红外弱小目标检测背景抑制算法研究

以上统计排序算法在 FPGA 内部实现，利用 FPGA 速度快、并行处理能力强的特点，由内部流水线实现并行快速排序算法，结合当前窗口背景的标准方差自适应获得 m 值。 2.2 Robinson Guard 滤波器
传统预处理算法都是采用单一的策略算法进行背景抑制，在硬件资源充足的情况下，采用两种方法并行背景抑制无疑将较大程度提高检测概率。由于弱小目标在空域内变为点目标源，此处采用具有保护带的 Robinson 滤波器增强目标点。Robinson 滤波器通过对比中心像素与其邻域像素极值间的差异来抑制背景，对缓变的平坦背景以及空间相关性强的边缘背景都有很好的抑制作用。
红外图像中由于噪声 N（x，y，k）的存在，会降低空域滤波算法的性能，图像处理前需要进行降噪处理，通常采用低通滤波法。 1.2 小目标特征分析
通过观察大量红外小目标图像，发现图像序列中的小目标具有形状、灰度、航迹等特征，但是图像中的飞鸟、噪声、碎云、云边缘亮点等复杂背景与小目标的特征具有一定的差异。 1.2.1 形状特征
116
中国测试
2016 年 4 月
1 复杂背景下小目标图像特征分析
1.1 小目标图像时域模型分析包含小目标的红外图像序列（f x，y，k）[9-11]可以
描述为（f x，y，k）=f（T x，y，k）+f（B x，y，k）+N（x，y，k）（1）
式中：f（x ，y ，k）— — —图像上点（x，y）在第 k 帧的灰度值； fT（x ，y ，k）— ——点目标像素值； fB（x ，y ，k）—— —背景图像； N（x ，y ，k）— ——噪声图像； k — ——序列图像中的帧数。目标点灰度 f（T x，y，k）与周围背景相比具有不
{ X1 忆（k），X2 忆（k），… ，XN- 1忆（k），XN忆（k）}
（1臆m臆N）
（10）
对 W N（k）进行排序变换 Sort 得到序列 Qm（k），其中 X1（忆 k）臆X2忆（k）臆…臆XN（忆 k），用序列 Qm（k）值
中的像素值或者几个像素值的加权组合代替当前位置像素值。传统预处理算法多采用中值滤波法，虽然对图像中的椒盐噪声有较好的滤波效果，但对复杂背景的边缘处理效果不佳，根据背景差分处理算法的要求，原始图像与高通滤波之后图像比对得到图像中的高频分量。系统中用 Qm（k）（其中取 m约（N+1）/2）代替当前像素点的灰度值。此算法的关键是 m 取值，设计中根据当前窗口像素值标准方差自适应得到。
像素相减的绝对值之和。对于 3伊3 的邻域，0毅、45毅、
90毅、135毅方向上的梯度按照下面的公式计算：
g（1 x，y）= （f i，j）-（f i-1，j） + （f i，j）-（f i+1，j）（5）
g（2 x，y）= （f i，j）-（f i-1，j-1） + （f i，j）-（f i+1，j+1）（6）
0引言
目前，在导弹制导、远程探测以及地面跟踪等领域，对于点目标的检测已经成为核心技术之一[1-2]。由于点目标具有尺寸小、无形状和纹理特征等特点，加上远距离传输所造成的能量衰减、云雾等障碍物及探测器噪声的影响，致使点目标信号在红外图像平面上，极易淹没在强噪声背景中，表现为弱点状或者不稳定斑点状，其检测任务变得非常困难[3]。
2.1 基于统计排序的高通滤波算法
传统的背景抑制算法多采用中值滤波器，由于其
对边缘处理的不确定性，差分之后的图像中能够较
为清晰地看到起伏较大的背景的边缘，不利于目标检
测，提出基于统计排序的高通滤波器，既保证了图像
中小目标，又有效地进行边缘处理。统计排序滤波属
于非线性滤波，设滤波窗口 W 内所有像素的个数为
fB（x ，y）（2）
式中：nT — — —小目标的像素数；
nB — — —窗口内除了小目标以外的背景像素数，
即 nB =Nw -nT；
驻f — ——均值灰度差。
2）局部平均梯度
通常人造的红外目标相对于背景来说，其内部
细节比自然场景更加丰富，目标梯度和背景梯度会有
很大差异，对于二位数字图像（f x，y），在点（x，y）处
第 42 卷第 4 期 2016 年 4 月
中国测试 CHINA MEASUREMENT & TEST
Vol.42 No.4 April，2016
doi院10.11857/j.issn.1674-5124.2016.04.025
红外弱小目标检测背景抑制算法研究
金长江袁师廷伟
（中国电子科技集团公司第二十七研究所，河南郑州 450047）
连续性，通常比背景亮。而背景图像 f（B x，y，k）具有空间相关性，通常处于红外图像（f x，y，k）的中、低频部分。当然，由于视场与探测器热噪声分布的不均匀性，局部图像的灰度值可能有较大的变化，f（B x，y，k）中包含部分高频分量，主要分布在背景图像各个同质区的边缘处。随机噪声 N（x，y，k）主要是探测器的内部噪声和外部随机噪声，与背景像素不相关，在空间随机分布，其统计特性通常可被描述为零均值的高斯白噪声。噪声图像和红外图像中具备一定信噪比的小目标点灰度图像 f（T x，y，k）一样，主要分布在红外图像（f x，y，k）的高频段。
