远红外小目标的检测与跟踪
海天复杂背景下红外目标的检测跟踪算法
海天复杂背景下红外目标的检测跟踪算法
把大范围海上环境分割成独立的小区域，能够更好地检测和跟踪红外目标。
第一步是通过基于萤火虫算法的图像匹配技术，将图像中的「热点」进行分割。
萤火虫算法是一种可以在几何形状和结构的独立区域中检测和比较图像的一种特殊的匹配算法。
它进行块和分块匹配来实现目标的检测和识别。
该算法根据两个图像中元素之间的强度差，来确定块中元素的方向和强度。
通过块匹配算法，我们可以检测图像中目标的强度、方向和位置。
接下来，可以使用角点匹配算法来检测目标的移动趋势，利用匹配算法中的特征点，可以准确地检测出红外目标的移动趋势。
特征点匹配不仅可以精确检测出起始位置、终止位置等红外目标的移动趋势，还可以准确匹配出移动过程中每一步目标的位置及其对应的图像。
这样可以大大提高系统的准确性，从而辅助后续的检测跟踪工作。
随后，可以采用基于Kalman滤波的检测跟踪算法来精确地跟踪红外目标。
Kalman滤波算法是一种基于预测和观测信息建立内部和感知模型的数学估计工具，能够预测和观测系统状态，实现更精准的检测和跟踪，使得红外目标的分割、检测、跟踪更快更准确。
在红外目标识别中，为了减少误差，我们还可以采用各种辅助技术，比如光谱技术、航海技术、玻璃技术等，它们可以采集到比经常认知的更多的定位信息。
总之，在大范围海洋环境中检测跟踪红外目标，应当采用较高精度的方法，比如：利用萤火虫算法进行图像分割匹配，角点匹配来检测目标的移动趋势，基于Kalman滤波的检测跟踪算法以及其他辅助技术的应用等，通过这些方法，在海洋环境中可以精确检测和跟踪到红外目标。
基于机器学习的红外图像目标检测与跟踪研究
基于机器学习的红外图像目标检测与跟踪研究摘要：随着红外技术的广泛应用，红外图像目标检测与跟踪在军事、安防、医学等领域中得到了广泛关注。
本文针对红外图像目标检测与跟踪中的挑战，基于机器学习方法进行了研究与探索。
首先，介绍了红外图像目标检测与跟踪的背景和现状。
然后，详细分析了红外图像目标检测与跟踪任务中的关键问题和挑战。
接下来，提出了一种基于机器学习的红外图像目标检测与跟踪方法，并介绍了其相关算法流程和实验结果。
最后，对未来的研究方向进行了展望。
关键词：机器学习、红外图像、目标检测与跟踪、挑战、算法流程、实验结果、研究方向1.引言红外技术是一种利用物体在红外波段的辐射特性进行探测和成像的技术。
随着红外技术的快速发展和广泛应用，红外图像目标检测与跟踪成为了研究的热点之一。
红外图像目标检测与跟踪在军事侦察、安防监控、医学诊断等领域中具有重要的应用价值。
2.红外图像目标检测与跟踪的背景和现状红外图像目标检测是指在给定的红外图像中自动识别和定位目标的过程。
红外图像目标跟踪是指在目标已被检测到的情况下，持续地估计和预测目标位置的过程。
红外图像目标检测与跟踪主要面临以下问题：目标尺寸变化、目标姿态变化、目标遮挡、背景复杂等。
3.红外图像目标检测与跟踪的关键问题和挑战红外图像目标检测与跟踪任务中的关键问题和挑战主要包括以下几个方面：（1）红外图像特征提取：红外图像的低对比度、图像噪声以及不同目标表面的温度差异等因素，使得红外图像的特征提取变得复杂和困难。
（2）目标遮挡和丢失：红外图像中的目标可能被背景或其他遮挡物遮挡，导致目标的位置丢失或错误跟踪。
（3）目标姿态变化：红外图像中的目标可能存在姿态变化，如目标的旋转、倾斜、形状变化等，这对于目标的准确跟踪提出了挑战。
4.基于机器学习的红外图像目标检测与跟踪方法为了解决红外图像目标检测与跟踪中的问题和挑战，本文提出了一种基于机器学习的方法。
该方法主要包括以下几个步骤：特征提取、目标检测、目标跟踪和结果评估。
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。
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。
红外图像的检测与跟踪算法研究
红外图像的检测与跟踪算法研究摘要：随着红外图像技术的不断发展，红外图像的检测与跟踪算法在许多领域中发挥着重要作用。
本文主要研究了红外图像的检测与跟踪算法，包括目标检测、目标跟踪和目标识别等方面。
通过对不同算法的比较和实验结果的分析，得出了一些结论，并提出了一些改进的方向。
