基于数学形态学的红外小目标跟踪研究
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。
基于形态学方法的红外小目标检测
(F Θ S )(x, y) =
min{F(x + x′,y + y′) - S(x′, y′) | (x′,y′) ∈ DS} (2) 灰度开定义为
F ∘ S = (F Θ S ) ⊕S
(3)
灰度闭定义为
F ∙ S =(F⊕S ) Θ S
(4)
上 述 开 操 作 类 似 于 非 线 性 低 通 滤 波 器 ，但
升 系 数 ，σ 为 锐 化 算 子 中 心 参 数 ．A 越 大 ，原 图 像
所 占 比 重 越 大 ，锐 化 效 果 越 不 明 显 ． 总 之 ，高 提
升 滤 波 可 达 到 亮 者 愈 亮 ，暗 者 愈 暗 的 增 强效果 ．
2.3 阈值分割
阈 值 分 割 前 ，对 图 像 作 伽 马 变 换 能 够 进 一
步增强图像对比度．伽马变换是一种常用的非
线 性 变 换 ，其 表 达 式 为
y = (x + esp)γ
(8)
式 中 x 和 y 的 取 值 范 围 均 为 [0 ，1] ，esp 为 补 偿 系
数 ，γ 为 伽 马 系 数 ． 不 同 的 γ 取 值 可 以 选 择 性 地
增强低灰度区域的对比度或是高灰度区域的对
Step 2 Top-hat 变 换 ． 对 f1(i, j ) 作 形 态 学 开 运 算 ，得 到 背 景 估 计 图 像 f2(i, j ) ，计 算 两 者 的 差 f3(i, j ) = f1(i, j ) - f2(i, j ) ，完 成 Top-hat 变 换 ；
Step 3 伽 马 变 换 ． 选 取 适 当 的 参 数 ，对 f3(i, j ) 作 伽 马 变 换 ，以 提 高 目 标 的 对 比 度 ，得 到 f4(i, j ) ；
《红外弱小目标识别与追踪算法研究》范文
《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。
基于形态学方法的红外小目标检测
灰 度 形 态 学 方 法 是 一 种 非 线 性 滤 波 方
法， 它表 达 和描 绘
收 稿 日期 ： ２ １－０２ ０ １１．７
作者 简介 ：臧传吉 （９ ７） １８一 ，男 ，硕士 生 ，主要 从事红 外 图像 处理 、 目标检 测研究
第２ 期
中图分 类号 ： ４ ４１ ； Ｐ ９ ０ ３． Ｔ ３１ ２ 文 献标 志码 ： Ａ ＤＯ ： ０ ９ ９ ｉｓ ． ７ —６ １ ０２０ ． ４ Ｉ１． ６／．ｓ １ ３８ ９． １． ０ ３ ｉｎ ６ ２ ２０
由 于 具 有 隐 蔽 性 好 、 度 分 辨 率 高 和 抗 电 角 磁 干 扰 能力 强 的 特点 ， 外 预 警 系统 在 现 代 战 红
Ｔｐｈｔ ｏ ．ａ变换 滤 除 背景 ， 用伽 马 变换 提 高信 噪 比（ 利 比 不 小于 ２ 目标 ， 虚警 率低 ． 的 且
处理 最终确定 目标， 并形成稳 定航迹．仿真结果表 明： 与单一的Ｔ ｐｈｔ ｏ—ａ 变换相 比， 该方法能够更准确检测 出信噪 关键词 ： 形态学； 高提升滤波；ｏ ａ算子； Ｔ ｐｈｔ 伽马变换； 目标检测 小
态 学 的方 法 、 于 侧 抑 制 的方 法 等 ． 对 空 基 中云 杂 波背 景 下 的 红外 小 目标 检 测 ， 于 形态 学 基
滤 波 的检 测 方 法 是 比 较 常 用 和有 效 的 ． 该 方
ｍ ｎＦ ｘ ＋ 一 ｉ｛ （＋ ） ， １ Ｙ）（ ） ＥＤ ） 灰 度 开定 义 为
和强 起 伏 云层 ， 由于在 形 成 的 时候 受 到物 理 规律
节 和灰 度 跳 变 点 都作 为 黑 背 景 中 的高 灰 度 部 分
凸显 出来 ， 并 不 是理 想 的结 果 ． 高提 升 滤 波把 这 原 图像 加上 锐 化 后 的 图像 ， 增 强 边缘 和 细 节 的 在
第六章 红外小目标检测
− − ∑0 ( x k , y k ) − ( x , y ) − µ R k=
k −1
当R趋向于原型是，特征量C是单增趋向无穷的，它不受区域 评议、旋转和尺度变化的影响。
6.2.2 分层特征统计表决的小目标提取
