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。
《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、监控等领域得到了广泛应用。
然而，由于红外图像中目标通常呈现弱小特征，如信噪比低、对比度差等，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，以提高红外图像中目标的检测和跟踪精度。
二、红外弱小目标的特点红外弱小目标在图像中通常表现为低亮度、小尺寸、信噪比低等特点。
这些特点使得传统目标检测与追踪算法在处理红外图像时面临诸多困难。
此外，由于目标运动的不确定性、背景的复杂性以及各种干扰因素的影响，使得红外弱小目标的识别与追踪更加复杂。
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，本文提出了一种基于多尺度特征融合的识别算法。
该算法通过融合不同尺度的特征信息，提高目标的表征能力，从而增强对弱小目标的识别效果。
具体而言，该算法首先利用多尺度卷积神经网络提取目标的多尺度特征；然后，通过特征融合技术将不同尺度的特征信息进行融合，形成更加丰富的目标表征；最后，利用分类器对融合后的特征进行分类，实现目标的识别。
四、红外弱小目标追踪算法研究在红外弱小目标的追踪方面，本文提出了一种基于区域协同的追踪算法。
该算法通过将目标区域与周围背景区域进行协同分析，提高对目标的跟踪精度。
具体而言，该算法首先利用红外图像中的局部信息，对目标区域进行初步定位；然后，通过分析目标区域与周围背景区域的关系，实现目标的精确跟踪；最后，利用卡尔曼滤波器对目标轨迹进行平滑处理，提高跟踪的稳定性。
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，我们进行了大量实验。
实验结果表明，基于多尺度特征融合的识别算法能够有效提高对红外弱小目标的识别率；而基于区域协同的追踪算法则能够在复杂背景下实现对目标的精确跟踪。
此外，我们还对两种算法的性能进行了比较和分析，结果表明本文提出的算法在识别与追踪精度、鲁棒性等方面均具有较好的性能。
红外图像中弱小目标检测技术研究红外图像中弱小目标检测技术研究摘要：随着红外图像技术日益发展和应用的广泛，红外图像中弱小目标的检测问题日益引起研究者的关注。
传统的目标检测方法在红外图像中表现出较差的性能，特别是在检测弱小目标时更为困难。
因此，本文对红外图像中弱小目标检测技术进行了深入研究，提出了一种基于深度学习的弱小目标检测方法，并进行了实验验证，证明了该方法的有效性和优越性。
第一章引言1.1 研究背景红外图像具有遥感、夜间监测等领域的广泛应用，然而在红外图像中，弱小目标的检测一直是一个具有挑战性的问题。
传统的目标检测方法在红外图像中无法准确地识别出目标，在弱小目标的检测问题上表现尤为明显。
1.2 研究目的本文旨在探索一种能够有效检测红外图像中弱小目标的技术方法，提高目标检测的准确性和鲁棒性。
第二章相关概念和理论2.1 红外图像红外图像是一种由红外辐射产生的图像，它记录了被物体辐射出的红外能量，常用于军事、医学、环境监测等领域。
2.2 弱小目标弱小目标是指在红外图像中大小较小、明暗度较低、形状不规则等特征明显弱于背景的目标，例如小型无人机、远程火炮等。
第三章弱小目标检测方法研究3.1 传统的目标检测方法传统的目标检测方法主要包括基于特征提取与分类器的方法，如Haar特征和SVM（支持向量机）方法等。
然而，这些方法对于红外图像中的弱小目标检测效果较差。
3.2 基于深度学习的弱小目标检测方法近年来，深度学习技术在图像处理领域取得了巨大的突破。
本文提出了一种基于深度学习的弱小目标检测方法。
该方法采用卷积神经网络（CNN）进行特征提取，并利用目标检测器进行目标的定位和分类。
实验结果表明，该方法在红外图像中检测弱小目标的准确率和鲁棒性较传统方法有明显提高。
第四章实验与结果分析本文在红外图像数据集上进行了实验，比较了传统的目标检测方法和基于深度学习的弱小目标检测方法的性能。