关键词：红外图像；检测；跟踪；算法引言：红外图像是一种能够通过红外辐射信号来获取物体表面温度分布的图像。
由于其具有不受光照条件限制、能够在夜间和恶劣天气条件下工作等特点，因此广泛应用于军事、航天、安防等领域。
而红外图像的检测与跟踪算法则是对红外图像中的目标进行自动化识别和跟踪的关键技术。
1. 目标检测算法目标检测是在红外图像中寻找特定目标的过程。
常用的目标检测算法包括基于像素级特征的方法（如灰度阈值分割、形态学运算等）、基于纹理特征的方法（如纹理分析、纹理描述符等）和基于形状特征的方法（如Hough变换、轮廓分析等）。
这些算法各有优劣，应根据具体应用场景选择合适的算法。
2. 目标跟踪算法目标跟踪是在红外图像中对目标进行连续跟踪的过程。
常用的目标跟踪算法包括基于特征点的方法（如稀疏光流、稠密光流等）、基于模型的方法（如卡尔曼滤波、粒子滤波等）和基于深度学习的方法（如卷积神经网络、循环神经网络等）。
这些算法能够在目标发生尺度变化、遮挡等情况下进行有效的跟踪。
3. 目标识别算法目标识别是在红外图像中识别目标类别的过程。
常用的目标识别算法包括基于模板匹配的方法（如相关滤波器、相位相关等）、基于特征描述子的方法（如SIFT、SURF等）和基于深度学习的方法（如卷积神经网络、循环神经网络等）。
这些算法能够在红外图像中准确地识别出目标类别。
结论：通过对红外图像的检测与跟踪算法进行研究，本文得出了一些结论。
首先，不同的算法适用于不同的应用场景，应根据具体情况选择合适的算法。
其次，基于深度学习的算法在红外图像的检测与跟踪中具有较好的性能。
未来的研究可以进一步优化算法的性能，并探索更多的应用场景。
基于神经网络的红外图像目标检测与跟踪技术
基于神经网络的红外图像目标检测与跟踪技术摘要：红外图像目标检测与跟踪技术在许多军事和民用应用领域具有重要的意义。
本文将探讨基于神经网络的红外图像目标检测与跟踪技术的发展和应用。
首先，介绍了红外图像目标检测与跟踪的基本概念和现有的方法。
然后，介绍了神经网络在目标检测和跟踪中的优势和应用。
接着，介绍了一些重要的神经网络模型，如卷积神经网络和循环神经网络。
最后，讨论了未来发展的趋势和挑战。
1. 引言红外图像目标检测与跟踪技术在军事、安防、航空航天等领域具有广泛应用。
传统的红外图像目标检测与跟踪方法通常面临着低精度、高误报等问题。
而神经网络作为一种强大的模式识别工具，对于红外图像目标检测与跟踪问题提供了一种新的解决方案。
2. 红外图像目标检测与跟踪方法红外图像目标检测通常可以分为两个步骤：前景检测和目标分类定位。
前景检测主要是将图像中的目标从背景中分离出来，常用的方法包括滤波、边缘检测和阈值分割等。
目标分类定位则是对前景区域进行分类和定位，常用的方法包括特征提取和分类器构建等。
红外图像目标跟踪则是在目标检测的基础上，通过连续的图像序列追踪目标的位置和运动。
3. 神经网络在目标检测和跟踪中的应用神经网络在目标检测和跟踪中的应用已经取得了显著的进展。
卷积神经网络（CNN）是一种广泛应用于图像识别任务的神经网络模型。
通过多层卷积和池化操作，CNN可以学习到图像的局部特征和全局结构，从而实现目标的检测和分类。
在红外图像目标检测中，CNN可以利用大量的标注数据进行训练，实现更准确的目标检测。
此外，循环神经网络（RNN）也被应用于目标跟踪任务中，通过对序列数据的建模，RNN可以捕捉到目标的时序特征。
4. 神经网络模型卷积神经网络和循环神经网络是两种常见的神经网络模型。
卷积神经网络通过卷积和池化操作来提取图像的特征，常用的模型包括LeNet-5、AlexNet、VGG和ResNet等。
这些模型通过不同的层数和参数设置，可以应对不同的任务需求。
基于红外图像的目标跟踪技术与研究
基于红外图像的目标跟踪技术与研究近年来，随着红外技术的不断发展和应用领域的扩大，基于红外图像的目标跟踪技术也逐渐受到了广泛关注。
红外图像具有独特的特点，能够在低光照条件下实现目标的准确识别与跟踪，因此在军事、安防、航天等领域具有重要的应用价值。
目标跟踪是指通过连续的图像序列，在目标被遮挡、形变、光照变化等情况下准确地获取目标的位置、速度和运动轨迹等信息。
红外图像在目标跟踪中的应用主要包括两个方面：首先是利用红外图像的独特特点进行目标的检测与识别；其次是通过目标的运动信息进行目标的跟踪与预测。
在红外图像的目标检测与识别方面，研究者们通过提取目标的纹理、形状、边缘等特征，采用机器学习算法如支持向量机、神经网络等进行分类与识别。
