红外成像目标跟踪的MHT改进算法及其DSP硬件实现
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。
高帧频红外目标检测跟踪算法研究与实现
关键词：红外图像制导，目标检测与跟踪，DSP，FPG
I
Abstract
Abstract
IR target detect and tracking technology takes a great role in industruy control and military army control and guide. Along with the development of modern science and technology, and the requirement of modern war, as the big advantage of IR search and track system, the IR search and track system become the most important precise guide technology.
红外图像处理中的目标检测算法优化技术研究
红外图像处理中的目标检测算法优化技术研究红外图像处理是现代电子信息技术领域的重要分支，广泛应用于军事、航空航天、安防等领域。
而红外目标检测算法作为红外图像处理的核心技术之一，对于提高红外图像处理的准确性和效率具有重要意义。
然而，由于红外图像具有低分辨率、低对比度等特点，使得红外目标检测面临着许多挑战。
因此，对红外目标检测算法进行优化研究具有重要的理论和应用价值。
为了提高红外目标检测算法的性能，研究人员提出了许多优化技术。
首先，基于特征的优化技术是常用的方法之一。
红外图像中目标与背景差异较大，通过提取目标的特征信息可以提高目标检测的准确性。
常见的特征包括形状、纹理和颜色等。
利用这些特征，可以构建适合红外目标检测的分类器，如支持向量机（SVM）和人工神经网络等。
其次，基于模型的优化技术也是重要的研究方向。
在红外目标检测中，目标的形态和结构信息十分重要。
通过建立红外目标模型，可以对目标进行建模和识别，从而实现目标的检测。
常见的模型包括红外目标形状模型和结构模型。
通过将模型与实际图像进行匹配，可以实现目标的检测和定位，提高检测算法的准确性和鲁棒性。
此外，深度学习技术的应用也为红外目标检测算法的优化提供了新的思路。
深度学习技术以其优秀的自动学习和表达能力，已经在图像识别和目标检测等领域取得了显著的成果。
通过使用深度学习模型，可以从大量数据中学习红外目标的特征表示，进而实现目标的准确检测。
基于深度学习的目标检测算法，如Faster R-CNN和YOLO等，已经取得了令人瞩目的性能。
然而，红外图像处理中的目标检测算法还面临一些挑战和问题。
首先，红外图像的低分辨率和低对比度使得目标的边界模糊，导致目标检测难度增加。
其次，红外图像中的噪声和干扰也会给目标检测带来困扰。
此外，不同红外图像之间的差异性也增加了目标检测算法的复杂度。
针对这些问题，研究人员可以通过引入图像增强和增强对比度的方法来改善图像质量，从而提高目标检测的准确性。
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。
基于VxWorks的SB／MHT红外跟踪算法改进与实现
了前提 ； 同时它具有性能优越 的 内核 Ｗｉ ｎ ｄ和高效 的多任务管理与调度机制 ， Ｗｉ 在 ｎ ｄ内核控制转调度 ， 并配合 中 断管理机制完成多任务的协调运作 。 本文对 Ｓ ／ Ｈ Ｂ Ｍ Ｔ的轨迹预测 、 门限关联和轨迹 评价这三个模块做 了简化与改进 ， 并讨论了在 Ｖ ． ｘ Ｗｏ ｓ ｒ 操作系统 中算法的多任务高效实现的组织方 ｋ
