基于不变矩特征的红外成像制导跟踪算法研究
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。
《2024年复杂背景条件下的红外小目标检测与跟踪算法研究》范文
《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、引言随着红外成像技术的快速发展，红外小目标检测与跟踪技术在军事侦察、无人驾驶、夜视系统等领域得到了广泛应用。
然而，在复杂背景条件下，红外小目标的检测与跟踪仍然面临诸多挑战。
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，以提高其准确性和鲁棒性。
二、红外小目标检测算法研究1. 背景建模背景建模是红外小目标检测的关键步骤。
在复杂背景下，背景建模需要考虑到多种因素，如动态背景、光照变化等。
常用的背景建模方法包括基于统计的背景建模和基于深度学习的背景建模。
其中，基于深度学习的背景建模能够更好地适应动态背景和光照变化，从而提高小目标的检测效果。
2. 小目标提取在背景建模的基础上，需要进行小目标的提取。
小目标提取的方法包括基于阈值的方法、基于边缘的方法等。
在复杂背景下，小目标可能受到噪声、遮挡等因素的影响，因此需要采用多种方法进行提取和融合，以提高准确性和鲁棒性。
3. 算法优化为了提高红外小目标检测的准确性和效率，需要针对不同场景和需求进行算法优化。
例如，可以采用多尺度滤波、形态学滤波等方法对图像进行预处理，以消除噪声和干扰；同时，可以利用机器学习和深度学习技术对算法进行训练和优化，以适应不同的场景和背景。
三、红外小目标跟踪算法研究1. 特征提取在红外小目标跟踪中，特征提取是关键步骤之一。
由于红外图像的特殊性，需要提取具有代表性的特征以进行目标的准确跟踪。
常用的特征包括颜色特征、形状特征、纹理特征等。
针对红外图像的特点，可以采用基于灰度特征或基于深度学习的特征提取方法。
2. 跟踪算法选择根据不同的应用场景和需求，需要选择合适的跟踪算法。
常用的跟踪算法包括基于滤波的方法、基于机器学习的方法和基于深度学习的方法等。
在复杂背景下，可以考虑采用多种算法进行融合和优化，以提高跟踪的准确性和鲁棒性。
3. 算法性能评估为了评估红外小目标跟踪算法的性能，需要进行实验验证和性能评估。
复杂背景条件下的红外小目标检测与跟踪算法研究
复杂背景条件下的红外小目标检测与跟踪算法研究复杂背景条件下的红外小目标检测与跟踪算法研究摘要：近年来，随着红外技术的迅猛发展，红外小目标检测与跟踪在军事、安防、无人机等领域得到了广泛的应用。
然而，在复杂背景条件下，红外小目标的检测与跟踪面临着很大的挑战。
本文针对这一问题进行了深入的研究，提出了一种基于传统图像处理技术和深度学习的综合算法，有效地提高了红外小目标检测与跟踪的准确率和鲁棒性。
关键词：红外小目标；复杂背景；检测；跟踪；算法1. 引言红外小目标的检测与跟踪是无人机、导弹防御、安防系统等领域中重要的研究课题之一。
其在夜间、复杂天气等条件下，能够对隐藏目标进行准确识别和跟踪，具有很高的应用价值。
然而，由于红外图像的复杂背景，小目标易受背景干扰，导致检测与跟踪的准确性下降。
为此，研究如何在复杂背景条件下实现红外小目标检测与跟踪算法具有重要意义。
2. 相关研究在红外小目标检测与跟踪领域，已经有许多相关研究工作。
其中，传统图像处理技术如滤波、阈值分割等被广泛应用于红外小目标的检测，能够提供一定的准确度。
然而，这些方法往往对于复杂背景的小目标难以有效检测，容易受到噪声和干扰的影响。
另外，近年来，深度学习算法在图像处理领域取得了巨大的突破，被广泛应用于目标检测和跟踪任务。
因此，结合传统图像处理技术和深度学习算法，可以提高红外小目标检测与跟踪的准确度和鲁棒性。
3. 算法设计本文提出了一种基于传统图像处理技术和深度学习的综合算法，用于解决复杂背景条件下的红外小目标检测与跟踪问题。
该算法主要包含以下步骤：步骤1：预处理对红外图像进行预处理，包括图像去噪和增强等操作，以提高图像质量。
步骤2：背景建模建立适应性背景模型，对红外图像进行背景建模与更新，以获得背景信息。
步骤3：目标检测基于传统图像处理技术，如滤波和阈值分割等方法，对红外图像进行目标检测。
同时，利用深度学习算法，如卷积神经网络（CNN）等，提取更高级的特征，以提高目标检测的准确率和鲁棒性。
基于红外图像序列的运动目标检测算法研究
第36誊，增刊红外与激光工程2007年9月、b1．36S uppl印∽nt l n如r ed柚d Las er E ngi n∞ri ng Sep．2007基于红外图像序列的运动目标检测算法研究任章，李露，蒋宏(北京航空航天大学自动化科学与电气工程学院，北京100083)摘要：为解决红外图像序列中运动目标的快速检测问题，提出一种结合目标的不变矩与红外特征的新的特征量，利用图像序列中目标运动的连续性，在匹配的过程中采用K al m aIl预测滤波来估计目标下一帧的位置，从而形成完整的运动目标的检测算法。
该算法既能利用不变矩的仿射不变性，又能对红外目标的辐射特性进行全面的综合描述，准确地实现目标的相关匹配；此外，引入K a】m an 预测滤波不仅能够迅速准确地进行目标匹配，并且在目标出现遮挡、丢失的情况下可应用预测对目标的位置做出合理的估计，以维持对目标的正常的检测跟踪。
