红外目标跟踪技术研究
基于深度学习的红外目标识别与跟踪技术研究
基于深度学习的红外目标识别与跟踪技术研究近年来，随着人工智能领域的不断发展和深度学习算法的成功应用，基于深度学习的红外目标识别与跟踪技术也逐渐成为研究的热点。
本文将探讨该技术的基本理论、研究现状以及未来发展趋势。
一、基本理论在红外目标识别与跟踪技术中，深度学习算法主要有卷积神经网络（CNN）、循环神经网络（RNN）和深度置信网络（DBN）等。
其中，CNN是目前常用的神经网络模型，其优点在于具有良好的特征提取能力和高效的计算速度，因此被广泛应用于红外图像中的目标检测和识别任务。
基于深度学习的红外目标识别与跟踪技术主要包括图像预处理、目标检测和目标跟踪三个部分。
其中，图像预处理主要是对红外图像进行去噪和增强处理，使图像能够更好地被深度学习模型处理。
目标检测则是通过深度学习算法识别图像中的目标，常用的算法有Faster R-CNN和YOLO等。
目标跟踪则是通过对目标的拟合和跟踪来实现目标的实时定位和追踪。
二、研究现状近年来，基于深度学习的红外目标识别与跟踪技术得到了广泛的研究和应用。
目前在目标检测方面，基于CNN的深度学习算法已经取得了很大的进展，如Faster R-CNN、SSD和YOLO等算法已经成为业界的主流算法。
在目标跟踪方面，研究者们主要探究了基于卷积神经网络的目标跟踪方法。
例如，Held等人提出的DeepTrack方法通过对目标进行自适应的特征提取，实现了较好的跟踪效果。
此外，还有一些研究者将深度学习算法应用于红外人脸识别等领域。
例如，王震等人在红外人脸识别中应用了深度卷积神经网络，实现了较高的识别准确率。
三、未来发展趋势基于深度学习的红外目标识别与跟踪技术目前还存在一些问题，如如何提高模型的鲁棒性、如何在复杂环境中实现高效的目标跟踪等。
未来的研究方向主要集中在以下几个方面：1. 提高深度学习算法的鲁棒性。
研究者们需要进一步探索如何利用跨领域数据增加模型的鲁棒性，以及如何集成多种算法来提高模型的预测能力。
红外波段图像目标检测与跟踪研究
红外波段图像目标检测与跟踪研究随着计算机技术的飞速发展，越来越多的新技术被应用到了各种领域。
在军事、航空等领域中，红外成像技术已经得到广泛应用。
随着红外成像设备的普及，红外波段图像目标检测与跟踪的相关技术也得到了广泛关注和研究。
一、红外成像技术简介红外成像技术是一种通过探测被物体发射的红外辐射并将其转换为电信号，最终将其呈现为图像的技术。
红外成像技术可以对天文、地质、军事、生物、医药等多个领域提供有效的探测手段。
在军事中的应用中，红外成像技术就可以作为一种有效的侦察技术，可以有效地探测目标，同时还可以不被探测到。
二、红外波段图像目标检测技术在红外成像技术中，红外波段图像目标检测技术就是一项非常重要的技术。
其主要作用是自动地对红外图像进行目标检测，并将检测结果呈现给使用者。
红外波段图像目标检测技术的实现还需要依靠计算机视觉、图像处理等多个领域的技术支持。
在实现红外波段图像目标检测技术时，最重要的就是对图像进行特征提取。
可以使用多个方法进行特征提取，如纹理、边缘和轮廓等。
比较常见的方法是使用机器学习的方法进行特征提取，如支持向量机（SVM）等。
机器学习方法可以通过对已有的大量样本进行训练，从而在新的图像中自动找出目标，并进行判断和分类。
