藺向明

摘 要：針對遠距紅外弱小目標的成像特點，提出了一種基于連續(xù)幀的紅外成像小目標先檢 測后跟蹤算法。首先利用增強型簡化高通濾波預處理提高圖像信噪比，然后根據直方圖迭代得到 的自適應閾值進行二值化處理和目標標記，在后繼的連續(xù)幀中根據導彈工作狀態(tài)不同而確定不同 的選擇截獲算法，判斷截獲后轉入小目標對比度跟蹤階段。仿真實驗結果表明，本文算法在復雜 背景、低信噪比條件下，仍能準確檢測出遠距小目標，閾值選取無需人工干預，檢測速度快，利于 彈上實時應用。

關鍵詞：紅外成像；小目標檢測；先檢測后跟蹤；增強型簡化高通濾波；對比度跟蹤

中圖分類號：TP391 文獻標識碼：A 文章編號：1673-5048（2014）03-0012-04

ResearchonSmallTargetDetectingAlgorithmBasedonIRImaging

LINXiangming

（CollegeofAstronautics，NorthwesternPolytechnicalUniversity，Xian710072，China）

Abstract：Accordingtotheinfraredimagingtraitofthesmalltargetinlongdistance，asmalltarget detectingandtrackingalgorithmwithcontinuousframesispresented.Firstly，itusestheenhancedsimpli fiedhighpassfiltertoelevateSNR.Andafterbinarizationisusedwiththethresholdgotfromiterationof histogram，thetargetsaremarkedandtheircharactersareextracted.Finally，theaimedtargetiscon firmedafterseveralconsecutiveframesandtheprocessturnsintocontrasttrackingwiththetargetscen troidasaimingpoint.Testsshowthatthealgorithmpresentedcanrealizefastdetectingandstabletracking thesmalltargetundercomplexbackgrounds，andthebinarizationthresholdisgotwithoutmanualwork. Therateofthisalgorithmisfast，soitisconvenientforusingintheairtoairmissiles.

Keywords：infraredimaging；smalltargetdetecting；detectbeforetrack（DBT）；enhancedsimpli fiedhighpassfilter；contrasttracking

0 引 言

所謂小目標，是指當導彈和目標的相對位置 較遠時，雖然空戰(zhàn)目標本身可能有幾米甚至十幾 米的尺寸，但在導引頭成像平面上僅呈現一個或 幾個像素的點，所以這種狀態(tài)下的目標又被稱為 點目標（PointTarget）。

遠距紅外弱小目標的檢測技術是紅外成像制 導系統(tǒng)中的一項核心技術，它利用圖像處理算法 對復雜背景下和強噪聲環(huán)境中的弱小目標進行自 動檢測，為后繼的目標識別、抗干擾提供基礎，實 現穩(wěn)定跟蹤。遠距紅外弱小目標的檢測算法的性 能好壞直接影響紅外成像系統(tǒng)的作用距離和智能 化程度。現階段紅外弱小目標檢測算法的難點在 于：

a.目標只占據幾個像素，無明顯的形狀、尺 寸、紋理等結構信息，可供利用的信息少；

b.復雜背景下點目標的成像信噪比較低，單 幀處理的虛警率高；

c.檢測算法的運算量必須可控，滿足彈上使 用的實時性要求。

因此，復雜背景中紅外小目標的檢測問題成了 紅外成像系統(tǒng)中一個亟待解決的關鍵問題，探索和 研究新的小目標檢測理論和算法以及如何將現有的 檢測理論用于工程實現依然是十分重要的課題。本 文從分析現有算法特點入手，提出了一種基于連 續(xù)幀的紅外成像小目標檢測算法。