实验结果表明该算法能够达到目标检测的准确性和实时性要求。
关键词：目标检测；不变矩；特征提取；特征匹配；K al m aI l滤波中圈分类号：TP391文献标识码l A文章编号：1007—2276(2007)增(探测与制导)-0136_05M oV i ng t ar get det ec t i ng al gor i t hm f or I R i m ages se quenceR E N Zha Il g，L I Lu，J L A N G H o ng(School of A u锄na吐∞s ci锄∞柚d El cc伍cal Engi l溉勘g，B ei harI g uI l i v懿i吼B蜘i ng100083，C舳埔A bs t r act：hl or d er t o f as t det e ct t11e m oV i ng t a昭e t f硒m m e I R i m a ge a rr ays，a new f eat I l r e w l l i chcom bi nes tt l e t a唱et’s m om ent i nV ar i ant s and I R c har a ct e r i st i cs is pr o pos ed i n t hj s pa pe r．T he t a略e t de t ect i Il g al gor i m m m al res us e of m e con血uousness of t a唱e t m oV i I培i n i m a ge a11ra ys．hl m at ch j ng proce ss，i t ado pt s K ahn an f i l t er t o es t i m at e t lle t a略e t pos i t i on i n next i m a ge．The pr op os ed al gori t l l m uti l i ze§t11e棚ne i nV ar i ant s of m om ent i nV撕ant s a11d t11e r adi aI l t s pec诚pr ope啊0f t11e mt aI苫et t o r e al i z e Ⅱl e a cc ur a t e c or re l a t i V e m a t cI l i ng．W hat’s m or e，by us i ng K=l锄an f i l t er i ng，i t not onl y can i f I l pr o V e tI l e m at chi ng pre c i s i on and r educe t he com pu诅t i on t i m e，but al s o can r eas o nabl y est i m at e t he t a玛e t pos i t i on i nc ufr e nt i m a ge eV en w h e n m e t a略e t i s s he l t e r ed o r l ost．T he ex肼时I m nt re sul t s i ndi ca t em at锄s I I l e吐l od c觚ef f色ct i Vel y re al i z e t ll e re al一t i m e and preci se t a瞎e t det ect i ng．K|ey w ords：T魂et de t ect i ng；M om ent i nv ar i ant s；Fean鹏ex仃act i on；Featl鹏删ncIl i ng；K a】m a Il f il te血gO引+言利用红外成像技术实现目标的检测、识别与跟踪是红外成像制导的主要组成部分。
红外小目标检测与跟踪算法研究
摘要红外成像技术具有隐蔽性好、抗干扰性能强等优势，已经普遍应用在了军事和民用领域中。
在实际应用中，由于目标距离红外成像系统较远，使得红外目标成像面积小、缺乏形状和纹理特征，导致目标的检测和跟踪非常困难，因而实现对红外小目标准确有效的检测与跟踪是一个重要且艰难的任务。
本文针对红外小目标的独特成像特性，提出通过Tophat算子和改进的Robinson guard滤波器进行融合对红外图像进行预处理，再使用最小错误法阈值分割提取候选红外小目标区域。
在提取候选红外小目标区域的基础上，本文提出了两种不同思路的检测红外小目标的方案，一种是基于传统的滤波思路的多滤波融合红外小目标检测算法，利用红外小目标的成像独特性结合Unger平滑滤波将真实红外小目标从候选区域中提取出来；一种是基于深度学习卷积神经网络ITNet的红外小目标检测算法，利用ITNet网络将真实红外小目标从候选目标中识别出来，当处理对象是红外视频序列时使用多目标关联滤波进一步剔除伪红外小目标，降低虚警率。
基于管道滤波的思路提出利用小目标检测结果进行多目标数据关联跟踪，建立多目标数据关联矩阵进行多目标状态分析完成多目标跟踪任务。