三、红外波段图像目标跟踪技术红外波段图像目标跟踪技术是针对目标在运动过程中的位置、尺寸、姿态等信息的识别和跟踪。
与经典的目标跟踪技术不同，红外波段图像目标跟踪技术需要考虑的因素更多，如热噪声、温度变化和目标尺寸变化等。
在实现红外波段图像目标跟踪技术时，也是需要依靠计算机视觉和图像处理等多个领域的技术支持。
其主要方法是使用基于边缘、纹理和形状等多个因素的方法进行特征提取，从而实现目标识别和跟踪。
四、红外波段图像目标检测与跟踪的应用在军事、航空等领域中，红外波段图像目标检测与跟踪技术已经得到广泛应用。
在军事中，该技术可用于对远程目标进行有效的监测和侦察。
在航空中，该技术可以帮助飞行员在夜间或其他不良环境下寻找目标，并进行跟踪和攻击。
复杂环境下红外小目标检测与跟踪技术研究的开题报告
复杂环境下红外小目标检测与跟踪技术研究的开题报告一、研究背景和意义在军事和民用领域中，红外小目标检测和跟踪技术是非常重要的领域。
红外小目标检测和跟踪技术可以应用在战术、情报、空中监视等方面，让相关领域的工作更加有效和高效。
随着技术的不断发展，红外小目标检测和跟踪技术在军事和民用领域中的应用也越来越多。
但是在复杂环境下，这一技术面临着许多挑战。
随着红外技术的发展，现有的红外小目标检测和跟踪技术可以发现在夜间或低光照度环境下的小目标。
但是，在复杂的场景下，此时的任务更加困难。
例如，在雨天或雾天，或者在有许多干扰物的背景下，红外小目标的检测和跟踪也会面临巨大困难。
因此，需要对红外小目标检测和跟踪技术进行研究，以解决这些问题。
二、研究内容和方法1. 研究内容：本文将重点研究如何在复杂环境下，通过红外小目标检测和跟踪技术，来提高其准确率和效果。
具体研究内容包括：（1）研究各类复杂环境下的红外小目标检测与跟踪算法，在复杂环境下实现小目标检测和跟踪任务。
（2）研究各类复杂环境下的干扰物影响红外小目标检测和跟踪的因素，以期在实践中有更好的应用效果。
（3）研究并对比不同的模型在不同复杂场景中的红外小目标检测和跟踪效果，以选出最优的模型，并分析其优劣。
2. 研究方法：（1）文献综述：通过遍历相关研究领域的专业文献，包括学术期刊、学位论文等，掌握当前红外小目标检测和跟踪技术的研究动态与研究进展，对比不同的算法。
（2）实验验证：通过采用实验室、野外、仿真等方式，对比和验证不同模型算法在不同复杂场景下的效果和应用效果，以此为依据推进技术的实际应用效果。
三、预期成果和应用价值预期成果：本文将在复杂环境下研究红外小目标检测和跟踪技术，提高其在实践中的准确率和效果，最终选出最优的算法模型，并验证其应用效果。
应用价值：本研究将推动红外小目标检测和跟踪技术在复杂环境下的发展，提高其在军事或民用领域中的应用效果，并有助于科技人员深入探索未来的应用方向。
红外小目标抗干扰跟踪算法研究
红外小目标抗干扰跟踪算法研究红外小目标抗干扰跟踪算法研究摘要：红外小目标的抗干扰跟踪是红外成像系统研究的重要课题之一。
本文针对目前红外小目标跟踪中存在的干扰问题，提出了一种基于深度学习和滤波技术相结合的抗干扰跟踪算法。
该算法通过深度学习网络对目标进行初步识别，然后利用滤波技术对目标进行跟踪，从而提高了跟踪的准确性和鲁棒性。
实验结果表明，该算法在复杂干扰环境下具有良好的抗干扰能力，能够稳定跟踪红外小目标。
