价值。

然而，由于背景复杂多变、噪声干扰等因素的影响，红外弱小目标的检测成为一个具有挑战性的问题。

本文综述了当前红外弱小目标检测算法的研究进展，并提出了一种基于深度学习的红外弱小目标检测算法。

一、引言红外技术是一种通过检测物体辐射的热能来实现目标探测的非接触性技术。

然而，由于红外图像中目标的能量较小，且通常处于复杂背景中，如林地、建筑物、云层等，红外弱小目标的检测一直是一个具有挑战性的任务。

二、红外弱小目标检测算法的研究进展目前，红外弱小目标检测算法主要包括传统算法和深度学习算法两类。

1. 传统算法传统算法主要通过对红外图像的预处理、特征提取和目标检测三个步骤进行处理。

常用的预处理方法有背景平均法、自适应滤波法等，用于降低图像噪声和背景干扰。

特征提取方法通常包括峰值信噪比、能量、梯度等指标，用于表征目标的形状、纹理等特征。

目标检测方法包括阈值分割、形态学处理、模板匹配等，用于判断目标是否存在于图像中。

2. 深度学习算法近年来，深度学习算法在目标检测领域取得了突破性进展。

深度学习算法通过训练大规模数据集和深层网络模型，能够学习到更加丰富的特征表示。

在红外弱小目标检测中，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）等。

这些算法通过对数据集的训练，能够学习到红外弱小目标的特征，从而提高检测的准确性和稳定性。

三、基于深度学习的红外弱小目标检测算法为了提高红外弱小目标检测的性能，在本文中提出了一种基于深度学习的算法。

该算法主要包括以下几个步骤：1. 数据预处理通过对红外图像进行预处理，如去噪、增强等，以提高图像的质量和目标的可见度。

2. 特征提取引入卷积神经网络（CNN）进行特征提取。

CNN通过多个卷积层和池化层，逐渐提取图像的特征表示，并通过全连接层进行分类和检测。

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技术在军事、安防、交通等领域的应用越来越广泛。

然而，由于复杂背景条件的干扰，红外小目标的检测与跟踪仍然是一个具有挑战性的问题。

本文旨在研究复杂背景条件下的红外小目标检测与跟踪算法，以提高红外小目标的检测精度和跟踪稳定性。

二、红外小目标检测算法研究2.1 背景抑制技术在复杂背景条件下，背景噪声对红外小目标的检测造成了很大的干扰。

因此，需要采用有效的背景抑制技术来降低背景噪声的影响。

常用的背景抑制技术包括帧间差分法、高斯滤波法等。

这些方法可以有效地消除静态背景和动态干扰，突出小目标。

2.2 目标提取与分割在背景抑制的基础上，需要采用合适的方法提取和分割红外小目标。

常用的方法包括阈值分割法、区域生长法等。

这些方法可以根据目标的灰度、纹理等特征进行提取和分割，得到较为准确的目标轮廓。

2.3 算法优化与改进针对复杂背景条件下的红外小目标检测问题，还需要对现有算法进行优化和改进。

例如，可以采用多尺度滤波器、多特征融合等方法提高算法的鲁棒性和准确性。

此外，还可以通过引入机器学习和深度学习等方法，进一步提高算法的智能化程度。

三、红外小目标跟踪算法研究3.1 基于特征匹配的跟踪算法基于特征匹配的跟踪算法是红外小目标跟踪的常用方法之一。

该方法通过提取目标的特征信息，在后续帧中寻找与目标特征相似的区域作为跟踪目标。

常用的特征包括颜色、纹理、形状等。

3.2 基于模型驱动的跟踪算法基于模型驱动的跟踪算法通过建立目标的数学模型，根据目标的运动规律进行跟踪。

该方法可以有效地处理目标的形变和旋转等问题，提高跟踪的稳定性。

常用的模型包括几何模型、物理模型等。

3.3 算法融合与优化为了进一步提高红外小目标的跟踪精度和稳定性，可以将多种跟踪算法进行融合和优化。

例如，可以将基于特征匹配的跟踪算法和基于模型驱动的跟踪算法进行融合，充分发挥各自的优势。

《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。

Fuzzy-ART背景抑制的单帧红外弱小目标检测I. 引言A. 背景和研究意义B. 目标检测的研究现状C. 研究思路和贡献II. 相关技术介绍A. Fuzzy-ART背景抑制算法B. 单帧红外弱小目标检测方法C. 其他相关技术III. Fuzzy-ART背景抑制的单帧红外弱小目标检测方法A. 方法原理B. 方法流程C. 方法实现IV. 实验设计和结果分析A. 实验设计B. 实验结果分析C. 实验结论V. 结论和展望A. 研究结论B. 研究不足和展望C. 研究思路的发展趋势VI. 参考文献I. 引言在现代社会中，人们对红外成像技术的需求越来越大。