1 現有算法分析

按照實現序列圖像中目標檢測算法所需的圖 像幀數，可將紅外小目標的檢測算法分為單幀小 目標檢測算法和多幀小目標檢測算法兩大類。

1.1 單幀小目標檢測

單幀小目標檢測一般是先進行圖像預處理， 再對經過濾波后的圖像進行閾值分割，依靠目標 和背景成像的灰度差異來實現目標檢測和分割。 這種方法簡單易行，易于硬件實現，執(zhí)行效率高。 但由于不考慮幀間信息，所以在低信噪比的復雜 背景下容易檢測不出目標或檢測出多個目標，虛 警概率大，通常需要進行后繼的目標航跡關聯或 目標識別模塊來進一步確定。

單幀小目標檢測中圖像檢測方法分成如下三 類[1]：①基于點相關技術的分割：閾值僅根據與全圖 各像素的本身性質（像素值）有關。如極小值點閾值 法[2]、最優(yōu)閾值法[3]、最大類間方差法（大津法）[4]都 是經典的單幀小目標檢測算法，它們僅依靠圖像灰 度直方圖統(tǒng)計運算，是一類無監(jiān)督、無先驗知識的自 動分類算法；②基于區(qū)域相關技術的分割：閾值與區(qū) 域性質（區(qū)域內各像素的值，相鄰像素值的關系等） 有關，Jaynes[5]提出了香農熵與區(qū)域信息相結合的 連續(xù)形式，并由Skilling[6]給出了離散形式，完成了 基于紅外圖像局部熵的分割方法；③基于坐標位置 的動態(tài)閾值：閾值不僅與當前點像素值和區(qū)域像素 性質有關，進一步還與像素位置有關。

以上對取閾值分割方法的分類思想是通用的。 近年來，許多取閾值分割算法借用了視覺特性、神 經網絡、模糊數學、遺傳算法、小波變換、信息論等 工具，但仍可把它們歸納到以上三種方法類型中。

1.2 多幀小目標檢測

相較單幀小目標檢測算法，多幀處理更能體 現序列圖像帶來的時間信息、空間信息和灰度信 息。所以大多數紅外小目標檢測算法都屬于多幀目標檢測算法。對于多幀小目標檢測，按小目標 檢測與目標運動軌跡跟蹤過程的前后關系，可分 解為先檢測后跟蹤（Detectbeforetrack，DBT）和先 跟蹤后檢測（Trackbeforedetect，TBD）兩類。

DBT技術利用目標的灰度特征，根據一定的 判決準則獲得目標的判決閾值，對目標圖像實施 二值化。然后在二值化后的圖像序列中根據目標 的短時運動連續(xù)性和軌跡一致性，利用軌跡關聯 的方法來尋找可能的目標軌跡，對單幀檢測結果 進行多數表決，剔除虛警點，從而達到檢測點目標 的目的[7]。這種方法具有計算形式相對簡單，計 算量小、速度快等特點，但要求輸入的圖像有較高 的信噪比[8]。DBT算法流程如圖1所示。

TBD技術則是先根據目標的短時運動軌跡連 續(xù)性，沿目標所有可能的運動軌跡累積目標能量， 提高目標的信噪比，然后根據目標的短時灰度特 性或能量變化特性求取各條軌跡的后驗概率。 TBD算法流程如圖2所示。

為了滿足實時性需要，本文采用了一種基于 連續(xù)幀處理的紅外成像小目標DBT檢測算法，采 用“邊檢測邊跟蹤邊識別”的策略，通過預處理提 高圖像的信噪比，基于直方圖迭代的二值化閾值 求取，完成幀內檢測，并利用連續(xù)多幀判斷真正的 目標，實現目標檢測。其流程圖如圖3所示。

2.1 基于增強型簡化高通濾波的預處理

圖像預處理濾波算法一般分為兩類：空域濾波 和頻域濾波。由于頻域濾波的計算量較大，為了 滿足彈載紅外成像導引頭的高工作頻率，采用空 域濾波來進行紅外導引頭圖像預處理。一般認為， 目標是各種具有復雜背景的紅外圖像中的高亮部 分，于是高通濾波成為可以選取的最直接也是最 為有效的圖像預處理方法[9]。