当小目标消失或者成像变弱未检测到时采用粒子滤波算法预测小目标的相关参数，在预测目标点邻域附近对局部图像区域利用单尺度Retinex算法增强后进行分割判断目标是否存在。
将本文的检测与跟踪算法结合起来在多场景下与多种算法进行性能对比，实验结果表明本文提出的算法能在不同背景图像下达到很高的检测精度，即使当目标淹没于背景时也能将其跟踪并检测到。
关键词：红外小目标；多滤波融合；卷积神经网络；多目标数据关联；检测；跟踪AbstractInfrared imaging technology has many advantages such as well-concealment and strong anti-interference ability,it gets a widely use in the military and civilian applications fields.In practical applications,because of the long imaging distance,the infrared targets are small and lack of shape and texture features,thus making target detection and tracking very difficult.Therefore,achieving accurate detection and tracking of infrared small targets is an important and difficult task.In this thesis,it is proposed by using Tophat operator and improved Robinson guard filter to suppress background of infrared images,and using adaptive threshold segmentation to extract the candidate infrared small target regions.On the basis of extracting the candidate infrared small target regions,this thesis proposes two different approaches to detect infrared small targets,one is multi-filters fusion infrared small target detection algorithm based on traditional filtering ideas,the true infrared small targets are extracted from the candidate region by combining the Unger smoothing filter with the imaging uniqueness of the infrared small targets.The other is ITNet(Infrared Target Network)infrared small target detection algorithm based on the deep learning convolution neural network(CNN),and using ITNet networks to identify true infrared targets from candidate targets.When infrared video sequences are processing,using multi-object association filter to further remove the pseudo-infrared small target,lower the false alarm rate.Based on the idea of pipeline filtering,this thesis proposes a multi-objective data association tracking algorithm with small target detection results, and establishes multi-objective data association matrix for multi-objective state analysis to complete multi-object tracking task.When the small targets disappear or target dimming,the motion parameters of the small targets are predicted based on the particle filter algorithm.The local area of the dim targets is enhanced by the Retinex