即在下一帧图像中寻找与上一阵特征相似的区域，在某一固定位置或邻域附 近，相似区域越多，特征量越相似，是目标的可能性越大。 具体步骤 步骤一 第一层以每m帧统计表决一次，如果在m次检测中某固定位置或者邻 域中性质相似的区域连续出现n次，则该区域就纳入预选目标，并将其位 置、面积、圆形性特征的均值记录为检测结果；否则该次实验失败。有 时候，特征相似的区域出现不知一个，则通过特征相似性之差来判断最 相似的区域的取舍。如果某区域在前几帧没有出现，则第一次出现后将 其纳入监测范围 步骤二 在第一层监测结果的基础上实施第二层，以每m个监测结果的均值作 为小目标的位置输出，起邻域位置即为小目标。 步骤三 将第二层检测结果的均值作为小目标的位置输出，起邻域位置即为 小目标。 以上算法中，m一般取值为4、5、6；n相应的取值为2、3、4。
数学形态学的基本思想是通过物体和结构元素相互作用的某些 运算，得到物体更本质的形态，以达到对图像分析和识别的 目的。数学形态学分为二值形态学和灰度形态学两种。基本 的运算包括腐蚀、膨胀、开运算和闭运算。 腐蚀 膨胀 开运算 闭运算
( fΘg )( x, y ) = min{ f ( x − i, y − j ) − g (−i,− j )}
6.1.2 TBD方法 (track before detect) 在三维空间中对可能的目标轨迹进行跟踪，对每条跟踪 的轨迹计算其后验概率函数，若结果超过某一门限，则认 定该轨迹代表某一目标，然后对已标记了目标的帧进行空 间局部处理，判断是否为真实目标。 目前主要方法: (1).三维匹配滤波器方法 (2).动态规划方法 (3).多级假设检验方法 (4).高阶相关方法
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。
数学形态学在红外多弱小目标提取中的应用
数学形态学在红外多弱小目标提取中的应用在红外成像领域，特别是对于弱小目标的提取，大家可能都知道，那可是个技术活，难度不小。
说到这里，大家不禁会想：为什么弱小目标的提取这么难？最直接的问题是，弱小目标本身的信号太微弱，背景又复杂，常常容易被忽视或者被干扰。
就像你在一堆杂乱无章的东西里，突然要找到一颗针，难度可想而知。
红外成像的应用场合有很多，比如在夜间监视、卫星遥感、军事侦察等领域，常常需要从海量的数据中找出一两个微弱的信号。
这个时候，数学形态学就大显身手了，成为了拯救“找针”大作战的神兵利器。
数学形态学，听起来好像是个高深莫测的学问，实则就是一种用来处理图像的方法，原理并不复杂，就是通过图像中的形态特征来“剪刀石头布”般地对图像进行处理，挑选出我们感兴趣的部分。
简单来说，它就是用一些小工具（比如腐蚀、膨胀、开运算、闭运算等）把图像中的噪声过滤掉，剩下的就是我们要的目标。
而这个过程，就像是用筛子过滤杂质，最终留下的就是纯粹的金子。
特别是在处理红外图像时，这些方法简直是有时候无法替代的好帮手。
你想象一下，红外图像中的弱小目标往往被背景噪声淹没，常常就像藏在一片树叶下的蚂蚁。
用肉眼难以发现，而数学形态学则恰如其分地通过一些形态操作，让这些蚂蚁一跃而出，变得鲜明可见。
比如说，我们用腐蚀操作，它就像一个能“减肥”的魔法，能够把不需要的背景部分“收缩”，而弱小目标的边缘则被保留下来，变得更加突出。
膨胀操作就能把弱小目标“扩展”出来，避免被后续的图像处理中遗漏掉。
就这样，经过几轮操作，这些微小的目标就从混沌的背景中“跳”了出来，清晰可见。
这种技术的魅力就在于它的高效性和精准性。
很多时候，传统的图像处理方法可能会对背景噪声过于敏感，导致识别错误。
而数学形态学则通过“形状”上的操作，巧妙地避免了这些问题。
它不会过度依赖像素值，而是看目标的结构形态，能更加客观地分辨出什么是我们需要的目标。
比如你在监视画面中看到远处有点亮的微弱光点，正常情况下它可能会被背景的杂乱光线掩盖住，但通过数学形态学的手段，它能自动判断这些光点是否属于“目标”，甚至在复杂的环境中，也能迅速过滤掉不必要的干扰。
- 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)。
∑
j = y no － 1 －M / 2 y no +M / 2
∑
y no =
i = x no － 1 －N / 2 x no +N / 2
∑
j = y no － 1 －M / 2 y no +M / 2
∑
i = x no － 1 －N / 2
∑
j = y no － 1 －M / 2
∑
{0
f（ x， y） － （ f B） （ x， y）
*