傳統(tǒng)的二維高通濾波運算量隨著濾波半徑的 增大以指數級的方式增加，不利于彈上硬件的實 時實現；它可以濾除灰度平滑圖像特別是大片云背 景，達到抑制云層背景噪聲、使不均勻背景均勻化 以及增強目標邊緣的效果，但是對目標本身灰度 的削弱也很明顯，而且無法濾除孤點噪聲。

針對傳統(tǒng)高通濾波的第一個缺點，可以采用 下面的方法予以改善，即只在水平和垂直兩個方向 進行濾波：

簡化后的濾波效果有所下降，但由于其只有 簡單的加、減和移位運算，很容易硬件實現，所以 與原算法相比濾波效率大大提高。濾波半徑M的 大小影響濾波效果，這里選M=4。

針對傳統(tǒng)高通濾波的第二個缺點，引入了十 字五點中值濾波，中值濾波的特點是可以平滑圖 像，濾除孤點噪聲，但對大面積的云背景無法濾 除。這正好與高通濾波的特點構成了互補關系， 因此形成了一種兼有兩種濾波算法優(yōu)點的新的濾 波算法，即增強型簡化高通濾波算法[10]，其表達 式如下所示：

g（i，j）=f（i，j）+m5（i，j）-2×l（i，j）（4）

m5（i，j）=med[f（i-1，j），f（i，j-1），

f（i，j），f（i，j+1），f（i+1，j）]（5）

這種算法有效地抑制了高通濾波對目標的削 弱作用，同時又可以達到高通濾波對背景的濾除 效果；算法運算簡單，最終可換算到加、減、移位三 種運算，硬件可以并行處理，滿足紅外成像制導武 器實時、快速的需要。

2.2 基于直方圖迭代閾值的圖像分割

基于灰度直方圖的全局迭代閾值法[11]選取圖像灰度分布范圍的中間值作為閾值初始值T0（設 共有L個灰度），將圖像每個像素都分為前景或背 景，然后按下式迭代：

其中：hk是灰度為k值的像素個數，迭代一直進行 到Ti+1=Ti時結束，取結束時的Ti為最終分割閾 值。從直方圖上看，這樣取得的閾值處在與前景 和背景的重成反比的位置，從路徑規(guī)劃的角度看 是一種最優(yōu)閾值。

2.3 目標標記和特征提取

目標標記采用的是四聯通區(qū)域標定法，對屬 于同一個目標的像素標記為一個目標，對與前面 都不同的目標標記為新目標，做完初步標記和標 記矯正后，需要更新當前標記的特征，即在該行的 終止列、面積、灰度。

標記完成后，遍歷鄰接表，將相互鄰接的標記 記錄為同一個目標，進而得到目標的個數。然后合 并鄰接標記的特征（包括在每行的起始列、終止列、 面積、灰度），得到它們對應的目標的特征。再根據 各個目標在每行的起始列、終止列，計算出目標的其 他特征：長、寬、中心，以供下一步目標識別做準備。

2.4 遠距小目標選擇截獲算法

遍歷所有的標記目標，排除屬于背景或噪聲 的假目標，若確定不是假目標，則需判斷是否滿足 飛控參數提供的截獲要求，挑選所有滿足截獲要 求的能量最大的目標作為截獲目標，同時將截獲 標志置1，表明已有目標被截獲。遍歷完所有標記 目標后，若沒截獲到目標，則將截獲計數清0；若 截獲到目標，判斷是否為第一幀截獲此目標（截獲 計數是否大于0），若是第一幀截獲，截獲計數加 1，否則判斷與上幀截獲的目標能量是否相近，相 近則截獲計數加1，相差太大則截獲計數置1。

采用連續(xù)多幀檢測以降低虛警概率，即統(tǒng)計 連續(xù)檢測到目標的幀數Frame_Detect，當滿足一定 的截獲要求（一般取Frame_Detect≥5），目標檢測 得到確認。

2.5 遠距小目標對比度跟蹤算法

[6]SkillingJ，BryanRK.TheoryofMaximumEntropyImage Reconstruction：GeneralAlgorithm[J]∥//MonthlyNotice oftheRoyalAstronomicalSociety，1984，211（1）：111- 124.