关键词：红外小目标、抗干扰、跟踪算法、深度学习、滤波技术1. 引言红外成像技术已广泛应用于军事、医疗、工业等领域，其中红外小目标的跟踪是关键的研究方向之一。
然而，由于红外传感器本身的局限性以及环境中的复杂干扰，红外小目标的跟踪面临着诸多挑战。
因此，开发一种抗干扰能力强的红外小目标跟踪算法具有重要的理论和应用价值。
2. 相关工作目前，研究者们在红外小目标跟踪领域已经取得了一些进展。
一些算法利用传统的图像处理方法进行目标识别和跟踪，例如边缘检测、区域生长等。
然而，这些方法对于复杂干扰环境下的目标跟踪效果不佳。
另外，一些研究者尝试采用红外图像的特征提取和纹理分析等方法进行目标跟踪，这些方法能够一定程度上提高跟踪的准确性，但对于干扰的抵抗能力较弱。
3. 红外小目标抗干扰跟踪算法本文提出了一种基于深度学习和滤波技术相结合的抗干扰跟踪算法。
该算法的基本思路是首先利用深度学习网络对目标进行初步识别，然后利用滤波技术进行跟踪。
3.1 深度学习网络深度学习网络是一种强大的模式识别工具，可以对图像进行特征提取和分类。
在本算法中，我们使用预训练的卷积神经网络来提取红外图像中目标的特征。
通过网络的学习和训练，我们可以得到目标的特征向量，用于后续的跟踪过程。
3.2 目标跟踪滤波器在红外小目标跟踪中，滤波技术是一种常用的方法，其基本原理是利用目标的动态特性进行滤波处理，从而实现目标的跟踪。
在本算法中，我们采用了卡尔曼滤波器。
基于神经网络的红外图像目标跟踪技术研究
基于神经网络的红外图像目标跟踪技术研究近年来，随着科技的不断进步，红外图像技术已经被广泛地应用到军事、工业、医疗等领域。
而红外图像目标跟踪技术就是其中的一项重要研究课题。
一、红外图像目标跟踪技术背景在现代战争中，战场上出现各种各样的瞬息万变的目标，例如：战斗机、坦克、导弹等。
为了能够及时、准确地捕捉和追踪这些目标，目标跟踪技术应运而生。
而基于红外图像的目标跟踪，是目前较为常见的方式。
在红外光谱范围内，许多目标都有明显的辐射特征，因此可以通过这些特征作为目标的识别依据。
然而在实际应用中，由于目标尺度、旋转、形变等因素的影响，基于红外图像的目标跟踪面临着一些困难。
为了解决这些困难，研究人员开始尝试引入神经网络模型进行跟踪。
二、基于神经网络的红外图像目标跟踪技术神经网络是一种高效的模型学习方法，能够模拟人脑神经系统的工作原理，实现对模式的识别、分类和预测等任务。
在红外图像目标跟踪中，研究人员一般采用卷积神经网络（CNN）和循环神经网络（RNN）等模型。
1. 卷积神经网络卷积神经网络是一种前馈神经网络，其输入数据可以为图像、视频等。
卷积神经网络最早被用于图像分类，后来发展成为包括图像处理和目标检测等在内的多种任务中的基础模型。
在红外图像目标跟踪中，研究人员可以使用卷积神经网络提取目标特征，然后再将特征输入到线性回归模型中进行预测，以实现目标跟踪的任务。
2. 循环神经网络循环神经网络是一种适用于序列处理的神经网络模型，常用于文本处理、语音识别、股票预测、自然语言处理等领域。
由于循环神经网络可以处理任意长度的序列数据，并长期记忆之前的信息，因此它在红外图像目标跟踪中也发挥了重要作用。
循环神经网络的关键是使用循环节点来传递信息。
在每个时间步骤，循环神经网络会读取整个序列中的一个新元素，并在处理之前将其与前面的状态进行结合。
