红外小目标的检测与跟踪

合集下载

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。

《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。

红外小目标的增强与检测

红外小目标的增强与检测红外小目标的增强与检测近年来，随着红外技术的快速发展，红外成像在军事、安防、环境监测等领域得到了广泛应用。

红外成像技术能够侦测到热量辐射，即使在昏暗或复杂环境下，也能准确识别和追踪目标。

然而，在面临红外小目标的增强与检测时，仍然面临一些挑战。

红外小目标增强是为了提高红外图像质量，从而更容易检测和识别目标。

一般来说，红外小目标增强技术主要包括图像去噪、增强对比度以及目标形状和轮廓的提取。

首先，图像去噪是红外图像增强的关键步骤之一。

通过去除噪声，可以更好地保留目标的细节信息。

目前，常用的图像去噪方法包括小波降噪、自适应中值滤波等。

其次，对比度增强也是一项重要任务，可以通过直方图均衡化、伽马变换等方式来提高图像的对比度。

最后，目标形状和轮廓的提取是另一个关键步骤，可以帮助进一步识别和分析目标。

主流的目标形状和轮廓提取算法包括边缘检测、Canny算子以及Sobel算子等。

在红外小目标的检测中，目的是通过图像处理技术来从红外图像中抽取目标信息。

红外小目标检测的挑战在于目标尺寸小、表面温度与周围环境相似、红外图像中噪声较多等因素。

传统的方法主要依靠特征提取和目标识别算法，如边缘检测、模板匹配以及深度学习等。

然而，随着深度学习技术的迅速发展，目标检测算法已经取得了显著的进展。

基于深度学习的目标检测算法通过卷积神经网络提取图像特征，结合目标位置和分类信息，实现了更准确的目标检测和识别。

除了上述增强与检测方法，还可以通过红外图像融合技术来进一步提高红外小目标的检测效果。

红外图像融合是指将多个红外图像融合在一起，以提供更全面和更准确的目标信息。

常见的红外图像融合方法包括加权平均法、小波变换融合法以及卷积神经网络融合法。

这些方法通过综合利用不同红外图像的信息，将目标信息更加鲜明地显示出来，并提高目标检测的准确性。

在实际应用中，红外小目标的增强与检测技术已经得到了广泛应用。

例如，在军事领域中，红外小目标的增强与检测技术可以用于侦查敌方装备和人员，提供实时的情报支持。

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。

《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。

小目标跟踪报告

基于粒子滤波的红外弱小目标的检测与跟踪一、弱小目标检测与跟踪的发展1 弱小目标检测与跟踪的背景在现代高科技战争中，为了能尽早地发现敌方卫星、导弹、飞机、坦克、车辆等军事目标，增大作战距离，要求在远距离处就能发现目标，只有及时地发现目标、跟踪目标、捕获和锁定目标，才能实现有效的攻击。

然而，对于获得的远距离图像，目标成像面积小，可检测到的信号相对较弱，特别是在复杂背景干扰下，目标被大量噪声所淹没，导致图像的信噪比(SNR)很低，小目标检测工作变得困难起来。

因此，低信噪比条件下序列图像运动小目标的检测问题成了一个亟待解决的关键问题，探索和研究新的小目标检测理论以及如何将现有的检测理论应用于小目标仍是一项重要的课题，对现代战争以及未来战争具有深远的意义。

2 弱小目标的含义“弱”和“小”指的是目标属性的两个方面。

所谓“弱”是指目标红外辐射的强度，反映到图像上是指目标的灰度，即低对比度的目标，也称灰度小目标；所谓“小”是指目标的尺寸，反映到图像上是指目标所占的像素数，即像素点少的目标，也称能量小目标。

3 弱小目标检测与跟踪的难点在低信噪比情况下检测和跟踪未知位置和速度的运动小目标是红外搜索和跟踪系统中的一个重要问题，其主要困难在于：(1) 缺少关于背景的统计先验信息；(2) 目标的信噪比非常低以至于很难从单幅图像中检测出目标；(3) 目标可能会在未知时间点上出现或消失；(4) 无法得到形状、纹理等有用的目标特征；(5) 仅有的检测信息是目标的未知的亮度和移动速度。

4 红外弱小目标的检测与跟踪算法1) 算法分类：♦DBT (Detect before Track) ----跟踪前检测；♦TBD (Track before Detect) ----检测前跟踪。

2) DBT 算法※ DBT 算法检测与跟踪的原理经典的小目标检测与跟踪方法是DBT，即先根据检测概率和虚警概率计算单帧图像的检测门限，然后对每帧图像进行分割，并将目标的单帧检测结果与目标运动轨迹进行关联，最后进行目标跟踪，适应于信噪比较低高的情况下。