实验结果表明，本文提出的方法在检测弱小目标方面具有明显的优势，能够准确地定位和识别红外图像中的弱小目标。
基于张量分解的红外弱小目标检测算法研究红外遥感技术在军事、安防等领域中具有重要的应用价值。
在红外图像中，弱小目标的检测一直是一个具有挑战性的问题。
为了克服这个问题，许多基于张量分解的红外弱小目标检测算法被提出和研究。
红外弱小目标通常指的是红外图像中的低对比度、低亮度等目标。
由于受到红外图像采集设备的限制以及背景干扰的影响，直接从红外图像中提取目标非常困难。
因此，基于张量分解的红外弱小目标检测算法成为了解决这一问题的有效方法。
首先，需要了解什么是张量分解。
张量分解是一种多线性代数方法，用于将多维数据分解为低维子空间。
在红外图像中，将红外图像数据分解为局部特征空间可以提高目标的显著性，从而实现目标的检测。
基于张量分解的红外弱小目标检测算法通常包括以下几个步骤。
首先，对红外图像进行预处理。
预处理的目的是降低图像中的噪声以及增强目标的对比度。
常用的预处理方法包括直方图均衡化、滤波等。
然后，利用张量分解技术对预处理后的红外图像进行分解。
张量分解可以将原始红外图像分解为几个低维子空间，每个子空间对应一个特定的图像特征。
常用的张量分解方法包括SVD（奇异值分解）、Tucker分解等。
接下来，通过对分解后的子空间进行处理，提取目标特征。
通常采用一些特征提取方法，如局部二值模式（LBP）、主成分分析（PCA）等。
这些特征能够更好地描述目标的纹理和形状信息。
最后，采用目标检测算法对提取的特征进行分类和检测。
常用的目标检测算法有支持向量机（SVM）、卷积神经网络（CNN）等。
这些算法可以根据提取的特征判断目标是否存在，并给出目标的位置和类别。
在实际应用中，基于张量分解的红外弱小目标检测算法已经取得了一定的成果。
这些算法在红外图像中有效地提取了目标的显著性特征，对低对比度、低亮度等弱小目标的检测取得了较好的效果。
然而，基于张量分解的红外弱小目标检测算法仍然存在一些挑战和问题。
首先，由于红外图像中存在的复杂背景干扰和噪声，目标特征的提取和目标检测的准确性还有待进一步提高。
红外图像处理中的目标检测算法研究近年来，随着红外技术的不断发展，红外图像在军事、航空、遥感等领域中得到了广泛的应用。
而红外图像的主要特点是其对温度敏感，同时在空间和时间上均具有良好的分辨能力，因此它在目标检测中的应用也越来越广泛。
本文就探讨红外图像处理中的目标检测算法的研究进展。
一、红外图像处理中的目标检测算法概述目标检测算法是指通过对图像中的目标进行分析、处理，确定目标的位置、尺寸、形状、数量等信息。
在红外图像处理中，目标检测算法主要有以下几种：1. 基于滤波的目标检测算法滤波是图像处理中常用的一种处理方法。
基于滤波的目标检测算法一般采用各种卷积核对红外图像进行处理，通过滤波后图像的变化来确定目标的位置和尺寸。
这种方法简单易懂，但对目标的形状等特征提取不够精细，因此准确性有限。
2. 基于特征提取的目标检测算法特征提取是指从图像中提取出一些具有代表性的局部结构，为之后的分析和处理提供基础。
基于特征提取的目标检测算法采用各种特征提取方法对红外图像进行处理，通过提取出图像中的一些特征结构来确定目标的位置、尺寸、形状等信息。
这种方法相对于基于滤波的方法来说，可以提取出更为精细的目标特征，因此准确率更高。
3. 基于机器学习的目标检测算法基于机器学习的目标检测算法采用各种机器学习算法对大量的样本数据进行训练，从而达到对红外图像中目标的自动检测。
这种方法因为其在识别复杂目标方面的良好性能，引起了研究者们的广泛关注。
二、基于滤波的目标检测算法基于滤波的目标检测算法一般常用的方法是基于高斯滤波的算法。
之所以采用高斯滤波是因为，高斯滤波涉及到了频率域的平滑处理，通常情况下红外图像具有一定的噪声，采用高斯滤波可以有效去除噪声，从而提高目标检测的准确率。
基于高斯滤波的目标检测算法主要是通过建立一种高斯模型来检测图像中的目标。
该算法首先需要对图像进行高斯滤波，去除噪声，之后在滤波后的图像中连续分割出较明显的连通区域，基于这些连通区域建立模型，判别出其中的热点区，完成对目标的检测。
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。