algorithm to determine whether the dim targets exist.The experimental results show that the algorithm proposed in this thesis achieved high detection accuracy under different background images,even when the target is submerged in the background,it can be used to analyze the performance of the algorithm.Key words：Infrared small targets;Multi-filters fusion;CNN;Multi-objects association filter;Detection;Tracking目录摘要 (I)Abstract (II)1绪论1.1研究背景及意义 (3)1.2国内外研究现状 (4)1.3论文的结构安排 (7)2红外小目标检测任务2.1目标检测任务 (10)2.2红外小目标检测任务 (12)2.3本章小结 (15)3红外小目标候选区域提取3.1红外图像背景抑制滤波 (16)3.2获取红外小目标检测候选区域 (21)3.3本章小结 (25)4基于多滤波算法融合的红外小目标检测4.1小目标提取 (27)4.2基于多滤波算法融合的红外小目标算法 (32)4.3实验结果与分析 (33)4.4本章小结 (35)5基于卷积神经网络的红外小目标检测5.1卷积神经网络 (36)5.2基于卷积神经网络的红外小目标检测 (38)5.3实验结果与分析 (41)5.4本章小结 (44)6基于粒子滤波预测的红外小目标跟踪6.1粒子滤波状态预测 (46)6.2单尺度视网膜皮层图像增强 (49)6.3多目标数据关联跟踪算法 (50)6.4实验结果与分析 (54)6.5本章小结 (57)7总结与展望7.1全文总结 (58)7.2未来展望 (59)致谢 (61)参考文献 (62)附录：攻读硕士期间发表的论文 (67)1绪论1.1研究背景及意义运动目标检测与跟踪方法的研究和应用是计算机视觉领域的一个重要研究方向，当前已经拥有诸多应用，早期运动目标检测与跟踪技术会被应用到人体识别、导航避障以及监控系统等这些传统领域[1]，现今随着人工智能、大数据的高速发展运动目标检测与跟踪技术也应用到了前沿的自动驾驶、机器人、无人机等新兴领域。
红外小目标检测与跟踪算法研究共3篇
红外小目标检测与跟踪算法研究共3篇红外小目标检测与跟踪算法研究1红外小目标检测与跟踪算法研究红外小目标检测和跟踪是指根据红外图像信息，识别出图像中的小目标，并跟踪其运动轨迹。
这一领域与军事、安防等方面有着重要的应用价值。
针对这一问题，目前已经涌现出了很多相关的研究成果。
红外小目标检测与跟踪技术的研究主要面临着两个关键难题：一是如何从复杂的背景中准确提取出目标；二是如何在目标运动轨迹复杂多变的情况下，实现对目标的快速、准确跟踪。
在红外小目标检测方面，常用的方法主要有基于像素的方法和基于特征的方法。
基于像素的方法是指利用像素的灰度信息进行目标提取，例如常用的背景差分法和帧间差分法。
这些方法简单易于实现，但是对目标和背景的分离要求较高，在存在强烈噪声和变化的情况下效果可能不佳。
相比之下，基于特征的方法则能更好地克服这些问题。
其中，既有基于几何形状特征的方法，如Hough变换、连通区域分析等；也有基于局部纹理、颜色特征的方法，如基于Gabor滤波器、小波变换等方法。
利用人工神经网络可以对进一步的信息抽取，从而提高检测性能。
这些方法对目标的提取效果较好，但是对搜索速度和目标方向变化较快的情况下稳定性还有待进一步提高。
针对红外小目标跟踪问题，目前常用的方法主要有基于模型预测的方法和基于特征匹配的方法。
基于模型预测的方法即通过先验知识，构建出目标的运动模型，再通过运动模型预测目标在下一帧中的位置，从而实现对目标的跟踪。
该方法具有较强的鲁棒性和准确性，但是需要较多的先验知识和手工定义。
基于特征匹配的方法则是利用图像中不同区域之间的共性特征，如颜色、纹理等信息，实现对目标的跟踪。
该方法容易实现，但对目标的选择、特征提取等方面存在较大的挑战。
除此之外，还有一些新兴的算法应用在红外小目标检测和跟踪中，如卷积神经网络（CNN）和深度学习等技术。
这些方法通过检测和跟踪的联合优化，实现了对目标的更加准确和稳定的跟踪。
在将红外小目标检测和跟踪技术广泛应用于实际工程中时，我们需要考虑实际应用中的问题，如复杂场景下的干扰、恶劣的天气条件等。
基于Hu不变矩的红外图像电力设备识别