（ 1 脉冲功率激光技术国家重点实验室， 合肥 230037 ； 2 解放军电子工程学院， 合肥 230037 ） 摘 要： 为了提高红外小目标跟踪算法的性能和实用性， 根据红外小目标的特性， 选用数学形态学方法先对目 标进行波门检测， 依据检测结果来实现对目标的跟踪 。在具体计算时， 提出了一种新的形态学算子使膨胀运 节约了计算时间。考虑到波门内可能出现虚警或漏警的情况， 提出了有效的解决方 算和阈值分割合为一步， 法。最后通过实际拍摄的不同情况下的红外图像， 进行了红外小目标的跟踪实验， 实验结果表明了算法在实 时性和准确性上都达到了很好的效果 。 关键词： 红外小目标跟踪； 波门跟踪； 数学形态学 中图分类号： TP391． 4 文献标志码： A
［2 ］
但由于弥 器上的几何成像面积可能不足一个像素点 ， 散（ 弥散现象由大气湍流、 光学衍射和仪器自身的一 实际的像往往占有多个像元 些因素引起） 的作用，
［8 ］
。
文中实际拍摄的红外图像中的小目标成像尺寸在 3 × 3 个 像 素 左 右 （ 采 用 的 热 像 仪 为 ThermaCAM PM5951 中红外热像仪） ， 相对于其他类型的目标， 红 通常认为 外小目标失去了纹理和形状等重要的信息 ， 剩下的可利用的信息包括灰度特征和运动特征。 另 对于该类目标， 即使是相邻的帧， 目标像素也会有 外， 足够大的改变。 图 1 中第一栏为实际拍摄的红外小 目标图像的放大， 第二栏为对应的该区域的灰度值，
［2 ］
。 若跟踪时所采
用的跟踪方式为波门跟踪方式， 则在波门内出现虚警 因此有望通过检测结果就可以实现 的概率将会更低， 对目标的跟踪， 跟踪流程如图 2 所示。
图2
跟踪流程图
2. 2
跟踪算法的研究 根据跟踪流程， 要实现好的跟踪需要好的检测算
从最简单的阈值分割到神 法支撑。检测算法非常多， 经网络的应用， 这些算法都在一定条件下能取得较好 的检测效果。但是综合算法实时性、 可靠性以及是否 易于硬件的实现， 能够应用于红外小目标检测的算法 基于数学形态学的方法是一种较好的选 并不多， 择
if f（ x， y） ≥ （ f B） （ x， y） if f（ x， y） ＜ （ f B） （ x， y）
y no 表示目标在第 no 帧的位置； N、 M 为检测 式中 x no 、 区域的行数和列数。 虽然检测算法可以达到较高的检测概率 ， 但是在 背景过于复杂或者目标被遮挡等情况下可 低信噪比、 能出现检测不到目标点或检测到多个目标点的情况 ， 即检测失效， 那么此时就不能按式（ 7 ） 、 式 （ 8 ） 来计算 否则将可能丢失目标。 根据这种可能出 目标的位置， 现的情况， 文中提出采用目标预测的方法来求当前帧 目标的位置。 在对目标区域进行检测后， 即前面所提到的阈值 先不进行目标坐标的计算， 而是先统计目 分割以后， 标检测区域内的目标点个数 c。 那么当 c ＞ 1 或者 c = 0 时则认为检测失效， 而不通过式 （ 7 ） 、 式 （ 8 ） 来求当 前帧目标的位置。 考虑到目标运动具有连续性， 文中 提出通过当前帧图像的前续 n 帧图像的目标坐标平 均偏移量来计算当前帧目标的位置 （ 这里要求跟踪的 对于第 no + 1 帧图像， 初始 n 帧图像检测是有效的） 。 前 n 帧图像目标坐标平均偏移量Δ x no 、 Δ y no 的定义为： ____ x no － x no －10 ____ y no － y no －10 ， （ 9） Δ x no = Δ y no = n n 而当前帧目标的位置为： x no = x no －1 + Δ x no ， y no = y no －1 + Δ y no （ 10 ） 并且把图 2 表示的跟踪流程调整为如图 5 所示。
第 32 卷 第 2 期 2012 年 4 月
弹 箭 与 制 导 学 报 Journal of Projectiles，Rockets，Missiles and Guidance
Vol． 32 No． 2 Apr 2012
基于数学形态学的红外小目标跟踪研究
1， 2 方义强 ， 樊 1， 2 1， 2 祥 ， 程正东 ， 陈 1， 2 1， 2 卫 ， 胡涛等： 基于数学形态学的红外小目标跟踪研究
x no +N / 2 y no +M / 2
· 17·
2 ） 改进的 Tophat 运算 hat 运算， 文中提出了一种改进的 Top通过研究， 算法在采用合适于目标形状的结构元素的前提下 ， 通 过改变结构元的值在膨胀运算的同时实现阈值分割 。 在进行膨胀运算时， 取结构元素 B1 为一定的值 （ 阈 y ） ＞ （ （ f B1 ） B2 ） （ x ， y） 不再成立 值） ， 此时 f（ x， （ 进行腐蚀和膨胀时采用了不同的结构元素 ， 因此分 B2 来表示） ， 别用 B1 、 重新定义：