红外热成像目标检测算法研究与应用红外热成像技术是一种利用物体热辐射差异进行成像的技术，广泛应用于军事、工业、医疗等领域。
其中，红外热成像目标检测是红外技术应用的一个重要分支，它能够在复杂背景下快速准确地检测出目标，为后续的识别、跟踪等任务提供重要支持。
一、红外热成像目标检测算法概述红外热成像目标检测算法的主要任务是从红外图像中识别出感兴趣的目标，通常包括点目标、面目标和扩展目标等。
这些目标在红外图像中表现为亮度、形状、纹理等特征的变化。
目标检测算法需要能够处理红外图像的噪声、对比度低等问题，同时实现对目标的快速准确检测。
二、红外热成像目标检测算法分类根据检测原理和实现方法的不同，红外热成像目标检测算法可分为以下几类：基于阈值的方法：通过设置合适的阈值，将图像中的目标与背景进行分离。
这种方法简单快速，但容易受到噪声和光照变化的影响。
基于滤波的方法：利用滤波器对红外图像进行预处理，提高目标与背景的对比度。
常见的滤波方法包括高斯滤波、中值滤波等。
基于特征的方法：提取目标的特征（如边缘、角点等），然后利用分类器（如支持向量机、神经网络等）对特征进行分类，从而实现目标检测。
这种方法对目标的形状、纹理等特征具有较强的描述能力，但计算复杂度较高。
基于深度学习的方法：利用深度学习模型（如卷积神经网络）对红外图像进行特征学习和分类。
这种方法能够自动提取目标的深层特征，具有较高的检测精度和鲁棒性，但需要大量的训练数据和计算资源。
三、红外热成像目标检测算法应用与挑战红外热成像目标检测算法在军事侦察、无人机导航、安防监控等领域具有广泛的应用前景。
然而，在实际应用中，红外热成像目标检测算法面临着诸多挑战，如复杂背景干扰、目标遮挡、光照变化等。
为了提高算法的鲁棒性和实时性，需要针对这些问题进行深入研究和技术创新。
四、总结与展望红外热成像目标检测算法作为红外技术应用的重要分支，在军事、工业等领域具有广泛的应用前景。
随着深度学习等技术的不断发展，红外热成像目标检测算法的性能将得到进一步提升，为实际应用提供更加可靠的支持。
红外弱小目标检测技术研究红外弱小目标检测技术研究引言：随着红外技术的发展和应用的广泛，红外弱小目标检测成为了当前热门的研究领域之一。
红外弱小目标主要指的是在红外图像中相对于背景而言灰度值较低且尺寸较小的目标。
红外弱小目标的检测对于军事、安防、无人机等领域具有重要的应用价值。
本文就红外弱小目标检测技术的研究进展进行了探讨。
一、红外弱小目标的特点红外弱小目标的主要特点包括：目标尺寸小、灰度值低、背景复杂等。
相对于可见光图像，红外图像比较模糊，目标的轮廓不够清晰，目标和背景之间往往存在一定的灰度差异。
因此，红外弱小目标的检测面临着许多挑战。
二、红外弱小目标检测技术目前，关于红外弱小目标的检测技术主要包括以下几种：基于特征的方法、目标分割方法、模板匹配方法和深度学习方法等。
1. 基于特征的方法基于特征的方法是最早的红外弱小目标检测方法之一。
该方法通过选取一些有效的特征，如颜色、纹理、形状等对红外图像进行分析和处理，以实现目标的检测。
然而，由于红外图像的模糊性和噪声影响，传统的特征提取方法在红外弱小目标检测中往往效果不佳。
2. 目标分割方法目标分割方法是通过对红外图像进行前景和背景分割，以实现目标的检测和定位。
这种方法首先对图像进行预处理，如灰度变换、滤波等，然后应用阈值分割或其他分割算法将目标从背景中提取出来。
然而，由于红外图像中目标和背景之间的灰度差异较小，目标分割往往困难，容易出现漏检和误检。
3. 模板匹配方法模板匹配方法是将预先得到的目标模板与待检测图像进行匹配，从而实现目标的检测和识别。
该方法通常需要事先收集一些目标的红外图像，并进行预处理提取出目标的模板，然后对新的红外图像进行模板匹配。
然而，模板匹配方法的主要问题是目标在红外图像中的灰度、形态、大小等差异较大，因此模板匹配的效果有限。
4. 深度学习方法近年来，深度学习方法在目标检测领域取得了显著的成果。
使用深度学习方法可以自动学习红外弱小目标的特征，避免了手工设计特征的繁琐过程。