这种方式可以充分体现出物体在时间上的连续性。
三、应用案例介绍基于神经网络的红外图像目标跟踪技术在军事、工业、医疗等领域中得到了广泛的应用。
《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、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%。
红外图像处理中的目标检测与跟踪技术研究
红外图像处理中的目标检测与跟踪技术研究摘要：随着红外技术的快速发展和广泛应用，红外图像处理成为了研究的热点之一。
在红外图像处理中，目标检测与跟踪是重要的关键技术，它们在军事、航天、安防等领域发挥着重要作用。
本文将就红外图像处理中的目标检测与跟踪技术进行探讨与研究。
1. 引言红外图像处理是通过对红外图像的采集、传输、处理和分析来提取所需信息的技术，它广泛应用于军事、航天、安防等领域。
而在红外图像处理中，目标检测与跟踪是其中的重要技术，它们不仅能够快速、准确地识别目标，还能够在目标运动过程中进行跟踪，提供更多有关目标的信息。
2. 红外图像目标检测红外图像目标检测是指在红外图像中寻找感兴趣的目标或区域的过程。
目标检测分为两个主要步骤：目标候选区域生成和目标候选区域分类。
目标候选区域生成是通过一系列的图像处理算法和特征提取方法，识别可能包含目标的区域。
常用的方法包括滑动窗口、特征金字塔等。
而目标候选区域分类则是通过分类器对目标候选区域进行分类，区分出目标和非目标。
常见的分类器包括支持向量机（SVM）、卷积神经网络（CNN）等。
此外，红外图像目标检测中还需要考虑红外图像的特殊性质，比如低信噪比、热噪声等，并对算法进行相应改进，以提升检测的准确性和鲁棒性。
3. 红外图像目标跟踪红外图像目标跟踪是指在连续帧红外图像中追踪目标的位置、形状、运动状态等信息。
目标跟踪可以分为两个主要步骤：目标特征提取和目标位置预测。
目标特征提取是通过对目标的外观、运动等特征进行描述，提取出有区分度的特征向量。
常用的特征包括颜色、纹理、边缘等。
而目标位置预测是通过对目标过去的运动状态进行分析，预测出目标在下一帧的位置。
常见的预测方法包括卡尔曼滤波、粒子滤波等。
红外图像目标跟踪面临的主要挑战包括目标尺度变化、目标遮挡、背景干扰等，因此需要综合运用多种算法和方法来提高跟踪的精度和鲁棒性。
4. 红外图像处理中的挑战与展望红外图像处理中的目标检测与跟踪技术面临着诸多挑战。
红外运动目标跟踪研究答辩稿
专业： 导师： 答辩人：
Contents
1 2 3 4 现状和应用 目标检测的相关技术 目标跟踪的常用方法 结语
现状
• 运动目标检测与跟踪是在基于动态图像分析的基 础上结合图像模式识别和图像跟踪方法对图像序 列中的目标进行检测—识别—跟踪的过程，它是 图像处理与计算机视觉领域中的一个非常活跃的 分支，在最近二十几年间，随着计算机技术、 CLSI技术与高分辨率传感技术，图像处理技术的 迅速更新，它在国名经济和军事领域的许多方面 有着广泛的应用。 • 人们对运动目标检测与跟踪系统的稳定性提出了 很高的要求。
5
体育方面的应用：对运动员在比赛或者是训练中的技术动 作的视频进行分析，得出精确的运动参数进行分析。
运动目标检测的相关技术
1