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。

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)。

基于图像处理技术的红外小目标的检测与跟踪王琛廖庆王亚慧（电子科技大学，光电信息学院学院）摘要：验证了一种基于红外小目标视频图像序列的跟踪算法，主要研究了基于形心计算的跟踪方法和基于kalman滤波器多帧数据关联方法的跟踪法。

分别仿真验证，并从实现结果出发得出了两种算法的适用范围和各自存在的不足。

关键字：远红外小目标检测与跟踪Detection and Tracking of Far - infrared Small TargetWang Chen Liao Qing Wang Yahui(University of Electronic Science and Technology of China)Abstract: Verify that a tracking Algorithm for Infrared small target based on video image sequence, the main study on tracking method based on centroid computation and multi - frame data association based on Kalman Filter Method for tracing method.Simulation, respectively, and proceeding from the implementation of the results reached the scope of the two algorithms and their insufficient.Key words: Far-infrared;Small targets; Detection and Tracking0 引言随着近十几年信息技术的飞速发展，计算机硬件的处理能力不断提高，存储成本大幅下跌，一些研究人员开始重点研究计算机视觉中有关运动的问题。

与处理单幅图像相比，图像序列引入了新的时间维以及时间相关性约束，这一额外的约束激发了人们对视频理解的研究.视频序列目标跟踪是指对传感器摄取到的图像序列进行处理与分析，一旦目标被确定，就可获得目标的特征参数选择。

由于视频跟踪具有广泛的应用范围，因而引起了世界范围内广大研究者的兴趣。

在1996年至1999年间，美国国防高级研究项目署（DARPA）资助卡内基梅隆大学、戴维SARNOFF研究中心等著名大学和公司合作，联合研制视频监视与监控系统VSAM，主要研究目的是开发用于战场及普通民用场景的自动视频理解技术。

DARPA在2000年又资助了重大项目HID计划，其任务是开发多模式的监控技术以实现远距离情况下人的检测、分类和识别，以增强国防、民用等场合免受恐怖袭击的保护能力。

在2008年，DARPA资助了一项研究实时流视频监视的技术。

国内许多研究所和大学也投入了大量的精力致力于图像跟踪的研究。

如清华大学人机交互与媒体集成研究所在人脸跟踪、视觉监控、等方面取得了许多科研成果；北京自动化研究所模式识别国家重点实验室在交通场景监控、人体跟踪、智能轮椅手势导航等领域进行了深入研究。

1 设计背景视频序列目标跟踪是指对传感器摄取到的图像序列进行处理与分析，充分利用传感器采集得到信息来对目标进行稳定跟踪的过程。

一旦目标被确定，就可获得目标的位置、速度、加速度等运动参数，进而获得目标的特征参数。

运动分析的目的是根据运动线索揭示关于环境有价值的信息，这些信息可以用来执行更高级的视觉任务，如活动识别、视觉检索等。

由于采集到的图像序列通常是二维图像，许多研究者开始使用简单的二维表示处理运动分析问题，避免了恢复三维世界的结构、属性等信息。

通过视频目标跟踪系统通过对图像的去噪、对图像进行灰度变换、图像融合、图像增强等处理，可以快速的筛选并提取有用的信息。

在军事上，视频序列目标跟踪技术广泛应用于精确制导、战场机器人自主导航、无人机助降，靶场光电跟踪等领域。

在民用上，该技术主要应用在智能视频监控、智能交通管制、医疗影像诊断等方面。

2 总体方案2.1 常用的跟踪算法2.1.1基于特征的目标跟踪方法基于特征的方法利用了特征位置的变化信息,首先从图像序列中抽取显著特征,然后在序列图像上寻找特征点的对应关系,特征匹配算法大都引入了刚体约束条件,已有的技术包括结构匹配、树匹配等。

之后利用序列帧图像中目标特征点的对应关系,解算当前帧图像中目标位置。

2.1.2基于相关的目标跟踪方法基于相关的目标跟踪方法是把一个预先存储的目标样板作为识别和确定目标位置的依据,然后用目标样板与实时图像中的各个子区域图像进行比较,找出和目标模板最相似的一个子图像位置,作为当前目标的位置,这就是相关跟踪的基本思想,这种方法也叫做图像匹配。