文章编号21005-5 30(Z 005 04-0083-04红外图像中弱小目标检测算法概述卓宁1 孙华燕1 张海江Z(1.装备指挥技术学院 北京10141 ;Z. Z 41部队 8分队 辽宁葫芦岛1Z 5001 摘要2在现代战争中 复杂背景下的红外弱目标检测技术是红外制导系统中一个亟待解决的问题 也是提高武器系统性能的关键O 现基于小目标检测的现状和最新进展 从空间滤波和时间滤波的角度对现有的小目标检测技术进行了简单的概述 并分析了今后的研究方向O关键词2复杂背景;小目标;空间滤波;时间滤波中图分类号2TP 3 1.4文献标识码2AAlgorithm surveys on small target detection in inf rared imageZHUO Nzng 1 SUN Hua -yan 1 ZH NG Haz -jzangZ (1.Institute of eguipment Command and Technology Beijing 10141 China ;Z.PLA Z 41Command and 8Unit ~uludao 1Z 5001 ChinaAbstract 2In the modern War detection of the small target in the condition of complicated background is an urgent problem for infrared control and guide it is also the key of improving Weapon system capability .Part algorithms of infrared small target detection in the Way of spatial filter and time filter are introduced in this paper based on present and recent technology .Finally the direction of the study are analyzed .Key words 2complicated background ;small target ;spatial filter ;time filter1引言现代战争中 要求更早地~在更远的距离上发现和捕获敌方的来袭导弹~飞机等目标 以使防御武器有足够的反应时间O 这时目标的图像很小 只有一个或几个像素 缺乏结构信息 此外视场中可能还有云~地物等各种复杂的背景杂波 目标点极易被噪声所淹没O 因此 复杂背景下低信噪比红外弱小目标检测是武器系统中的关键技术之一 是运动目标探测中一个亟待研究与解决的课题O为了从二维序列图像中检测到低信噪比红外弱小目标 自70年代以来 国内外学者和专家进行了广泛而深入的研究 提出了许多有实际意义的检测算法O Bauch [1]等人提出 通过采用一组时间上的高阶差分来抑制背景干扰 并得到目标运动轨迹O 并用动态规则和状态估计技术来增加目标的可检测性O 然而 这种方法在低信噪比的情况下可能呈现较差的性能O 此后 又有人提出了频域中的三维时空匹配滤波技术并且把其简化为只在空域中进行的二维匹配滤波 其结果在时间序列中进行递推求和O Irani M [Z ]等人用计算小邻域上灰度的加权平均再用梯度进行归一化 以此作为运动的度量O 还有由Liou S P 和J ian R C 提出的运动目标检测方法是基于时空空间中运动轨迹任一点上切线和法线的正交性 但是为了得到图像第Z 7卷第4期Z 005年8月光学仪器O PTICAL I N S T R U M e N T S V ol.Z 7 N o.4August Z 005收稿日期2Z 004-11-1作者简介2卓宁(1 7 - 女 安徽蚌埠人 工程师 硕士生 