[7]廖斌，楊衛(wèi)平，沈振康.基于多幀移位疊加的紅外小目標 檢測方法[J].紅外與激光工程，2002，31（2）：150-153.

[8]吳巍，彭嘉雄，葉斌.一種云層背景抑制與小目標檢測 方法[J].華中科技大學學報，2001，29（11）：56-57.

[9]趙欽佩.復雜背景條件下的紅外圖像預處理檢測方法 研究[D].上海：上海交通大學，2007.

[10]劉潮東，史忠科.各向異性擴散-中值濾波在紅外圖 像處理中的應用[J].彈箭與制導學報，2006，26 （3）：198-200.

[11]章毓晉.圖像分割[M].北京：科學出版社，2001：217 -219.

[12]鄭南寧.計算機視覺與模式識別[M].北京：國防工業(yè) 出版社，1998.

以上對取閾值分割方法的分類思想是通用的。 近年來，許多取閾值分割算法借用了視覺特性、神 經網絡、模糊數學、遺傳算法、小波變換、信息論等 工具，但仍可把它們歸納到以上三種方法類型中。

1.2 多幀小目標檢測

相較單幀小目標檢測算法，多幀處理更能體 現序列圖像帶來的時間信息、空間信息和灰度信 息。所以大多數紅外小目標檢測算法都屬于多幀目標檢測算法。對于多幀小目標檢測，按小目標 檢測與目標運動軌跡跟蹤過程的前后關系，可分 解為先檢測后跟蹤（Detectbeforetrack，DBT）和先 跟蹤后檢測（Trackbeforedetect，TBD）兩類。

DBT技術利用目標的灰度特征，根據一定的 判決準則獲得目標的判決閾值，對目標圖像實施 二值化。然后在二值化后的圖像序列中根據目標 的短時運動連續(xù)性和軌跡一致性，利用軌跡關聯 的方法來尋找可能的目標軌跡，對單幀檢測結果 進行多數表決，剔除虛警點，從而達到檢測點目標 的目的[7]。這種方法具有計算形式相對簡單，計 算量小、速度快等特點，但要求輸入的圖像有較高 的信噪比[8]。DBT算法流程如圖1所示。

TBD技術則是先根據目標的短時運動軌跡連 續(xù)性，沿目標所有可能的運動軌跡累積目標能量， 提高目標的信噪比，然后根據目標的短時灰度特 性或能量變化特性求取各條軌跡的后驗概率。 TBD算法流程如圖2所示。

為了滿足實時性需要，本文采用了一種基于 連續(xù)幀處理的紅外成像小目標DBT檢測算法，采 用“邊檢測邊跟蹤邊識別”的策略，通過預處理提 高圖像的信噪比，基于直方圖迭代的二值化閾值 求取，完成幀內檢測，并利用連續(xù)多幀判斷真正的 目標，實現目標檢測。其流程圖如圖3所示。

2.1 基于增強型簡化高通濾波的預處理

圖像預處理濾波算法一般分為兩類：空域濾波 和頻域濾波。由于頻域濾波的計算量較大，為了 滿足彈載紅外成像導引頭的高工作頻率，采用空 域濾波來進行紅外導引頭圖像預處理。一般認為， 目標是各種具有復雜背景的紅外圖像中的高亮部 分，于是高通濾波成為可以選取的最直接也是最 為有效的圖像預處理方法[9]。

傳統(tǒng)的二維高通濾波運算量隨著濾波半徑的 增大以指數級的方式增加，不利于彈上硬件的實 時實現；它可以濾除灰度平滑圖像特別是大片云背 景，達到抑制云層背景噪聲、使不均勻背景均勻化 以及增強目標邊緣的效果，但是對目標本身灰度 的削弱也很明顯，而且無法濾除孤點噪聲。

針對傳統(tǒng)高通濾波的第一個缺點，可以采用 下面的方法予以改善，即只在水平和垂直兩個方向 進行濾波：

簡化后的濾波效果有所下降，但由于其只有 簡單的加、減和移位運算，很容易硬件實現，所以 與原算法相比濾波效率大大提高。濾波半徑M的 大小影響濾波效果，這里選M=4。