基于Hu不变矩的红外图像电力设备识别陈俊佑;金立军;段绍辉;姚森敬;赵灵【摘要】Aiming at the problems of low efficiency and poor real-time by manual of power equipment recognition in power system infrared detection, digital image processing was proposed to realize the efficient and accurate recognition based on the images obtained from the Infrared image. Firstly, the high temperature point was found as seed in power equipment from the message of infrared temperature. The background was removed effectively by region growing method to obtain the binary image of entire equipment. Secondly, Hu invariant moments and its improved algorithm were selected as the methods of feature extraction. Hu invariant moments of binary images were calculated, and feature vectors of power equipment were obtained. Finally, classifier based on BP neural network was designed to achieve different power equipment recognition, which will be used in fault diagnosis with temperature message. The research results indicate that,this method can receive a high recognition rate for different equipment and has less time-consuming, so that it will get a good prospect.%针对电力系统红外故障检测中对电力设备的人工识别效率低、实时性差等问题,提出了根据红外热图温度信息获取独立的电力设备图像,采用计算机图像处理技术实现对电力设备高效、准确识别的方法.首先,通过红外图像中的温度信息寻找设备中高温点作为种子点,采用区域生长方法有效地去除了背景,获得了整个电力设备的二值图像；然后,选取Hu不变矩作为图像特征提取方法,并对其做出了改进,计算了该二值图像的Hu不变矩,构成了电力设备的特征向量；最后,设计了BP神经网络分类器做分类识别,可用于结合温度信息实现电力系统中电力设备红外图像的故障识别.研究结果表明,该电力设备识别方法对CT、变压器、母线接头、避雷针将军帽等电力设备的识别率高、耗时少,具有良好的应用前景.【期刊名称】《机电工程》【年(卷),期】2013(030)001【总页数】4页(P5-8)【关键词】电力设备识别;红外图像;Hu不变矩;区域生长;BP神经网络【作者】陈俊佑;金立军;段绍辉;姚森敬;赵灵【作者单位】同济大学电子与信息工程学院,上海201804;同济大学电子与信息工程学院,上海201804;深圳供电局有限公司,广东深圳518010;深圳供电局有限公司,广东深圳518010;深圳供电局有限公司,广东深圳518010【正文语种】中文【中图分类】TM76;TP390 引言随着社会的发展，电力需求越来越大，电力设备的负荷也不断增加，由于电力设备大多位于室外，在长期的风雨侵袭下，不免会产生损坏而引起电力系统故障。
基于不变矩的前视红外图像机场目标识别
1. 2
特征提取及目标识别
潜在目标区域多次提取与检验识别的过程，形成 一个受先验知识约束控制的自反馈识别系统.基
本流程如图 1 所示.
输入图像
本文选择具有仿射不变性的矩特征和图像边
缘梯度等两类特征作为机场目标识别的特征. 仿射不变矩
2
1. 2. 1
设图像函数 j(x ， y) ε ICR ) ， D 为目标区 域，则目标的 (m+n) 阶中心矩定义为
表 1
机场识别统计结果
正确识别错误识别拒绝识别 元机场目标图像/帧数 有机场目标图像/帧数
i d 1
梯度阔值.
ndFU-h
。 A
3
O
O
1. 3
目标空间约束
对于前视红外序列成像，目标在前后帧图像
3
识别率/%
nwu
， 飞
a晶
1. 8
1. 8
中的大小和位置具有相关性，利用这种相关性可
提高目标检测的可靠性.尤其对远距离图像，前后 帧之间目标形变较小，可利用前一帧图像得到的
1
识别原理和算法实现
在遥感成像侦察和导航中，机场是一类重要
种基于仿射不变矩的机场目标识别算法，采用分
割提取候选跑道区域，经过多次目标提取与识别 过程，能有效识别复杂成像条件下远距离前视红
外图像序列中机场目标 [1-3J
的目标.近几年来，远距离红外图像机场目标自动
收稿日期:
2005-10-28.
曹杨)
作者简介:张天序(1 9-) ，男，教授;武汉，华中科技大学图像识别与人工智能研究所 (43007 4).
E-mail:
crysta1817208@gmai l. com
基金项目:国家自然科学基金资助项目 (60135020).