2.1.3基于对比度的目标跟踪方法基于对比度的目标跟踪方法又称波门跟踪方法,该方法适用于目标和背景具有明显对比度的目标跟踪。

该方法需设计一个波门,波门的尺寸略大于目标尺寸,使目标不受波门外的背景和噪声干扰的影响。

跟踪波门可分为固定式和自适应式两种。

前者在跟踪过程中波门的大小始终不变;后者则是在跟踪目标的过程中波门随目标的大小变化而变化。

波门跟踪算法可分为矩心跟踪算法、边缘跟踪算法、双边缘跟踪算法和区域平衡跟踪算法等。

2.2 本方案实现的技术难点要解决图像序列的去除噪声问题，由于目标过小故要选择适当的去除噪声方法，对融合了多种噪声的图像要选用综合的去除噪声方法。

最终的跟踪系统要实现自适应滤波。

要解决小目标丢失或被遮挡后再次出现的问题，要保证目标再次出现后的准确识别和跟踪。

3 原理描述3.1 形心跟踪图(1) 形心跟踪系统流程图如图（1）所示，形心跟踪首先要对图像进行灰度化处理，使彩色图像转换为8位灰度图像以方便以后的运输和处理过程。

3.1.1滤波去噪本次所用图像序列的噪声课近似认为是椒盐噪声，在去噪声时可以用中值滤波法，本方法可以有效的消除椒盐噪声并保持图像中的边缘和细节。

中值滤波法是把领域内的所有像素按顺序排列，然后用中间值代替中心元素的灰度值作为输出。

二维中值滤波定义为：A},(k,l)l k,y x {f g(x,y)Median A∈--=)( （1）其中；f(x,y) 为原始图像阵列； g(x,y) 为中值滤波后图像阵列；Median 为中值滤波算子，取中值；A 为滤波窗口，大小为k×l 。

中值滤波的缺点在于运算速度随窗口的扩大而变慢，故为了提高检测速度本次验证时采用的滤波窗口为33⨯窗口。

3.1.2二值化处理二值化处理是利用同一区域具有某种共同的灰度特性进行图像的分割，其基本原理就是选取一个适当的灰度阈值设置一个阈值，然后对每个像素进行检测，当检测的像素的灰度值小于或等于阈值时，将此像素的灰度值变为0，当检测的像素的灰度值大于阈值时，将此像素灰度值变为255。

{),(,),(,),(T y x f T y x f y x f T ≤>=0255 （2）其中T 是设定的阈值；),(y x f 是像素原有的灰度值；),(y x f T 是处理后的灰度值。

本次设计我们所读取的目标跟踪序列，其背景与目标的灰度基本保持不变。

对此类视频序列图像的阈值确定可以采用直方图分布的办法。

即初步了解到所要跟踪的目标区域和目标所在的背景区域各自处在一个灰度值的范围，在直方图的表现上为具有双峰分布，通过选取波分之间的低谷所对应的灰度值作为分割阈值就可以将目标区域的背景区域分割开来。

3.1.3形心计算对于二值化图像在假设物体的面密度均匀分布的境况下，形心就是要探测物体的几何中心。

同过形心的计算可以快速的判断目标物体的具体位置。

当目标姿态改变时，形心的位置变动较小。

因此形心跟踪比较平稳，同时由于系统效应，算法的抗干扰能力也较强。

对于离散的数字图像，其形心公式可以定义为：∑∑∑∑=====d c y b a x d c y b a x c y x f y x xf x ),(),(∑∑∑∑=====d c y b ax d c y b a x c y x f y x yf y ),(),( （3）其中，x c 、y c 是目标形心坐标；),(y x f 是图像函数（即图像上y x ,处像素点的灰度）；()b a ,是横坐标范围；()d c ,是纵坐标范围。

3.1.4添加波门算法在计算出目标形心的基础上，以形心为对称中心分别在上下，左右画线，连接在一起形成一个矩形框，即跟踪波门。

波门的大小有目标大小而定，主要目的是可以标出目标的位置。

过大的波门有较高的容错性，可以减小跟踪算法的精度不够而产生的跟踪偏差，但由于波门较大所以跟踪精度随之降低。

3.2 基于kalman 滤波器多帧数据关联方法图(2) kalman 滤波流程图Kalman 滤波器是一个线性递归滤波器,用于对动态系统的状态序列进行线性最小方差误差估计，从而对下一个状态的运动做最优估计。

预测时具有无偏、稳定和最优的特点。

3.2 .1kalman滤波首先要引入一个离散控制过程的系统。

该系统可用一个线性随机微分方程来描述： X(k)=A X(k-1)+B U(k)+W(k) （4）再加上系统的测量值：Z(k)=H X(k)+V(k) （5）上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。

A和B是系统参数，对于多模型系统，他们为矩阵。

Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。

W(k)和V(k)分别表示过程和测量的噪声。

他们被假设成高斯白噪声，他们的协方差分别是Q，R。

之后来用他们结合他们的协方差来估算系统的最优化输出。

利用系统的过程模型，来预测下一状态的系统。

假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：X(k|k-1)=A X(k-1|k-1)+B U(k) (6) 其中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。

式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。