主要从事图像信号处理方面的研究O48光学仪器第Z7卷函数的时间和空间偏导数必须实时完成在时空空间中的三维曲线拟合因而增加了计算量国内在小目标检测方面也做了大量的工作提出了迭代统计平均检测法神经网络法全局搜索法等小目标检测方法但是由于背景的不同小目标运动轨迹速度及姿态的变化各种检测算法的计算量大等原因故至今尚无十分理想可实时实现的算法现概述了现有的低信噪比小目标检测部分算法并分析了今后的发展和研究方向小目标的检测一般都采用空间时间滤波算法先进行空间滤波预处理实现目标增强和背景抑制提高图像的信噪比再在此基础上用门限检测的方法进行目标检测然后通过时间序列分析进行时间域滤波去伪存真找到真正的目标2基于空间滤波的检测方法空间滤波一般采用阀值相关卷积小波等线性滤波器和形态学中值均值最大等非线性滤波器线性滤波器一般数学表达式清楚计算简单但是经过滤波后一般会使边沿变模糊;而非线性滤波器一般加强图像的边沿下面对基于空间滤波器的检测方法作简单的介绍2.1门限检测法(ThreShOlding)利用门限检测法的目的是使规定的检测门限高得足以抑制背景起伏低得足以使目标信号通过小目标探测算法最终都要演化成门限检测法门限检测法的一般原理是设图像表示为:1 {f(z j)}z [l M]j [l N](l)点目标存在与否可以表示为:H l f(z j)Z TH O f(z f)<Tf(z f)表示某一帧图像中(z j)点的灰度值T为门限或阈值这种算法存在于很多文献中但是计算出来的门限通常为固定门限适应性较差2.2背景抑制法背景抑制技术的研究非常广泛主要由图像滤波像素变换等其中以滤波技术应用最为常见到目前为止已经发展了很多种基于图像滤波的背景抑制方法包括采用卷积或相关运算的背景抑制基于TOP-h 变换的数学形态学滤波二维均方误差法数学形态学滤波等背景抑制技术的基本思想:首先对红外图像的背景起伏分量进行估计然后将原始图像与背景起伏图像相减以得到不含起伏的红外图像对于这一类算法的实质仅在于背景估计部分所采用的算法不同文献[3]提出了基于门限检测的低通滤波算法;文献[4 5]提出了用空间高通滤波方法改善图像质量抑制背景噪声的方法;文献[6]提出了一种基于卡尔曼滤波理论的时域递归低通滤波算法低通高通滤波虽然对背景起到一定的抑制作用但是效果不够理想基于TOP-h 变换的数学形态学滤波[7]是一种实用的自适应非线性滤波技术它利用集合函数的膨胀和腐蚀进行局部最大和最小运算以实现对图像的空间滤波通过使参与运算的区域大小根据背景的起伏程度进行相应的调整来实现自适应滤波只要结构元素选择合适该方法能得到比较理想的背景估计结果二维最小均值方误差滤波实际上是一种典型的自适应线性预测算法它在预测过程中采用了最小均方误差准则当原始红外图像中含有较强相关噪声时二维最小均值方误差是行之有效的方法利用噪声的相关性可以从滤波器的输入信号中预测得到噪声分量并消除之而在滤波器的残差中得到目标信号分量该算法对平稳背景图像具有很好的噪声抑制效果但对于非平稳背景反而可能会使信噪比降低2.3小波变换法小波分析的多尺度特性使得它适合于在低信噪比环境下进行红外目标检测其伸缩特性可使部分图像特征在某个尺度下被有效地抑制而某些感兴趣的特性可以被突显出来因为小波基函数有可变的间隔 它们能够使定位信号间断 当对一幅图像进行二维离散小波变换时 可产生具有不同分辨力和减小了空间的子图 而保持目标和杂散的适当空间位置 小波变换的另一个潜在的好处就是不但能够从一个或两个子带仅用系数进行检测 而且可以减少处理的总像素数目 李国宽[ ]等采用阈值法对高频成份进行统计分析来探测小目标 但其前提是小目标尺寸较大 且图像中只有一个小目标 周杰[ ]等研究了一种方向小波变换的点目标检测方法 其思路是点目标在一定的时间段内是沿直线运动的 因而 将点目标轨迹的能量沿运动方向投影时其叠加的峰值最高 于是检测运动点目标的问题就可以转化为在不同方向投影图中寻找能量最大~波形最陡峭的能量波峰 即目标能量波峰 该方法不适用于目标角速度接近于 的情况. 最大中值滤波器中值滤波器是一种典型的非线性滤波算法 在过滤掉高频噪声的同时对低频图像边沿破坏较小 这种方法的基本思想是 在输入图像中 以任一像元为中心设置一个确定的邻域 将该领域内各像素的灰度值按大小有序排列 取位于中间位置的那个值(或最大值)作为该像元的输出灰度值 遍历整幅图像就可完成整个滤波过程 然后 将原始图像与滤波输出相减 即可得到消除了背景的图像 该算法只能滤除脉冲宽度小于滤波窗口一半的噪声 邻域窗口的大小与形状对滤波结果也有较大的影响 这就是该算法的局限性3基于时间滤波的检测方法空间滤波器通常无法唯一地探测到可能的点目标 还需要进一步采用时间滤波器 