針對傳統(tǒng)高通濾波的第二個缺點，引入了十 字五點中值濾波，中值濾波的特點是可以平滑圖 像，濾除孤點噪聲，但對大面積的云背景無法濾 除。這正好與高通濾波的特點構成了互補關系， 因此形成了一種兼有兩種濾波算法優(yōu)點的新的濾 波算法，即增強型簡化高通濾波算法[10]，其表達 式如下所示：

g（i，j）=f（i，j）+m5（i，j）-2×l（i，j）（4）

m5（i，j）=med[f（i-1，j），f（i，j-1），

f（i，j），f（i，j+1），f（i+1，j）]（5）

這種算法有效地抑制了高通濾波對目標的削 弱作用，同時又可以達到高通濾波對背景的濾除 效果；算法運算簡單，最終可換算到加、減、移位三 種運算，硬件可以并行處理，滿足紅外成像制導武 器實時、快速的需要。

2.2 基于直方圖迭代閾值的圖像分割

基于灰度直方圖的全局迭代閾值法[11]選取圖像灰度分布范圍的中間值作為閾值初始值T0（設 共有L個灰度），將圖像每個像素都分為前景或背 景，然后按下式迭代：

其中：hk是灰度為k值的像素個數，迭代一直進行 到Ti+1=Ti時結束，取結束時的Ti為最終分割閾 值。從直方圖上看，這樣取得的閾值處在與前景 和背景的重成反比的位置，從路徑規(guī)劃的角度看 是一種最優(yōu)閾值。

2.3 目標標記和特征提取

目標標記采用的是四聯通區(qū)域標定法，對屬 于同一個目標的像素標記為一個目標，對與前面 都不同的目標標記為新目標，做完初步標記和標 記矯正后，需要更新當前標記的特征，即在該行的 終止列、面積、灰度。

標記完成后，遍歷鄰接表，將相互鄰接的標記 記錄為同一個目標，進而得到目標的個數。然后合 并鄰接標記的特征（包括在每行的起始列、終止列、 面積、灰度），得到它們對應的目標的特征。再根據 各個目標在每行的起始列、終止列，計算出目標的其 他特征：長、寬、中心，以供下一步目標識別做準備。

2.4 遠距小目標選擇截獲算法

遍歷所有的標記目標，排除屬于背景或噪聲 的假目標，若確定不是假目標，則需判斷是否滿足 飛控參數提供的截獲要求，挑選所有滿足截獲要 求的能量最大的目標作為截獲目標，同時將截獲 標志置1，表明已有目標被截獲。遍歷完所有標記 目標后，若沒截獲到目標，則將截獲計數清0；若 截獲到目標，判斷是否為第一幀截獲此目標（截獲 計數是否大于0），若是第一幀截獲，截獲計數加 1，否則判斷與上幀截獲的目標能量是否相近，相 近則截獲計數加1，相差太大則截獲計數置1。

采用連續(xù)多幀檢測以降低虛警概率，即統(tǒng)計 連續(xù)檢測到目標的幀數Frame_Detect，當滿足一定 的截獲要求（一般取Frame_Detect≥5），目標檢測 得到確認。

2.5 遠距小目標對比度跟蹤算法

[6]SkillingJ，BryanRK.TheoryofMaximumEntropyImage Reconstruction：GeneralAlgorithm[J]∥//MonthlyNotice oftheRoyalAstronomicalSociety，1984，211（1）：111- 124.

[7]廖斌，楊衛(wèi)平，沈振康.基于多幀移位疊加的紅外小目標 檢測方法[J].紅外與激光工程，2002，31（2）：150-153.

[8]吳巍，彭嘉雄，葉斌.一種云層背景抑制與小目標檢測 方法[J].華中科技大學學報，2001，29（11）：56-57.