2 背景差分法,因此背景不随帧数而变。
相减
二值化
后处理
结果
运动目标检测方法存在的实际应 用上的困难
1 2 3
运动阴影的 干扰
Thanks for your attention！
动态背景的 影响
噪声污染
运动阴影的干扰
• 原因：由于阴影和目标都与背景的差别很大，并 且二者常有着相同的运动，阴影常被错划为运动 目标。 • 阴影对运动目标的分割和提取过程的干扰： 1.目标的合并，即两个或多个目标由于阴影而连 成一个连通域，被后续目标提取算法判为一个目 标； 2.目标外形改变，这种影响对需要精确提取目标 形状信息的应用相当不利； 3.目标的消失，往往发生在一个目标的阴影投射 在另一个目标上。
应用
1
军事公安方面的应用：在军事方面主要用于导弹的精确制 导，可疑目标的检测与跟踪公安业务图片的判读分析，指 纹识别，人脸识别，不完整图片的复原，以及智能交通监 控、事故分析等。
- 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)。
ｂ ｌ ｙ ｗｉ ｈ ｌ ｒ ａ ｇ ｄ ｆ ｒ ａｉ ｎ Ｉ ｓ ｒｃ ｇ ｉｅ ｓ ｂ ｔ ｒｅ ｆ ｃ ｒ ｃ ｎ ｔ ｏ ｉ ｔ ｔ ｓ ｅ ｔ ，ｔ ￣ ｅ ｏ ｍ ｔ ． ｔｉ ｅ ｏ ｎ ｚ ｄ ａ ｅｔ ｆｅ ｔｔａ ｋ ｇ ｍｅ ｄ．Ｔｒ ｄ ｔ ｎ ｌＭ ｅ －Ｓ ｆ ａ ｋ ｎ ｌ ｏ ｉ ｍ ｅ ｙ ｉ ｈ ｅ ｒ ｏ ｅ ｉ ｈ ａ ｉ ｏ ａ ａ ｉ ｎ ｉ ｒ ｈ ｔ ｔ ｃ ｉ ｇ ａ ｇ ｒｔ ｈ ｖ ｒ
果 比较好 的跟 踪方 法 。但 它 也存在 不 足 ， 统 的 Ｍ ａ— ｈ ｔ 法 当背 景 的直 方 图 分布 和 目标 的直 方 图 分 布类 似 时 ， 者 传 ｅｎ Ｓｉ 算 ｆ 或
目标 受到 光照 、 等影 响 ， 阴影 或有 干扰 物体靠 近 目标 时 ， 跟踪 时很容 易 发生 目标 丢失 。鉴 于 此 ， 出最 先使 用 Ｋ ｌａ 在 提 ａ ｎ滤 ｍ 波器 对距 离相 对 比较远 的红 外弱 小 目标 的大致运 动 位置做 出 目标估 计 ， 使用 Ｍ ａ — ｈｔ 踪算 法 在先 前 目标 估 计 出 接着 ｅｎ Ｓｉ 跟 ｆ 的 区域 内做 目标 的跟踪 匹配 ， 证精 度 。实验 结果 指 出 ， 中提 出 的算 法对 于跟 踪 系统 的观 察 噪声 扰 动 具 有较 强 的 鲁 并保 文
２ Ｓ ａ ｇ ａ ｍｃ ｍｅ ， ａ ｇ ｏ ｇ ｏ ． ｈ ｏ ｕ ｎ Ｄｅ ｈ ｍ Ｇｕ ｎ ｄ ｎ ｆＣＡＰ Ｓ ａ ｇ ａ １ ０ ０， ｉ ｎ Ｆ， ｈ ｏ ｕ ｎ ５ ２ ０ Ｃｈ ａ；
３ Ｔ ｅＳ ｃｎ ｔ ｈ ｎ。ｈ ｎｈ ｉ ｆ Ａ Ｆ Ｓ ａｇ ａ ２ ０ ３ 。 ｈｎ ） ． ｈ ｅｏ ｄＤｅ ｃｍｅ ｔＳ ａｇ ａ ｏ Ｐ ，ｈ ｈｉ ００ ０ Ｃ ａ ａ Ｃ ｎ ｉ
Ａｂ ｔａ ｔ Ｉ ｎ ｆｔ ｅ ｔ ｒ ｅ ｒ ｃ ｉ ｇ ａ ｇ ｒｔ ｍ ｓ ｓ ｒ ｃ ：ｎ ｍａ ｙ ｏ ａｇ ｔｔａ ｋ ｎ ｏ ｉ ｈ ｌ ｈ ，Ｍ ｅ ｎ ｈ ｆ ａ ｋ ｎ ｌ ｍｍ ａ ｏ ｄ ｒ ａ －ｔ ｕ ｌｔ ｎ ｄ ａ ｅ ｔｉ ｄ ｐ ａ ａ —Ｓ ｉ ｔ ｃ ｉ ｇ ａｇ ｔ ｒ ｈ ｓ ｇ ｏ ｅ ｌ ｉ ｍｅ ｑ ａｉ ｙ。ａ ｈ ｓ ｃ ｒ ｎ ａ ａ ｔ－ ａ