ｌ ｕｅ，Ｓ ／ＭＨＴ ｉ ｌｍｅ ｔ ａ ｇ ｔｔ ｋ ｎ ｔ ｅ Ｖｘ ｏ ｋ ｌｔ ｒ ｗｉ ｎ ａ ｋ ｓ ｈ ｄ ｉｇ ａ ｄ ｉ ｔｒｕ ｔｓ ｒ ｉｅ Ｂ ｍｐ ｅ ｎ ｒ ｅ ｒ ｓ ｏ ｈ Ｗ ｒ ｓ ｐａ ｏ ｍ ｔ ｗｉ ｄ ｔｓ ｃ ｅ ｕ ｎ ｎ ｎｅ ｒ ｐ ｅ ｖｃ ． ｔ ｃ ａ ｆ ｈ ｌ
Ａｂ ｔａ ｔ Ｉ ｈｓｐ ｐ ｒ ｒｇｅ ｓｄ ＭＨＴ ｉｆ ｒ ｄｔａｋｎ ｇ ｒ ｈ ｉ ｐｏ ｏ ｅ ｎｏｄ ｒｔ ｅ ｒａ ｆｃｅ ｃ ｎ ｓｒ ｃ ：ｎｔｉ ａ ｅ ，ａｐ ｏｒｓｅ ｒ ｅ ｒｃ ｉｇａ ｏ ｔｍ ｓ ｒｐ ｓｄ ｉ ｒ ｅ ｏｇ ｔｇｅ ｔｅ ｉｎ ｙｏ ｎ ａ ｌ ｉ ｉ ｔｅＶ Ｗ ｏｋ ｅ ｒｔ ｎ Ｓ ｓｅ ｈ ｘ ｒｓＯｐ ａｉ ｙｔｍ．Ｔ ｒｕ ｈ ｐｏ ｒｓｉｇｔｒｅ ｎｅｆ ｄ ｌ ｏ ｈｏ ｇ ｒｇｅｓｎ ａｇｔｉｔｒｉ ｍｏ ｕｅ，Ｋａｍａ ｌ ｒａ ｄ ｔａ ｋｅ ａｕ ｔ ｎ ｍｏ － ｘ ｌ ｎｆ ｔ ｎ ｒ ｖ ａｉ ｄ ｉ ｅ ｃ ｌ ｏ
Ｋｅ ｒ ｓ ｉｆａｅ ｅ ｒｈａ ｄｔａｋｎ ；Ｓ ／ ｙｗｏ ｄ ：ｎｒ ｄｓａｃ ｒｃ ｉｇ Ｂ ＭＨＴ；Ｋａｍａ ｌ ｒ ｒ ｎ ｌ ｎ ｆｔ ｉｅ
１ 引 盲
跟踪分析是红外成像跟踪 系统 的一个 组成环 节… ， 建立在 空间滤波 、 阈值分 割和 目标分 割基 础 之上。空间滤波提高 了图像信 噪比； 阈值分割分离 目标和背景； 目标分割提取潜 目标 向量数据 ； 跟踪分 析应用跟踪算法 ， 根据 目标运动特性找出其中真实 目标点运动轨迹。 在 Ｉｓ Ｒ Ｔ发展 过程 中， 跟踪 算法 很 多。Ｄ ｎｌ ｏａ ｄ Ｂ Ｒ ｉ 在 １７ ．ｅ ｄ ９８年提出多假设跟踪算法 Ｍ Ｔ２， Ｈ ＿ 根 据潜目标的帧问匹配来构造假设轨迹 ， 并对轨迹进行 评价。由于其计算量巨大， 休斯公司提出结构化分支 多假设跟踪算法 Ｓ／ Ｈ ， Ｂ Ｍ Ｔ Ｊ结构化轨迹 ， 分别记录 各条轨迹的状态属性 ， 最后进行轨迹评价和删除。 以往跟踪分析算法都是在 Ｐ ｃ机的 Ｗｉ ｏ ｓ ｎ ｗ 操 ｄ 作系统平 台上实现 的， ｎｏ ｓ 时性 不高 ； 时 Ｗｉ ｗ 实 ｄ 同 Ｐ ｃ机作为分立的系统存在 与其他系统模块 的接 口 协调问题 。这 里选择 Ｖ Ｗｏ ｓ内嵌操作 系统作 为 ｘ ｒ ｋ 算法实现的平 台， 这是 因为 Ｖ Ｗｏ ｓ 以很 方便 的 ｘ ｒ 可 ｋ 嵌入到 Ｓ Ｃ平台， Ｏ 为跟踪系统的 Ｓ Ｃ片上实现提供 Ｏ
基于红外成像的光学成像目标跟踪技术研究
基于红外成像的光学成像目标跟踪技术研究在光学成像领域，目标跟踪是一个非常关键的技术。
目标跟踪技术的作用是对物体在运动过程中进行准确的追踪，以便取得更加清晰的图像。
而随着科技的不断发展，红外成像技术逐渐成为一种非常受欢迎的技术，基于红外成像的光学成像目标跟踪技术也得到了广泛的应用。
本文将介绍基于红外成像的光学成像目标跟踪技术的相关研究。
一、光学成像目标跟踪技术的基本原理光学成像目标跟踪技术主要利用摄像机对物体进行连续采集，然后对这些采集的数据进行处理和分析来完成目标的跟踪。
光学成像目标跟踪技术的基本原理是通过对物体进行数字图像分析，找出该物体的属性并计算它们来完成跟踪。
在这个过程中，目标跟踪算法非常重要，它负责识别和跟踪图像中的目标。
目标跟踪算法基于计算机视觉技术，主要分为两部分，即特征提取和运动估计。
其中，特征提取的目的是确定目标的位置，而运动估计则是利用物体在目标跟踪过程中的运动信息来确定其当前的位置。