小目标的检测概率。
关键词院小目标检测；红外图像；背景抑制；Robinson Guard 滤波器
文献标志码院A
文章编号院1674-5124渊2016冤04-0115-05
Study on the algorithms for infrared small object image background suppression
为了提高目标检测概率，对红外小目标图像进
收稿日期院2015-12-15曰收到修改稿日期院2016-01-20 作者简介：金长江渊1983-冤袁男袁河南郑州市人袁工程师袁硕士袁主要从事光电信息处理研究遥
行检测前预处理十分必要。国内外学者已经提出了很多抑制背景滤波器，如自适应背景预测检测[4]、形态学方法[5]、小波变换[6]等，这些滤波器在背景缓变时处理效果较好，但背景起伏较大时，弱小目标的探测概率不能达到令人满意的效果。本文在复杂背景下分析红外小目标图像特征，提出基于统计排序的空域滤波器和 Robinson Guard 滤波器[7-8]的预处理算法对图像序列进行杂波抑制，该方法在降低运算量的基础上，克服了高通滤波器无法滤除高频噪声的缺点，减少了复杂背景抑制不干净而产生的噪声，不失真地保留小目标特征信息，便于后续进行红外小目标的识别和检测。
影响复杂天空背景下小目标检测概率的主要因素
是背景中的云边缘，以及形状和灰度与小目标类似的
碎云目标。预处理主要实现红外图像背景杂波抑制，
构造背景图像的水平决定了后续检测概率。构造的
背景图像一方面要滤除红外小目标等点高频分量，
另一方面尽量保持原始图像中的云层边缘等线高频
分量，随后差分运算后能较好地保持小目标信息。
弱小目标在红外图像中表现为点目标，一般仅几个像素，最大不超过 5伊5 个像素。虽然图像中目标呈现弱小性，但是与飞鸟、噪点等相比具有一定的特征，其中包括：
1）小目标尺寸一般小于 3伊3 个像素。 2）目标的长宽比表示为：Nt /K =max（驻x，驻y）/ min（驻x，驻y）沂[1，3]，其中 max（驻x，驻y）为点目标 x、y 轴方向大者，min（驻x，驻y）为点目标 x、y 轴方向小者。 3）小目标的占比 R=Nt/Nw沂[0.4，1]，其中 Nt 为小目标的像素数，Nw 为模板窗口像素数，一般选择 3伊3 模板。 1.2.2 灰度模型分析红外图像中灰度特征反应了场景中物体的辐射
g（3 x，y）= （f i，j）-（f i，j-1） + （f i，j）-（f i，j+1）（7）
g（4 x，y）= （f i，j）-（f i-1，j-1） + （f i，j）-（f i+1，j-1）（8）
红外小目标的灰度梯度均值反映目标相对于背
景的灰度变化剧烈程度，目标点 8 个方向的梯度均值
JIN Changjiang，SHI Tingwei （The 27th Research Institute of China Electronics Technology Group Corporation，Zhengzhou 450047，China）
Abstract: The recognition of infrared small targets in complex backgrounds is one of the key technologies for infrared image processing. In this paper， a rapid order -statistics filters and Robinson Guard filters based parallel and rapid processing algorithm is proposed according to the temporal and spatial fields of infrared small and weak targets under complicated cloud backgrounds and the requirements of hardware realization and real-time performance. It is a high SNR background suppression method. The experiment reveals that the algorithm can improve the SNR of infrared small and weak targets and enhance the probability in small target detection under complicated backgrounds. Keywords: small object detection；infrared image；background suppression；Robinson Guard filter