同时，还可以借助红外图像的温度信息，结合计算机视觉技术，实现对目标的自动检测与识别。
这些方法不仅能够在复杂背景下准确地检测目标，还具有较高的实时性和鲁棒性。
在目标的跟踪与预测方面，研究者们通过分析目标的运动特征，如速度、加速度等，结合目标的历史轨迹信息，采用滤波算法如卡尔曼滤波、粒子滤波等进行目标的连续跟踪与预测。
此外，还可以借助红外图像的背景建模与更新技术，实现对目标的自适应跟踪，提高跟踪的准确性和稳定性。
然而，红外图像的目标跟踪技术仍存在一些挑战。
首先，红外图像中目标的尺寸、形态和纹理等特征与可见光图像存在较大差异，需要寻找适合红外图像的特征描述方法。
其次，红外图像中目标与背景之间的对比度较低，容易受到光照变化、雨雪等环境干扰，导致目标跟踪的困难。
此外，红外图像的实时性要求较高，需要研发高效的算法与系统来满足实时跟踪的需求。
综上所述，基于红外图像的目标跟踪技术在军事、安防等领域具有广阔的应用前景。
未来的研究还需进一步改进目标检测与识别算法，提高目标跟踪的准确性和鲁棒性，以满足实际应用的需求。
基于图像局部特征的红外小目标检测与跟踪算法
2008年6月 Infrared Technology June 2008 基于图像局部特征的红外小目标检测与跟踪算法成兰，王志杰，姬琇荔（安阳工学院科研处，河南安阳 455000）摘要：基于红外序列图像中小目标的典型特征，提出了一种新的红外小目标检测与跟踪算法。
利用图像小目标的微分几何特性，计算图像的最小法向曲率，并以此为阈值，获得小目标的候选对象。
之后利用多幅图像之间目标的相关性，在时间尺度上基于Kalman滤波算法，实现对目标噪声的过滤并实现目标的跟踪。
最后对算法的有效性进行了验证。
关键词：目标检测；序列图像；法向曲率中图分类号：TP391 文献标识码：A 文章编号：1001-8891(2008)06-0324-03An Novel Algorithm for Infrared Small Targets Detectionand Tracking Based on Local Image FeaturesCHENG LAN，WANG Zhi-Jie ，JI Xiu-li(Research office of Anyang Institute of Technology, Henan Anyang 455000, China)Abstract：Based on the typical feature of small target in sequence infrared images, a new algorithm is proposed for detecting and tracking small targets in sequence images. By using differential geometry property of small object of infrared image, computing minimal normal curvature which is used as the threshold to obtain candidate objects for small target. By using the relationship of objects between different images, blurred objects are filtered by Kalman filter. Finally, the effectiveness of this algorithm is verified.Key words：target detection；sequence images；normal curvature引言红外或可见光成像检测及跟踪系统，是一种被动检测技术，故较之其它跟踪系统而言具有隐蔽性好，抗干扰能力强，跟踪精度高等优点。
- 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)。
- . - - - 可修编- 远红外小目标的检测与跟踪 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最小绝对差准则的匹配跟踪方法。分别仿真验证，并从实现结果出发得出了两种算法的适用围和各自存在的不足。 关键字：远红外 小目标检测与跟踪