。
一般认为算法能够有效跟踪目标的基本条件有 ： 1 ） 算法能够对不同背景条件下的目标进行持续跟 即满足实时性要求； 3 ） 算法 踪； 2 ） 算法的时间开销小， 能够应对可能出现的一些干扰。 基于这 的稳定性好， 三方面的考虑， 文中提出了一种基于数学形态学的红
*
收稿日期： 2011 － 05 － 13 作者简介： 方义强（ 1986 － ） ， 男， 湖南益阳人， 硕士研究生， 研究方向： 红外小目标检测跟踪及其硬件电路设计 。
1 ） 经典 Tophat 运算
2
2. 1
基于数学形态学的小目标跟踪算法
研究思路 由于目标所占像素点相对于整个视场而言很少 ，
运用数学形态学检测红外小目标主要运算是 Tophat 运算。假设 f 为输入的图像， 那么对其进行 Tophat 运算可表示为： f（ x， y） = f（ x， y） － （ f B） （ x， y） = f（ x， y） － （ （ f B） B） （ x， y） （ 1） 其中： B 为结构元素， 、 和 分别为灰度图像的腐 膨胀和闭运算符。 设 f 和 B 的定义域分别为 D f 和 蚀、 Db ， 则腐蚀和膨胀运算的定义如下： （ f B） （ x， y） = min｛ f（ x － i， y － i） － B（ i， j） | （ x － i， y － j ） Df ， （ i， j） Db ｝ （ 2） （ f B） （ x， y） = max｛ f（ x － i， y － i） + B（ i， j） | （ x － i， y － j ） Df ， （ i， j） Db ｝ （ 3） 因为目标尺寸很小， 因此对原图进行腐蚀运算 “腐蚀”而在原图中滤除， 后， 目标被 然后通过膨胀还 这样通过使原图像和经 原那些面积较大的背景部分， 闭运算后的图像相减就可得到只含有目标的图像 ， 这 hat 检测小目标的原理。 Tophat 运算 就是经典的 Top后的图像往往会有一定的噪声存在 ， 需要对结果进行 进一步阈值分割处理， 以便于更加准确的计算目标的 中心位置。 hat 结构元素 B 对检测结果起关键的作用，Top运算一般都采用由 0 和 1 组成的矩阵块， 如对于小目 标结构元形状一般为方形或菱形针的矩阵块 。 对不同 情况选取合适的结构元素可以在一定程度上提高运 5 － 6］ 等都对结构元素的选取做了 算的效果， 文献［ 比较深入的研究， 特别是针对目标形状做了一定的研 究， 有效的提高了检测性能。
对于跟踪而言， 目标的初始位置已经确立， 而且目标 与检测不同， 对 的位置在相邻帧具有连续性。 因此， 小目标跟踪时只需对目标小范围内的区域参与运算 因此对小目标进行跟踪应采取波门跟踪方式， 即可， 以减小计算量和波门外背景的干扰 。 目前许多单帧检测算法已经实现了较高的检测 概率并同时保持较低的虚警个数， 如数学形态学图像 检测、 多向梯度检测和光谱学检测算法， 已经将单帧 图像的虚警概率控制在 5% 以下
· 16·
弹箭与制导学报
第 32 卷
其中目标像素用黑框标识。 可以看到这三帧图像虽 但是目标的改变相对于目标本身来说 然为相邻的帧， 已经相当大而使得对小目标的模型很难确定。 这是
需要对目标进行建模的算法跟踪效果很难提高的原 如均值位移算法。 因所在，
图1
来自同一红外图像序列中相邻帧目标区域对比（ 11 × 11 区域）
f（ x， y） =
x no =
i = x no － 1 －N / 2 x no +N / 2
∑
j = y no － 1 －M / 2 y no +M / 2
∑
i ·f （ i ， j） （ 7） f（ i， j） j·f （ i ， j） （ 8） f（ i， j）
i = x no － 1 －N / 2 x no +N / 2
The Analysis of Infrared Small Target Tracking Based on Mathematical Morphology
2 2 2 2 2 FANG Yiqiang1， ，FAN Xiang1， ，CHENG Zhengdong1， ，CHEN Wei1， ，HU Taotao1，
外小目标跟踪方法。
0
引言
红外小目标的检测与跟踪算法的研究一直是目
1
红外小目标的特性分析
当目标离红外探测系统足够远时， 其在红外探测