[9]趙欽佩.復雜背景條件下的紅外圖像預處理檢測方法 研究[D].上海：上海交通大學，2007.

[10]劉潮東，史忠科.各向異性擴散-中值濾波在紅外圖 像處理中的應用[J].彈箭與制導學報，2006，26 （3）：198-200.

[11]章毓晉.圖像分割[M].北京：科學出版社，2001：217 -219.

[12]鄭南寧.計算機視覺與模式識別[M].北京：國防工業(yè) 出版社，1998.

以上對取閾值分割方法的分類思想是通用的。 近年來，許多取閾值分割算法借用了視覺特性、神 經網絡、模糊數學、遺傳算法、小波變換、信息論等 工具，但仍可把它們歸納到以上三種方法類型中。

1.2 多幀小目標檢測

相較單幀小目標檢測算法，多幀處理更能體 現序列圖像帶來的時間信息、空間信息和灰度信 息。所以大多數紅外小目標檢測算法都屬于多幀目標檢測算法。對于多幀小目標檢測，按小目標 檢測與目標運動軌跡跟蹤過程的前后關系，可分 解為先檢測后跟蹤（Detectbeforetrack，DBT）和先 跟蹤后檢測（Trackbeforedetect，TBD）兩類。

DBT技術利用目標的灰度特征，根據一定的 判決準則獲得目標的判決閾值，對目標圖像實施 二值化。然后在二值化后的圖像序列中根據目標 的短時運動連續(xù)性和軌跡一致性，利用軌跡關聯 的方法來尋找可能的目標軌跡，對單幀檢測結果 進行多數表決，剔除虛警點，從而達到檢測點目標 的目的[7]。這種方法具有計算形式相對簡單，計 算量小、速度快等特點，但要求輸入的圖像有較高 的信噪比[8]。DBT算法流程如圖1所示。

TBD技術則是先根據目標的短時運動軌跡連 續(xù)性，沿目標所有可能的運動軌跡累積目標能量， 提高目標的信噪比，然后根據目標的短時灰度特 性或能量變化特性求取各條軌跡的后驗概率。 TBD算法流程如圖2所示。

為了滿足實時性需要，本文采用了一種基于 連續(xù)幀處理的紅外成像小目標DBT檢測算法，采 用“邊檢測邊跟蹤邊識別”的策略，通過預處理提 高圖像的信噪比，基于直方圖迭代的二值化閾值 求取，完成幀內檢測，并利用連續(xù)多幀判斷真正的 目標，實現目標檢測。其流程圖如圖3所示。

2.1 基于增強型簡化高通濾波的預處理

圖像預處理濾波算法一般分為兩類：空域濾波 和頻域濾波。由于頻域濾波的計算量較大，為了 滿足彈載紅外成像導引頭的高工作頻率，采用空 域濾波來進行紅外導引頭圖像預處理。一般認為， 目標是各種具有復雜背景的紅外圖像中的高亮部 分，于是高通濾波成為可以選取的最直接也是最 為有效的圖像預處理方法[9]。

傳統(tǒng)的二維高通濾波運算量隨著濾波半徑的 增大以指數級的方式增加，不利于彈上硬件的實 時實現；它可以濾除灰度平滑圖像特別是大片云背 景，達到抑制云層背景噪聲、使不均勻背景均勻化 以及增強目標邊緣的效果，但是對目標本身灰度 的削弱也很明顯，而且無法濾除孤點噪聲。

針對傳統(tǒng)高通濾波的第一個缺點，可以采用 下面的方法予以改善，即只在水平和垂直兩個方向 進行濾波：

簡化后的濾波效果有所下降，但由于其只有 簡單的加、減和移位運算，很容易硬件實現，所以 與原算法相比濾波效率大大提高。濾波半徑M的 大小影響濾波效果，這里選M=4。