其主要应用于监控、侦查、医学、工业、军事等领域。

其中，红外弱小目标检测技术是红外成像技术中的一个重要分支。

而Fuzzy-ART背景抑制技术是一种有效的目标检测方法。

本论文主要探讨基于Fuzzy-ART背景抑制技术的单帧红外弱小目标检测方法。

A. 背景和研究意义红外成像技术是一种能够感知目标热量的技术，具有不受光照和天气影响、能够穿透障碍物、能够在夜间和恶劣环境中工作等优点，在军事、公共安全等领域中具有重要应用价值。

但是，红外成像技术也存在一些问题，如背景噪声干扰、图像的低对比度、弱小目标检测困难等。

因此，如何有效地检测红外弱小目标成为了当前红外成像技术的研究热点之一。

B. 目标检测的研究现状目标检测是红外成像技术中的一个关键技术，其主要任务是从红外图像中自动地识别和定位出目标。

目前，主要的目标检测方法包括模板匹配方法、能量算法、自适应阈值方法和机器学习方法等。

其中，机器学习方法是目前最为热门的方法之一。

机器学习方法主要分为监督学习和无监督学习两种，在红外弱小目标检测中，主要应用无监督学习方法。

无监督学习方法可以根据数据分布自动地学习分割目标，无需人工干预。

C. 研究思路和贡献本论文基于Fuzzy-ART背景抑制技术，提出了一种单帧红外弱小目标检测方法。

该方法将Fuzzy-ART背景抑制算法引入到单帧红外弱小目标检测中，通过对图像进行背景抑制，削弱了图像中背景的影响，从而有效地提高了目标检测的准确率和性能。

红外图像弱小目标检测技术研究1、本文概述随着技术的不断进步，红外成像技术已成为现代军事、航空航天、民用安全等领域不可或缺的重要工具。

特别是在夜间或弱光条件下，红外成像技术以其独特的成像方法实现了对目标的清晰观察和识别。

在实际应用中，红外图像往往含有大量的噪声和干扰，使得弱目标的检测异常困难。

研究红外图像弱小目标检测技术具有重要的现实意义和应用价值。

本文旨在探索红外图像弱小目标检测技术的相关理论和方法。

我们将分析红外图像的特征，以了解红外图像中弱小目标的特征和困难。

我们将回顾现有的弱目标检测算法，包括基于滤波的方法、基于背景抑制的方法和基于多帧融合的方法等，并分析其优缺点和适用场景。

接下来，我们将提出一种基于深度学习的弱目标检测算法，该算法通过从红外图像中提取和分类深度特征来实现对弱目标的精确检测。

我们将通过实验验证所提出算法的有效性，并将其与其他算法进行比较，为红外图像弱小目标检测技术的发展提供参考和启示。

2、红外图像弱小目标检测技术综述红外图像弱小目标检测技术是识别、提取和跟踪复杂背景下弱目标的重要技术。

由于红外图像中弱目标的信噪比低、对比度低、体积小、运动轨迹不确定等特点，其检测成为一项极具挑战性的任务。

近年来，随着红外成像技术和信号处理技术的快速发展，红外图像中的弱小目标检测技术也受到了广泛的关注和研究。

红外图像弱小目标检测技术的核心在于如何有效地从复杂背景中提取目标信息。

这通常涉及多个阶段，如图像预处理、对象增强、对象提取和对象跟踪。

在图像预处理阶段，主要目的是去除图像中的噪声，提高图像质量，为后续的目标检测提供良好的基础。

在目标增强阶段，使用直方图均衡和对比度增强等各种算法来提高目标与背景之间的对比度，从而突出目标信息。

在目标提取阶段，采用阈值分割、边缘检测、形态学处理等方法从增强图像中提取目标区域。

在目标跟踪阶段，通过滤波算法、匹配算法等实现对目标的连续跟踪。

目前，在红外图像中微弱小目标的检测方面取得了重大进展。