基于红外成像的光学成像目标跟踪技术是基于红外成像技术的原理而开发的。
红外成像技术主要利用物体发出的红外辐射完成图像采集。
这种技术比传统的成像技术更加高效，因为它可以在极度寒冷或黑暗的环境下实现目标跟踪。
基于红外成像的光学成像目标跟踪技术主要分为两类：主动红外成像目标跟踪和被动红外成像目标跟踪。
其中，主动红外成像目标跟踪是指向目标发出红外光来进行辐射采样，而被动红外成像目标跟踪则是利用物体自身发出的红外辐射来进行图像采集。
二、基于红外成像的光学成像目标跟踪技术的应用基于红外成像的光学成像目标跟踪技术在各个领域都有着广泛的应用。
在航空航天领域，该技术被用于监测空间试验器的载荷、提高飞行器的自主导航能力等方面。
在军事领域，基于红外成像的光学成像目标跟踪技术被用于边界监视、非常规攻击检测等任务中。
此外，在医疗领域，该技术被用于人体热像学检测和诊断。
在智能交通系统中，该技术被用于交通管理、汽车识别和追踪。
《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、引言随着红外技术的不断发展，红外小目标检测与跟踪在军事、安全监控和智能交通等领域具有越来越广泛的应用。
然而，由于复杂背景条件下的红外小目标通常具有尺寸小、亮度低、动态性强等特点，导致其检测与跟踪面临极大的挑战。
因此，研究复杂背景条件下的红外小目标检测与跟踪算法，对于提高红外成像系统的性能和增强目标识别能力具有重要意义。
二、红外小目标检测算法研究2.1 背景抑制与预处理在复杂背景下，通过采用适当的背景抑制算法可以有效地去除噪声干扰和杂波影响，为后续的检测与跟踪提供可靠的图像信息。
常见的背景抑制方法包括空间滤波、时间滤波等。
预处理阶段还包括图像灰度化、直方图均衡化等操作，以增强目标的对比度和清晰度。
2.2 目标检测算法针对红外小目标的特性，常用的检测算法包括基于形态学的方法、基于边缘检测的方法和基于区域生长的方法等。
其中，基于形态学的方法可以有效地提取出目标的形状特征；基于边缘检测的方法可以准确地检测出目标的边缘信息；而基于区域生长的方法则可以自动识别并提取出感兴趣的区域。
在实际应用中，根据不同的场景和需求选择合适的检测算法是关键。
三、红外小目标跟踪算法研究3.1 特征提取与表示在红外小目标跟踪过程中，提取目标的特征信息是实现准确跟踪的关键。
常用的特征包括颜色特征、形状特征和纹理特征等。
此外，为了适应目标的动态变化，还需要对特征进行实时更新和优化。
3.2 跟踪算法选择与实现针对红外小目标的特性，常用的跟踪算法包括基于滤波的方法、基于相关性的方法和基于机器学习的方法等。
其中，基于滤波的方法如卡尔曼滤波器可以有效地估计目标的运动轨迹；基于相关性的方法如均值漂移算法可以快速地找到目标的位置；而基于机器学习的方法如支持向量机、神经网络等则可以自动学习和识别目标的特征信息。
在实际应用中，根据具体需求和场景选择合适的跟踪算法是关键。
四、算法性能评估与优化4.1 评估指标与方法为了评估红外小目标检测与跟踪算法的性能，需要采用合适的评估指标和方法。
- 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)。
行状态估计和预测； 得到航迹的预测位置后， 与测量 数据进行数据关联， 这里有两点需要注意， 一个是关 联门限的产生， 一个是规定合理的关联规则； 接下来 刷新所有可能航迹的初始置信度， 并规定一个航迹 确认门限和航迹删除门限， 删除初始置信度过低的
设， 这将显著地减少计算量； 然后计算全局置信度， *) ’
! ! *) ’ & * *) ’ ， ’ ") & + *) ’ ’ ") ’ ") &