即通过目标在多帧图像中的相关性进行滤波 有些算法中时间滤波器放在空间滤波器之后叫先检测后跟踪(detect before track ) 有些算法中时间滤波器放在空间滤波器之前 叫做探测前跟踪(track before detection ) 前者只有在信噪比很高的情况下才能取得较好的性能;与之相比 后者是基于运动特性的目标检测技术 它只用运动特性对目标进行描述 并将目标的检测和跟踪问题简化为轨迹的检测 因而得到了广泛的应用 常用的时间滤波器有 三维匹配滤波器~帧相关技术~多级假设检验法~最优原理的动态规划法~图像流法等3.1三维匹配滤波器匹配滤波器[1 11]是最佳的滤波器 其原理就是 针对目标所有可能的运动情况设计相应的多个三维滤波器 对每个滤波器的图像序列的输出结果进行统计 选出使输出信噪比最高的滤波器 从该滤波器所对应的运动状态可以确定目标在图像中的位置和轨迹 由于每一匹配滤波器对应着一条完整的轨迹 故这种方法可实现对多条轨迹的同时检测 原则上讲 可以从未经二值化的图像中检测出运动轨迹 然而 由于运动目标的数目~速度和位置等航迹信息不能预先知道 这就导致不可实现的无穷尽式搜索 因此只适用于很小应用范围3. 帧相关技术帧相关技术利用图像帧信号之间的空间相关性对目标进行轨迹关联 它假设在采用稳像技术之后小目标在相邻两帧图像中位置漂移在一定的允许范围之内 设有连续的两帧图像 对第一帧进行处理得到其中可能的小目标坐标 然后以第一帧中小目标为基准在第二帧图像中相同坐标位置附近一定距离范围内进行搜索 如果也搜索到小目标 则在这两帧中继续保留这些点 且记下这些点的坐标位置 否则就认为该小目标是随机噪声 并将其去掉 对第三帧图像也作同样的处理 这样搜索的范围就不断减小 最后确定出真正小目标的位置 文献[12~1M ]就采用了帧相关技术 该算法存在的不足 目标的信噪比通常要求较高 否则图像中目标灰度值的起伏可能会造成相关中断3.3多级假设检验法[15]多级假设检验法是一种通过序贯处理来达到减少计算目的的算法 它将众多可能的目标估计以树的结构组织起来 通过对序列中到达每帧图像的树进行假设检验 以随时去掉没有通过检验的树 来达到减少运算量和存储量的目的 该方法的优点是对每一条候选轨迹的计算效率较高 从而减小了计算量和存储量;但是当信噪比较低时 虚警率较高3. 基于最优原理的动态规划法[16]5 第M 期卓宁等 红外图像中弱小目标检测算法概述动态规划是一种基于最优原理的算法 基本思想是:先定义一种目标状态作为一组可能的目标轨迹 每一条轨迹以递归的方式被跟踪并赋予一个得分数 对于给定帧图像上的像元 只要简单的根据轨迹分数确定其相应归属哪条轨迹即可 但是该方法需要较多的匹配滤波器对目标进行检测 由于将图像序列分成每一级具有固定长度的若干组 故可能会引起轨迹的失配 从而造成性能损失 并且最优化过程可能带来巨大的计算量和存储量 不利于实时处理3.5基于图像流算法的滤波技术图像中目标的运动在图像的两个坐标上投影所产生的速度场称为图像流 通过对序列图像进行图像流分析 可以有效地检测出图像中目标的运动轨迹 文献[4 5]对弱目标检测提出图像流法 文献[17]提出数学形态学膨胀累加,图像流航迹关联和二级并行假设检验的点目标检测方法 图像流法的优点是能够检测独立运动的对象 不需要预先知道场景的任何信息 并且可用于摄像机运动的情况 但多数图像流法计算复杂耗且在有些情况下不可用 如有阶跃边缘和遮挡的情况 除非硬件支持 否则很难实时实现 4结束语复杂背景下红外弱小目标的检测历来被认为是一个十分复杂的问题 同时也是图像理论发展的瓶颈之一 文中对近年来国内外比较常用的小目标检测算法的研究进行了简单的概述 限于篇幅 不能一一列举 到目前为止 在提出低信噪比小目标检测算法中通用性强且性能优良的并不多见 在工程实现上还存在这样和那样的不足 需要进一步探索和不断改进完善当前红外弱小目标检测算法面临的关键技术难点是:(1D 低信噪比情况下 可靠,稳定的检测目标;(2D 虚警率低且恒定 检测概率较高;(3D 高速实时性处理 预计这些技术难题将在今后若干年内逐步得到解决5参考文献[1]Bauch -E Futterman W I Kemmer D B .Back -ground suppression and tracking With a staring mosaic sensor [J ].O ptzcal Engzneerzng .1981 2O(1D :1O3~11O.