合集下载

红外搜索系统中弱小目标检测算法研究

背景包含较多复杂因素时，用模板匹配滤波的目标检测方法，除背景抑制后的残留杂波，采消实
现弱小目标的提取。试验结果表明：当场景较复杂且图像信噪比较低时，用该算法处理后可使
使图像信噪比达到４ｄ以上，而提高了弱小目标的检测概率。Ｂ从关键词：红外目标检测；模板滤波；自适应背景抑制
引言
在云层和地物干扰情况下，小目标的探测弱和识别是红外预警系统的关键技术之一。由于点
在现有的点目标检测算法中，列图像检测、序分形法、经网络、波变换等算法，由于运算神小都量大、算复杂等缺点，计而不能满足实时处理的要
ｂｌｔｆｐｏｎａｇｔｓｉｒａｅｉｉｙｏｉｔｔｒｅｓｉｎｃｅｓｄ．
Ｋｅｒｓ：ｎｒｒｄｔｒｔｄｔｃｉｎ；ｅｐａｅｆｌｅｉｙｗｏｄｉｆａｅａｇｅｅｅｔｏｔｍｌｔｉｔｒｎｇ；ｄｐｉｅｂｃａａｔｖａｋｇｒｕｎｕｏｄｓｐｐｒｓｉｎｅｓｏ
第３２卷第５期２１０１年９月
文章编号：０２２８（０１０ — ９７０１０ — ０２２１）５０８ — ５
应
用光
学
Ｖ０１２ＮＯ．．３５
ＪｕｎｌｏｐｉｄＯｐｉｓｏｒａｆＡｐｌｔｃｅ

红外背景抑制与点目标分割检测算法研究

ＡｂｔａｔＡｉｎｔｔｅｄｔｃｉｎｏｏｎａｇｔｃｒｅｔｎｏｍａｅｆｚｉｅｓａｅｃｒｅｕｙｉｈｂｔｇｎｎｓｒｃ：ｍｉｇａｈｅｅｔｆＲｐｉｔｒｅ，ｏｒｃｉｆＲｉｇｕｚｎｓｒａｒｄｏｔｉｉｎｏ — ｏＩｔｏＩｉｂｎｉｌｅｒｉｆｅｃｎｔｍｐｒｔｒｅｄｗｔｈａｏａｅａｅｓｂｒｃｉｇＩｈｂｔｇｂｃｇｏｎｎｎａｃｍｅｔｆｉａｌｎｅｉｅｅａｕｅｆｌｉｔｅｓｍｅｒｗｖｒｇｕｔａｔ．ｎｉｉｎａｋｒｕｄａｄｅｈｎｅｎｎｎｕｉｈｎｉｏｐｉｔａｇｔａｅｉｌｍｅｔｄｂｓｎｏ — ｔｏｅａｏｒｈｌｇｃｌｓｇｎｉｇｔｒｓｏｄｉｂｉｅｙｃｍｐｒｇｏｎｒｅｒｍｐｅｎｅｙｕｉｇＴｐＨａｐｒｔｒｍｏｐｏｏｉａ；ｅｍｅｔｎｈｅｈｌｓｏｔｎｄｂｏａｉｔａｎｃａａｔｒｔｓｏｌｒｄＩｍａｅｉｔｇａｎｅｉｅｅｔｂｃｇｏｎ．ｎｔｅｅｄ，ｏｎａｇｔｓｇｅｔｔｎｉｈｒｃｅｓｉｆｆｔｅＲｉｇｓｈｓｒｍｓｕｄｒｄｆｒｎａｋｒｕｄＩｎａｐｉｔｒｅｅｉｃｉｅｏｈｔｍｎｉｍ・ａｏａｅｃｎｉｅｅｆｓａｍｏｎｓｉｂａｎｄａｔｒｂｎｒｅｍｅｔｔｎＴｅｅｐｒｎｓｓｏｔｅｍｅｏａｅｇｏｔｎｄｆｗｅａｒｐｉｔｏｔｉｅｆｉａｙｓｇｎａｉ．ｈｘｅｍｅｔｈｗｔｄＶｄ — ａｌａｌｓｅｏｉｈｈｎ