針對傳統(tǒng)高通濾波的第二個缺點，引入了十 字五點中值濾波，中值濾波的特點是可以平滑圖 像，濾除孤點噪聲，但對大面積的云背景無法濾 除。這正好與高通濾波的特點構成了互補關系， 因此形成了一種兼有兩種濾波算法優(yōu)點的新的濾 波算法，即增強型簡化高通濾波算法[10]，其表達 式如下所示：

g（i，j）=f（i，j）+m5（i，j）-2×l（i，j）（4）

m5（i，j）=med[f（i-1，j），f（i，j-1），

f（i，j），f（i，j+1），f（i+1，j）]（5）

這種算法有效地抑制了高通濾波對目標的削 弱作用，同時又可以達到高通濾波對背景的濾除 效果；算法運算簡單，最終可換算到加、減、移位三 種運算，硬件可以并行處理，滿足紅外成像制導武 器實時、快速的需要。

2.2 基于直方圖迭代閾值的圖像分割

基于灰度直方圖的全局迭代閾值法[11]選取圖像灰度分布范圍的中間值作為閾值初始值T0（設 共有L個灰度），將圖像每個像素都分為前景或背 景，然后按下式迭代：

其中：hk是灰度為k值的像素個數，迭代一直進行 到Ti+1=Ti時結束，取結束時的Ti為最終分割閾 值。從直方圖上看，這樣取得的閾值處在與前景 和背景的重成反比的位置，從路徑規(guī)劃的角度看 是一種最優(yōu)閾值。

2.3 目標標記和特征提取

目標標記采用的是四聯通區(qū)域標定法，對屬 于同一個目標的像素標記為一個目標，對與前面 都不同的目標標記為新目標，做完初步標記和標 記矯正后，需要更新當前標記的特征，即在該行的 終止列、面積、灰度。

標記完成后，遍歷鄰接表，將相互鄰接的標記 記錄為同一個目標，進而得到目標的個數。然后合 并鄰接標記的特征（包括在每行的起始列、終止列、 面積、灰度），得到它們對應的目標的特征。再根據 各個目標在每行的起始列、終止列，計算出目標的其 他特征：長、寬、中心，以供下一步目標識別做準備。

2.4 遠距小目標選擇截獲算法

遍歷所有的標記目標，排除屬于背景或噪聲 的假目標，若確定不是假目標，則需判斷是否滿足 飛控參數提供的截獲要求，挑選所有滿足截獲要 求的能量最大的目標作為截獲目標，同時將截獲 標志置1，表明已有目標被截獲。遍歷完所有標記 目標后，若沒截獲到目標，則將截獲計數清0；若 截獲到目標，判斷是否為第一幀截獲此目標（截獲 計數是否大于0），若是第一幀截獲，截獲計數加 1，否則判斷與上幀截獲的目標能量是否相近，相 近則截獲計數加1，相差太大則截獲計數置1。

采用連續(xù)多幀檢測以降低虛警概率，即統(tǒng)計 連續(xù)檢測到目標的幀數Frame_Detect，當滿足一定 的截獲要求（一般取Frame_Detect≥5），目標檢測 得到確認。

2.5 遠距小目標對比度跟蹤算法

[6]SkillingJ，BryanRK.TheoryofMaximumEntropyImage Reconstruction：GeneralAlgorithm[J]∥//MonthlyNotice oftheRoyalAstronomicalSociety，1984，211（1）：111- 124.

[7]廖斌，楊衛(wèi)平，沈振康.基于多幀移位疊加的紅外小目標 檢測方法[J].紅外與激光工程，2002，31（2）：150-153.

[8]吳巍，彭嘉雄，葉斌.一種云層背景抑制與小目標檢測 方法[J].華中科技大學學報，2001，29（11）：56-57.

[9]趙欽佩.復雜背景條件下的紅外圖像預處理檢測方法 研究[D].上海：上海交通大學，2007.

[10]劉潮東，史忠科.各向異性擴散-中值濾波在紅外圖 像處理中的應用[J].彈箭與制導學報，2006，26 （3）：198-200.

[11]章毓晉.圖像分割[M].北京：科學出版社，2001：217 -219.

[12]鄭南寧.計算機視覺與模式識別[M].北京：國防工業(yè) 出版社，1998.