[2]Iranni M et al . Detectioin and tracking multiple moving objects using temporal integration [A ].SeconC E/ropean Confer on Comp/ter Vzszon [C ] Italy :Santa Margherita Ligure 1992.282~287.[3]王勇 赵保军.复杂背景下低信噪比点目标的实时检测算法及实现[J ].系统工程与电子技术 2OO2 24(12D :17~21.[4]周卫祥 孙德宝 彭嘉雄.红外图像序列运动小目标检测的预处理算法研究[J ].国防科技大学学报 1999 21(5D :57~6O.[5]彭嘉雄 彭铁.弱目标检测的图像流法[J ].红外与激光工程 1996 25(4D :34~4O.[6]沈宇键 何昕 郝志航.图像序列中检测运动小目标的递归算法[J ].光电工程 2OO4 27(2D :9~13.[7]Zhu Z F Li Z L liang -C .et al . Gryscale morphological filter for small target detection [J ]SPIE 2OOO:413O 28~34.[8]李国宽 彭嘉雄 李红.基于向量小波变换的小目标检测方法[J ].华中理工大学学报.2OOO 28(1D :73~75.[9]周杰 彭嘉雄 等.基于小波变换的运动点目标检测方法[J ].宇航学报.1996 17(3D :1~5.[1O]MelendeZ K A Modestino J W .Spatial -temporal multiscan adaptive matched filtering [J ].SPIE 1995 2561:51~65.[11]Scheffe M Blane M M Cooper D B .Multicovariance matched filter for target detection and background recognition [J ].SPIE 19942561:2O3~218.[12]唐莹 田金文 柳健.红外序列图像点目标检测的一种方法[J ].华中科技大学学报 2OO1 29(4D :4~6.[13]熊辉 沈振康.低信噪比抖动红外点目标的检测[J ].国防科技大学学报 1998 2O(2D :54~59.[14]Zhu Z F .Detection and acguistion of small targets With loW Signal -to -clutter ratio [J ].SPIE 1999 38O9:564~569.[15]Stocker A D Jensen P .Algorithms and architec -tures for implementing large velocity filter banks [J ].SPIE 1991 1481:14O~155.[16]Tonissen S M Evans R J .Performance of dynamic programming technigue for track -before -detect [J ].IEEE Transon AES 1996 32(4D :1444~145O.[17]Braga !" Goutsias J .Automatic target detection and tracking in forWard looking infrared image seguences using morphological connected operators [A ].23rC Conference on Informatzon Sczences anC S #stem [C ].Maryland :Baltimore .1999.173~178.$68$光学仪器第27卷。