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
急剧膨 胀 时的跟踪 点漂移 问题 ，研 究 了 图像 不 变矩 的特 征。利 用 图像不 变矩 的旋转
ｓ ｙｓ ｔ ｅｍ ｓ ｈａ ｖｅ ｂｅ ｅ ｎ ｒ ｅ ｑｕｉ ｒ ｅ ｄ ｔ ｏ ｏｕｔ ｐｕｔ ｔ ｒ ａｃ ｋｉ ｎｇ ｒ ｅ ｓ ｕｌ ｔ ｓ ｗｉ ｔ ｈｉ ｎ ２０ ｍｓ ．Ａ ｌ ｔ ｈｏｕｇｈ ｓ ｏｍ ｅ ｔ ｒ ａ ｃ ｋｉ ｎｇ ａｌ ｇｏ ｒ ｉ ｔ ｈｍ ｓ
ｈ ａ ｖ ｅ ｇ ｏ ｏ ｄ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｅ ｆｅ ｃ ｔ ｉ ｖ ｅ ｎｅ ｓ ｓ ，ｔ ｈ ｅ ｙ ｃ ａ ｎ ｎ ｏ ｔ ｏ ｕ ｔ ｐ ｕ ｔ ｔ ｈ ｅ ｉ ｒ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｉ ｎ ｒ ｅ ａ ｌ ｔ ｉ ｍｅ ． Ｓ ｉ ｎ ｃ ｅ ｔ ｈ ｅ
ｃ ｌ ａ ｓ ｓ ｉ ｃ ａ ｌ ｃ ｏ ｒ ｒ ｅ ｌ ａｔ ｉ ｎｇ ｔ ｒ ａｃ ｋｉ ｎｇ ａ ｌ ｇ ｏｒ ｉ ｔ ｈｍ ｉ ｓ ｍ ａｉ ｎｌ ｙ ｂａ ｓ ｅ ｄ ｏ ｎ ｐｉ ｘｅ ｌ ｇｒ ａ ｙ— ｌ ｅ ｖｅ ｌ ｆ ｅ ａ ｔ ｕｒ ｅ ｓ ，ｔ ｈｅ ｔ ｒ ａ ｃ ｋｉ ｎｇ ｐｏｉ ｎｔ ｄｒ ｉ ｆ ｔ ｐｒ ｏｂｌ ｅ ｍ ｃ ａ ｕｓ ｅ ｄ ｂ ｙ ｔ ｈｅ ｒ ｏｔ ａｔ ｉ ｏ ｎ，ｅ ｘｐａ ｎｓ ｉ ｏｎ ａｎｄ ｔ ｒ ａ ｎｓ ｌ ａｔ ｉ ｏ ｎ ｏｆ ｔ ｈｅ ｔ ａｒ ｇｅ ｔ ｉ ｎ ｔ ｈｅ ｐｒ ｏｃ ｅ ｓ ｓ ｏｆ ｔ ｒ ａｃ ｋｉ ｎｇ
．
ｍｉ ｃ ａ １ ｈ ｒ ｓ ＇ ｔ “ Ｉ Ｉ ｔ （ ｔ ） ／ ｌ ＞ ｈ ’ ‘ Ｈ ． （ １ １ ｌ ａ ｌ ｌ （ ｆ …
１ … １ １ （ ｈ ｉ ｎ ａ ：
（ ｆ Ｊ ｆ ” Ｊ （ ｉ ｎ ｇ Ａｌ ｉ ｌ ｉ ｔ ａ ， 、 Ｒ Ｊ ｅ ｓ ｃ ｎｔ ａｔ ｉ ｖ ｅ（ Ｊ 历（ ｆ ｏｔ（ ｐ１ １ （ １ １ 』ｌ ｑ （ ｔ ｌ ￣ ｉ ｌ ＞ ｍｅ ｔ ／ Ｄ（ Ｊ １ ｛ 『 Ｊ （ 、 ¨ｆ ．（ ｆ Ｊ （ Ｊ 』 Ｊ 上 三 ｑｉ ｎ ｇ ｆ １ ｆ Ｊ ｌ ｊ ｆ ， （ ｈｉ ｔ ｔ ； ￣Ｊ
ＨＵＯ Ｙｉ — ｈｕ ａ ，ＨＵＡＮＧ Ｂｉ ａ ｏ 。 Ｗ ＡＮＧ Ｘｕ ｅ — ｍｅ ｉ ＹＯＮＧ Ｙａ ｎ ｇ ，ＬＵＯ Ｇｕ ａ ｎ — ｔ ａ ｉ ，ＬＵＯ Ｚｈ ｅ ｒ Ｉ － ｂ ａ ｏ
，
ｆ ｊ Ｓ ｏ ｕ ｔ ｈ ｗ ＇ ｅ ： ． ， ［