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。

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

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。

海天背景下红外小目标检测的背景抑制及海天线检测方法

ｅｔｅｃｔｉｏｎｉｓｐｒｏｐｏｓｅｄ．Ｉｎｔｈｅｍｅｔｈｏｄ，ｔｈｅｃｏｒｒｅｌａｔｉｏｎｐｒｏｃｅｓｓｉｎｇｉｓｐｅｒｆｏｒｍｅｄｏｎｔｈｅｉｎｆｒａｒｅｄｉｍａｇｅｓｃｏｌｌｅｃｔｅｄ．Ｔｏｉｍｐｒｏｖｅｔｈｅｓｉｇｎａｌ－ｔｏ — ｃｌｕｔｔｅｒｒａｔｉｏｏｆｔｈｅｔａｒｇｅｔ，ｔｈｅｂａｃｋｇｒｏｕｎｄｃｌｕｔｔｅｒｎｏｉｓｅｉｓ
，
，
Ｃｈｉｎａ）
Ａｂｓｔｒａｅｔ：Ｉｔｉｓｄｉｆ｛ｉｃｕｌｔｔｏｄｅｔｅｃｔａｎｄｒｅｃｏｇｎｉｚｅｄｉｍａｎｄｓｍａｌｌｉｎｆｒａｒｅｄｔａｒｇｅｔｓｉｎｔｈｅｃｏｍｐｌｉｃａｔｅｄ
ｓｕｐｐｒｅｓｓｅｄｔｈｒｏｕ【ｇｈｍｕｌｔｉ — ｌｅｖｅ】ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ．Ｔｈｅｎａｍｕｌｔｉ — ｄｉｒｅｃｔｉｏｎＧａｂｏｒｉｆｌｔｅｒｉｎｇｆｕｓｉｏｎｍｅｔｈｏｄ
ＭｅｔｈｏｄｆｏｒＳｍａｌｌＩｎｆｒａｒｅｄＴａｒｇｅｔＤｅｔｅｃｔｉｏｎ
ｉｎＢａｃｋｇｒｏｕｎｄｏｆＳｅａａｎｄＳｋｙ

复杂背景中红外小目标的检测算法研究的开题报告

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》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%。

基于背景抑制的4种红外小目标检测算法比较

中值滤波［６－２单一结构元素形态学［２３和多结构元素形４３５、］８４５８１）－

态学［７－９目前比较常用的背景抑制算法在云杂波背景下值滤波算法次之：一结构元素形态学算法比最大中值滤波算６９７是］６９单
关键词：杂波背景；云背景抑制；目标检测；结构元素小多
引言
在红外预警系统中．了尽可能早的发现目标．求目标为要
从背景抑制效果图及检测结果图来看．种算法对云杂波４
在很远处就能被检测到当成像系统和目标的相对位置较远背景都有一定的抑制能力．均能检测出云杂波背景下的小目
常用的是 “ 背景抑制＋阚值分割” 的检测算法［３３其中背景抑制露多且检测出较多伪目标２０３］－是关键．好的背景抑制算法能为后续的单帧检测以及序列检测综合表２表３背景抑制效果图以及检测结果图．以得、、可
打下良好的基础。目前基于背景抑制的小目标检测算法很多．但到如下结论：
它们的适用范围和效果却是不尽相同。空域高通滤波［２２最大３３８］、－１四种检测算法均能有效检测出云杂波背景下的小目标：）２多结构元素形态学算法在４种方法中性能最优：大中）最

小目标检测的背景抑制算法国内外研究现状

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。

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)。