（． １ 国防科 学技 术 大学 电子 科 学与 工程 学 院 ， 南 长 沙 ４０７ ； 湖 １０ ３ ２ ．武警 广 东省 总 队韶 关 市支队 司令部 ， 东 韶 关 ５２ ０ ； 广 １００
３ 武警上 海 总队 第二 支 队 ， 海 ２ ０ ３ ） ． 上 ０ ００
摘 要： 众多 的 目标 跟踪 算法 中 ， ｅｎ Ｓｉ 跟 踪算法 有 良好 的实 时性 ， 遮 挡 、 Ｍ ａ— ｈｔ ｆ 对 目标 变 形具 有 一定 的适 应 性 ， 是公 认 的 效
ｓｔ ｎ ｒ ｕ ｈ ｙ ｅ ｔ ａｅ。ｔ ｅ ｙ ｔ ｅＭ ｅ － ｈ ｆ ｔｒ ｅ ｏ ａ ｃ ｒ ｔｌ ｔ ｈ ｉ ｅ ｅ ｔ ｔｏ ｌ ｏ ｉ ｍ ｉ ｃ ｉｉ ｏ ｇ ｌ ｓ ｍ ｔ ｈ ｎ ｂ ａ Ｓ ｉ ｇ ｔ ｃ ｕ ａ ｅ ｙ ｍａｃ ｔ ｓ ｍａ ｎ ａｇ ｒｔ ｏ ｉ ｈ ｎ ｔａ ｄ ｎｈ ｉ ｉ ｈ ｓ ｅ— ａ ．Ｔ ｅ ｅ ｐ ｒｍｅ ｔ ｌ ａ ｎ 嘲 ｈ ｘ ｅ ｉ ｎ ａ － ｄ
棒性 。
关键 词 ： 目标跟 踪 ； ｅｎ Ｓｉ 算法 ； ａ ａ Ｍ ａ— ｈｔ ｆ Ｋ ｌ ｎ滤波 ｍ 中图分类 号 ：Ｐ９ Ｔ ３ 文 献标 识码 ： Ａ 文章 编号 ：６３ ６９ 加１ ）０ ０４ － ３ １７ － ２Ｘ（ １ １－ １０ ０
Ｒｅ ｅ ｒ ｈ ｏ ｎ ｒ ｒ ｄ Ｔａ ｇ ｔＴｒ ｃ ｎｇ Ｔｅ ｈ ｌｇ ｓ ａ ｃ ｆＩ ｆ ａ ｅ ｒ ｅ ａ ｋｉ ｃ ｎｏｏ ｙ
ｏ ｘ ｏｅ ｇｔ ｎ ａｅｏ ａｅｄｓ ａｔ ｎ ￣ｅｔ ｌｓ ｒｅ．Ｆｒｔ ｌ ａ ｌ ｒｏ ｎ ｉａｃ ｙｉｆ ｒｄｏｊｃ ｔ ｎｐ — ｒｅｐ ｓｄｔ ｌ ｈ ｄｓ ｄ ｒ ｖ ｔ ｃｉ ｓ ｏｉ ａ ｈ ｈ ｉ ｒ ｏ ｏ ｃ ｏｅｔ ｔ ｇｔ ｉ ｒ ｎｆｔ ｒ０ ｇｄｓ ｎ ｅｂ ｒ ｅ ｂｅｔ ｉ ｏ ｃ ｏａ ｓＫａｎ ｉ ｅ ｆ ｌ ｔ ｎａ ｍｏ ｏ
ｅｓ ｃｕｒｎｅｔ ｃ ｎ ｒ ｒｗ ｅ ｅｓｉ ｌｏｉ ｍ ｏ ｉｏｒｍ ｉｒ ｕ ｏ ｉ ｌ ｔ ｒｅ ａｋｒｕ ｄｏ ｓ ｇ ａｙｏｃ ｒ ｃ ａｋ ｇｅ ｏ ｈｎｔ ｈｆ ａ ｒｈ ｆｈｓ ｇａ ｄｓｉ ｔ ｎｓ ａ ｅ ｒ ｉ ｈ ｔ ｇ ｔ ｔ ｔｂ ｉ ｍｉ ｒ ｌｔ ｇｔ ｃ ｇｏ ｎ ｆ ｔ ｍｍ ｉｒ ｕ ｏ ｌａ ｂ ０ ｄｓ ｉ ｔ ｎ ｔｂ ｉ
ＹＯＵ ａ Ｔｉｎ—ｌ ｉ 。 ａ ＺＨ ＯＵ ａ — ｉ・ Ｈ ｉ ｈｕ
（ ． ｏｌ ｅｏ ｌ ｔｃＳ ｉ ｃ １Ｃ ｌ ｇ ｆ ｅ ｒ ｃ ｎｅ＆ Ｅ ｇ ｅｒ ｇＮａ ｏａ Ｕ ｉｅ ｉ ｆ ｅｅｓ ｅｈ ｏｏｙ Ｃ ａｇｈ １０ ３ Ｃ ｉａ ｅ Ｅ ｃｉ ｅ ｎ ｉ ｅｉ 。 ｔ ｎｌ ｎｖｒ ｔ ｏ ｆｎｅＴ ｃｎ ｌｇ ， ｈ ｎ ｓａ ０ ７ ， ｈｎ ； ｎ ｎ ｉ ｓｙ Ｄ ４
第２ ｌ卷 第 １ ０期 ２１年 １ Nhomakorabea ０１ Ｏ月
计 算 机 技 术 与 发 展
ＣＯＭＰ ＵＴＥＲ ＥＣ Ｉ ＨＮ０Ｌ０ＧＹ ＡＮＤ ＶＥＬ０Ｐ ＤＥ ＭＥＮＴ
Ｖ０ ． １ Ｎ ． Ｏ Ｉ２ ｏ １ ０ｃ ． ２ １ ｔ ０１
红 外 目标 跟 踪 技 术 研 究
尤天来 ， 周海徽 ， 。