伸 缩 一平移 不 变性，选择合 适 的不变矩特 征 用于 跟踪。通 过用 归一化 的乘 法相 关 函数 以及 基 于 相 关 系 数 值 的模 板 更 新策 略 设 计 跟 踪 算 法 ，解 决 了 复 杂 背 景 及 强 噪 声 条 件 下
不能对尺 寸和形状发 生 变化 的 目标 进行稳 定跟 踪 的问题 。 关键 词： 跟 踪；红外 目标；不 变矩特征 ；旋 转；膨胀 中图分类号 ： Ｔ Ｎ ２ １ ６ 文献 标志码 ： Ａ ＤＯＩ ：１ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ２ — ８ ７ ８ ５ ． ２ ０ １ ４ ． ０ ７ ． ０ １ ０
Ａ ｂｓ ｔ ｒ ａ ｃ ｔ ： Ｗｉ ｔ ｈ ｔ ｈ ｅ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ ｏ ｆ ｉ ｎ ｒａ ｆ ｒ ｅ ｄ ｉ ｍａ ｇ ｉ ｎ ｇ ｇ ｕ ｉ ｄｅ ｄ ｓ ｙ ｓ ｔ ｅ ｍｓ ，ｈｉ ｇ ｈ ｅ ｒ ｒ ｅ ｑ ｕ ｉ ｒ ｅ ｍｅ ｎ ｔ ｓ ａ ｒ ｅ ｐ ｕ ｔ ｆ ｏ ｒ ｗａ ｒ ｄ ｔ ｏ ｔ ｈ ｅ ｐｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ａ ｎ ｄ ｒ ｅ ａ ｌ － ｔ ｉ ｍｅ ｐ ｅ ｒ ｆ ｏ ｒ ｍａ ｎ ｃ ｅ ｏ ｆ ｇ ｕ ｉ ｄｅ ｄ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈｍｓ Ｃｕｒ ｒ ｅ ｎ ｔ ｌ ｙ ，ｇ ｕ ｉ ｄ ｅ ｄ
Ｒ ｅｓ ｅ ａｒ ｃ ｈ ｏｎ Ｔｒ ａ ｃ ｋｉ ｎｇ Ａｌ ｇｏｒ ｉ ｔ ｈｍ ｆ ｏｒ Ｉ ｎｆ ｒ ａｒ ｅｄ Ｉ ｍ ａｇｉ ｎｇ Ｇ ｕｉ ｄｅｄ Ｍ ｉ ｓ ｓ ｉ ｌ ｅ Ｓｙｓ ｔ ｅ ｍ Ｂ ａｓ ｅｄ ｏｎ Ｉ ｎｖ ａｒ ｉ ａｂｌ ｅ Ｍ ｏｍ ｅ ｎｔ Ｆｅ ａｔ ｍ。 ｅ ｓ
《 ｌ
ｉ ｌ 《 《 《 》
蘸 羲 赫
文 章编 号 ： １ ６ ７ ２ — ８ ７ ８ ５ （ ２ ０ １ ４ ） ０ ％０ ０ ４ ４ — ０ ５
基 于 不 变 矩特 征 的红 外 成 像 制 导 跟 踪 算 法 研 究
霍义华 黄 彪 王 雪梅 ‘ 雍 杨 罗冠泰
［ １ ． 西 南技术 物 理 研 究昕 ，四 川成 都 ６ １ （ ） ０ １ ｉ；
填毫
２ ． 总 装备 邴重 庆 军 代表 局 ，重 庆 ６ １ ０ ０ ５导技 术 的发 展，它对制 导跟踪 算 法 的精度 和 卖 时性 的要 求越 来越 高。制 导系统 已被要 求在 ２ ０ Ｉ ｌ ｌ Ｓ的时间 内输 出跟踪 结果。某些跟 踪算 法虽然效果较 好，但达 不到 实 时输 出 经典 的制 导算 法 相 关跟 踪算 法主要基于像 素灰度 特征 进行