侯 旺，孫曉亮，尚 洋，于起峰

?

紅外弱小目標(biāo)檢測技術(shù)研究現(xiàn)狀與發(fā)展趨勢

侯 旺1,2，孫曉亮1，尚 洋1，于起峰1

（1. 國防科技大學(xué)航天科學(xué)與工程學(xué)院圖像測量與視覺導(dǎo)航湖南省重點實驗室，湖南 長沙 410073；2. 海軍裝備研究院航空所，上海 200436）

在一些關(guān)鍵的軍事和民用紅外成像應(yīng)用領(lǐng)域，待突破的技術(shù)瓶頸往往都集中在紅外弱小目標(biāo)檢測技術(shù)上。簡介了紅外弱小目標(biāo)檢測的含義和在軍事、民用方面的意義，重點綜述了目前紅外弱小目標(biāo)檢測的各類典型算法原理和特點，最后對紅外弱小目標(biāo)檢測技術(shù)的研究和發(fā)展趨勢進(jìn)行了預(yù)測。

紅外弱小目標(biāo)；目標(biāo)檢測；空域濾波；頻域濾波；跟蹤算法

0 引言

人類對紅外目標(biāo)檢測技術(shù)的研究最初來源于對響尾蛇捕食機(jī)制的研究。響尾蛇的視覺系統(tǒng)非常遲鈍，幾乎對可見光刺激沒有任何反應(yīng)。但是由于響尾蛇對紅外熱源非常敏感，因此它可以很容易地捕獲食物。響尾蛇的熱源敏感器位于眼睛和鼻孔之間，該敏感器在收集小動物的熱信號后，將其傳遞給大腦，之后大腦控制響尾蛇獲取食物。受此啟發(fā)，在20世紀(jì)40年代，人們研制出一種空對空導(dǎo)彈，它的紅外敏感元件的材料使用硫化鉛，對飛機(jī)的尾焰發(fā)射的紅外輻射線非常敏感。當(dāng)導(dǎo)彈上紅外敏感器接收到紅外輻射線后，在控制系統(tǒng)引導(dǎo)下對飛機(jī)尾部進(jìn)行攻擊。從此以后，世界各國都開始對紅外目標(biāo)檢測技術(shù)進(jìn)行研究。

紅外目標(biāo)檢測技術(shù)主要利用背景和目標(biāo)之間的紅外輻射差異來進(jìn)行目標(biāo)識別，它的載體為紅外目標(biāo)檢測系統(tǒng)。該系統(tǒng)的主要組成部分有：掃描與伺服控制器、信息處理器、光學(xué)系統(tǒng)、紅外探測器、信息輸出的接口、中心計算機(jī)、顯示裝置等。它的工作過程為：首先由紅外探測器接收目標(biāo)和背景的紅外輻射信號，然后由信號處理器將接收到的信號轉(zhuǎn)換為電信號并將其校正、放大并轉(zhuǎn)換，隨后利用目標(biāo)檢測算法提取目標(biāo)，最后在顯示設(shè)備上實時顯示檢測到的目標(biāo)及狀態(tài)[1]。

相比雷達(dá)探測系統(tǒng)，紅外目標(biāo)檢測系統(tǒng)的優(yōu)勢體現(xiàn)為[1-2]：

1）紅外目標(biāo)檢測系統(tǒng)利用目標(biāo)的熱輻射特性進(jìn)行被動探測，很難受到干擾，它不輻射電磁波，不易受到導(dǎo)彈攻擊；而雷達(dá)系統(tǒng)需要發(fā)射電磁波并接收回波進(jìn)行目標(biāo)檢測，于是這種系統(tǒng)不僅很容易受到電磁干擾，而且很容易被敵方發(fā)現(xiàn)。近年來，反雷達(dá)導(dǎo)彈武器發(fā)展迅速，如美國AGM-88“哈姆”反輻射導(dǎo)彈、美國AGM-45“百舌鳥”、AGM-78“標(biāo)準(zhǔn)”系列、我國的飛騰2000以及俄羅斯的AS-17等，因此，雷達(dá)系統(tǒng)在戰(zhàn)場上的生存能力受到極大威脅[3]。

2）紅外目標(biāo)檢測系統(tǒng)可以檢測到雷達(dá)探測不到的電磁隱身設(shè)備，而且它對飛行器尾焰敏感，可以探測到雷達(dá)探測不到的低空飛行的巡航導(dǎo)彈，彌補(bǔ)了雷達(dá)盲區(qū)。