0 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。 由于视频跟踪具有广泛的应用围，因而引起了世界围广大研究者的兴趣。 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- . - - - 可修编- 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；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。 - . -
- - 可修编- 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。 - . - - - 可修编- 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。 - . -
- - 可修编- 3 原理描述
3.1 形心跟踪
图(2) 形心跟踪系统流程图 如图（2）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
视频图像序列 滤波去噪 背景提取 二值化处理 设置波门 计算形心 目标物体跟踪 兴趣区获取 灰度转换
摄像头标定物体保证在镜头内 - . -
- - 可修编- 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)lk,yx{fg(x,y)MedianA)( （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。 {),(,),(,),(TyxfTyxfyxfT
0
255 （2）
其中T是设定的阈值；),(yxf是像素原有的灰度值；),(yxfT是处理后的灰度值。 - . - - - 可修编- 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：
dcybaxdcyb
axcyxfyxxfx),(
),(
dcybaxdcyb
axcyxfyxyfy),(
),( （3）
其中， xc、yc是目标形心坐标；),(yxf是图像函数（即图像上yx,处像素点的灰度）；ba,是横坐标围；dc,是纵坐标围。
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- . - - - 可修编- 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 匹配跟踪 4仿真结果与分析 1 对比度矩心跟踪法通过对原图像进行图像阈值分割、形心计算，最终实现目标的跟踪。此种算法具有简单、快速和实时性高的特点。但是，此种算法的实用性围极其有限，一般来说只适用于目标图像与背景图像的灰度值相差较大的情形下才能实现，否则将得不到目标的形心。除此之外，该算法受图像成像过程中引入的噪声的影响比较大，在环境较为恶劣的情况下将会失去对目标的有效跟踪。因而，对比度矩心跟踪法面临背景环境的限制以及成像系统噪声的限制。 2 模板相关匹配法不必对原图像进行预处理，基本保留了图像的全部信息，这对于目标所在的背景区域的了解至关重要；其次，此跟踪算法非常适合于在环境复杂多变的情况下进行目标的跟踪。但不足之处是由于在相关匹配的过程中涉及到大量的数学运算，因而系统跟踪的实时性将大大降低，为进一步提高系统的实时响应，相应的处理器、存储器等硬件设备的性能要求较高。即使在匹配的过程中进一步降低搜索区域，但那样有可能得到的是局部最优值，其最终结果是真正的目标没有被跟踪到。因而，模板相关匹配法面临实时性的提高以及快速搜索区域算法的进一步优化。
主要参考文献 [1] 然，吕高杰， 光电目标图像自动跟踪技术研究[J]，电光与控制, 2008,15(9)：65-68 - . - - - 可修编- [2] 王唯合，王宏志，兰英．运动目标检测跟踪方法研究，工业大学学报, 2007,28(4)：411-414 [3] 岩; 智社; 龙腾;图象序列中机动目标的形心跟踪，航空学报,2001，22(4):312-316 [4] 季,王春平,朱元昌. 电视跟踪系统视景仿真方法研究[J]，计算机仿真, 2003,20(8)：85-87 [5] 光电图像处理及应用，电子科技大学