删除全局置信度过低的航迹- 这些处理在第四块 %&’ 中进行（,） 最后， 给出如图 * 所示的处理流程图!" &$ 基于四片 ’()#!*+,!*- 的硬件处理结构 $"&*!(I/!() 的主频高 达 !(("#J， 内含 K 个
=,>,/3,- !""! : "$ : ;! ，*,3/4,- !""! : ;! : "<
"<>
红外与毫米波学报
!! 卷
图 "# $% & ’() 算法的处理流程 *+,- "# )./ 0123/44+5, 613.+7/3781/ 29 $% & ’()
航迹， 将超过确认门限的航迹带入航迹聚类的运算， 这样， 只有有限的航迹参加了聚类运算， 这正是 $% & 根据航 ’() 有别于标准 ’() 的关键所在- 下面， 迹的关系将航迹分为不同的簇； 在各簇内依据内部 一致性原则， 即不同的航迹不可以共享同一个测量 点， 生成各种假设， 即各种可能的相容航迹组合； 并 计算各假设的假设置信度， 然后结合各航迹的初始 置信度， 求取各航迹的全局置信度， 全局置信度只用 于删除航迹， 并不保存用于后续帧的计算-
!" 改进算法流程和硬件处理结构
下面从红外探测器采集到图像开始， 按照处理 的先后顺序， 逐步阐述数据处理的流程， 最后， 总结 出改进之后的 ’() 算法和基于 : 片 )’$;!<=>!<" 的硬件结构!# $" 基于自适应灰度阈值的图像分割和中值滤波 探测器得到的红外灰度图像经过 "!?+7@ & A 转 换并经 *BC@ 非均匀校正后， 通过高可靠性的系统 总线 （ D’E 总线） 进入第一块 A$B， 在这里完成空间 滤波， 提取潜在的目标， 它的处理效果直接关系到 ’() 的速度和可靠性- 一般的计算灰度阈值的方 法是取图像直方图的分割阈值， 由于我们的探测器 的灰度分辨率是 "!?+7 的， 即有 :<F> 个灰度级别， 用 这种方法的计算量较大- 由于 : 个处理器组成一个 闭环的处理结构， 可以利用后续处理中的灰度信息这里将第 ! 帧得到的各潜在目标的灰度均值减去一 个适当的偏移量作为灰度阈值 " 对第 ! G " 帧的图 超过阈值的 像进行分割， 低于阈值的象素灰度清 < ， 象素保留灰度- 图 ! 中的 （ 6） 为原始图像， （ ?） 为分 割后的图像， 在潜在目标周围存在很多的分割碎块， 如果它们都作为潜在目标进入 $% & ’() 算法的处 理流程， 不仅使计算量大为增加， 而且跟踪的精度也 将大受影响- 对 （ ?） 进行中值滤波处理后的结果如 （ 3） 所示， 这样， 就明显地改善了预处理的效果!# !" 利用平方预测器进行位置预测 预处理之后的图像通过 *H*I （ 先进先出存储 器） 进入第二块 A$B， 计算各潜在目标块的质心位置
!" #$ 数据关联和置信度计算规则 产生假设前的处理在第三块 %&’ 中完成， 它包 括数据关联、 产生新航迹、 航迹分支和计算初始置信 度及基于初始置信度的航迹删除- 由于预测方法的 不同， 关联阈值和关联距离及初始置信度的计算方 法也发生了相应的改变- 在这里直接以预测值与测 量值之间的距离作为关联距离； 初始置信度根据航 迹刷新与否进行简单的递加和递减!" %$ 假设删除和基于全局置信度的航迹删除 考虑到系统小视场的特点， 在经过有效的预处 理后， 引入的杂波密度不高， 所以取消航迹的聚类操 作- 在生成假设之后， 计算每种假设的假设置信度， 假设置信度 0 1 就是该假设 1 中的所有航迹 2 的初 航迹的全局置信度 0 4 根据式 始置信度 0 3 的和， （C） 计算 " 03 5 （ 0（ 4 2’ ）
［ ;］
@: %A B !"# 算法原理与数据流程
.AB 是一种高杂波背景下跟踪多个目标的有 效算法& 但计算量大， 不易于实时处理， CZ [ .AB 算 法在对标准 .AB 算法进行改进后， 大大降低了计算 量， 下面给出 CZ [ .AB 算法的处理过程， 如图 ; 所 示& 从 滤 波 预 测 模 块 开 始， 简 要 地 描 述 一 下 CZ [
’ ") ’ ") ’ ") & & &
（+） 式 （+） 中 & & + + + $ " *) ’ ’ ") & *) ! ’ ") ’
& ’ ") &ቤተ መጻሕፍቲ ባይዱ’ ") & ’ ")
图 +0 基于 + 片 %&’ 的硬件结构框图 123- +0 $45 4<7@D<75 :=7>9=>75 E<:5 8; + %&’
第 !! 卷第 ! 期
红外与毫米波学报
%& ’()*+*,- ./00/1& 2+3,4
!""# 年 $ 月
560& !! ，76& ! !""# 89*/0，
红外成像目标跟踪的 !"# 改进算法 及其 $%& 硬件实现
赵? 峰? 吴常泳? 李范鸣
（ 中国科学院上海技术物理研究所， 上海， !"""@# ） 摘要? 探讨了改进的 .AB （ 多假设跟踪） 算法及其在红外成像跟踪系统中的应用& 根据红外目标及背景的特点， 对 红外图像数据进行自适应的空间滤波预处理后， 运用改进的 .AB 算法实施目标识别和航迹跟踪处理& 并利用 $ 片 B.C#!"DE""" 系列 FCG 组成流水线处理结构， 实现了该算法的硬件并行处理， 取得了良好的实用效果& 关键词? 多假设跟踪， B.C#!"DE""" ， 流水线式处理， 目标跟踪&
［ ;］ 和平均灰度； 利用平方预测器进行位置预测 -
设（ 9 7） 可以用 （ # $）% &< ’ &" $ ’ &! $! ， 量值为 （ # $) ） （ ) % "， !， …， (） 测量值与逼近值之间的误差为 # $ ) ）* &< * &" $ ) * &! $ ) ! ， 3! ) %（ 对 ( 点估计的均方误差为
’ &()*(+%%+$ !"# ’,*)(-#"! .)( -/.(’(+$ #’(*+# #(’01-/* ’/$ #"+ "’($2’(+ ’(0"-#+0#3(+ )/ $%&
HA8I J,(K? 2L DM+(K:N6(K? O’ J+(:./(K
（ CM+(KM+/ ’(4P/PQP, 6) B,>M(/>+0 GMR4/>4，DM/(,4, 8>+-,1R 6) C>/,(>,4，CM+(KM+/ !"""@# ，DM/(+） ’4567896: 8( /19*63,- 1Q0P/90, MR96PM,4/4 P*+>S/(K （ .AB ）+0K6*/PM1 +(- /P4 +990/>+P/6( /( /()*+*,- P+*K,P P*+>S/(K 4R4: P,14 +*, 9*,4,(P,-& 8>>6*-/(K P6 PM, >M+*+>P,*/4P/> 6) /()*+*,- P+*K,P，PM, 4R4P,1 )/*4P0R ,1906R4 +-+9P/3, 49+P/+0 9*,9*6>,44: /(K，PM,( P+S,4 +-3+(P+K, 6) PM, /19*63,- .AB +0K6*/PM1 P6 *,>6K(/T, +(- P*+>S P+*K,P& BM, 9/9,0/(, M+*-U+*, +*>M/P,>PQ*, /4 >6(4P*Q>P,- V+4,- 6( $ FCG4 P6 /190,1,(P PM, +0K6*/PM1 +(- +>WQ/*,4 ,X>,00,(P *,4Q0P& 1;< =>7?5: .AB，B.C#!"DE""" ，9/9,0/(,，6VY,>P P*+>S/(K&