3）紅外目標(biāo)檢測系統(tǒng)可以在夜間工作，并且該系統(tǒng)沒有強(qiáng)輻射，有利于隱蔽。該系統(tǒng)體積小、重量輕、機(jī)動性強(qiáng)、配置方便，非常有利于搭載在預(yù)警衛(wèi)星和無人機(jī)上。另外，紅外檢測系統(tǒng)可以產(chǎn)生比雷達(dá)細(xì)節(jié)豐富，分辨率高的圖像。

另外，紅外目標(biāo)檢測技術(shù)的軍事價值極高，待檢測的目標(biāo)如戰(zhàn)斗機(jī)、導(dǎo)彈、艦船等，對預(yù)警及偵察極其重要，可以直接影響高級指揮所對于戰(zhàn)場局勢的判斷和決策。因此，紅外目標(biāo)檢測技術(shù)成為當(dāng)今世界高技術(shù)領(lǐng)域的熱門研究課題，這項技術(shù)逐漸引起各國的高度重視。

衡量紅外目標(biāo)檢測算法性能主要體現(xiàn)在對紅外弱小目標(biāo)的檢測能力上。以紅外檢測系統(tǒng)為例，當(dāng)待檢測的目標(biāo)距離檢測器很遠(yuǎn)時，目標(biāo)的光譜能量經(jīng)過大氣傳輸，在大氣擾動、光學(xué)散射和衍射等等影響下，檢測器靶面接收目標(biāo)信號的光譜輻照度很小，導(dǎo)致目標(biāo)的信噪比很低。另外，由于目標(biāo)距離檢測器很遠(yuǎn)，因此目標(biāo)在檢測器靶面上的成像面積也很小，遠(yuǎn)距離目標(biāo)的檢測非常困難。

在實際應(yīng)用中，更高的分辨率可以檢測更遠(yuǎn)距離的目標(biāo)，但是由于檢測設(shè)備受到平臺體積和重量的限制，不可能無休止的提高攝像系統(tǒng)設(shè)備的固有分辨率，通過升級硬件的方式不僅代價昂貴，而且不易實現(xiàn)。對于相同的目標(biāo)，若采用一般的目標(biāo)檢測技術(shù)能夠檢測極限距離為1km的目標(biāo)，如果想要檢測極限距離為3km的目標(biāo)，就需要將攝像機(jī)硬件設(shè)備提高3倍分辨率；但是如果采用弱小目標(biāo)檢測技術(shù)，就可以利用序列圖像信息，在硬件設(shè)備分辨率不變的情況下檢測到極限距離為3km的目標(biāo)。由以上分析可知，使用基于軟件的方式可以在不改變硬件水平的條件下增加對目標(biāo)的探測距離。

隨著時代的發(fā)展，弱小目標(biāo)檢測的需求已從紅外波段擴(kuò)展到幾乎整個波段。其應(yīng)用也越來越廣泛。在軍事領(lǐng)域，弱小目標(biāo)檢測技術(shù)在預(yù)警系統(tǒng)、精確打擊武器和防空系統(tǒng)等領(lǐng)域中發(fā)揮重要作用。在民用領(lǐng)域，這項技術(shù)的應(yīng)用領(lǐng)域有：科學(xué)成像、安全警戒、刑偵、森林防火和消防、交通管理、醫(yī)學(xué)成像、遙感、機(jī)器人、自動駕駛、航天、搜索或跟蹤天空中的流星、衛(wèi)星或其他運(yùn)動目標(biāo)、城市紅外污染分析、海面人員搜救和衛(wèi)星大氣紅外云圖分析等[3-6]。

綜上所述，紅外弱小目標(biāo)檢測技術(shù)是近年來信息處理技術(shù)，尤其是軍事偵察等領(lǐng)域的研究熱點之一。但是，實時、魯棒、通用的紅外弱小目標(biāo)檢測算法還尚未出現(xiàn)。對軍事領(lǐng)域而言，復(fù)雜背景下高效、魯棒、可靠的弱小目標(biāo)檢測算法的研究是一項非常關(guān)鍵的技術(shù)，進(jìn)行紅外弱小目標(biāo)檢測和跟蹤技術(shù)的研究對于提高預(yù)警能力、反擊能力以及在未來戰(zhàn)爭中的制空能力都有很高的軍事價值。

1 紅外弱小目標(biāo)檢測技術(shù)的研究現(xiàn)狀

在國外，對弱小目標(biāo)檢測的主要研究機(jī)構(gòu)有美國的海軍實驗室、空軍實驗室、NASA以及加利福尼亞大學(xué)應(yīng)用數(shù)學(xué)中心等。許多國際刊物也經(jīng)常刊登一些弱小目標(biāo)檢測技術(shù)的研究成果。國際光學(xué)工程學(xué)會（Society of Photo-Optical Instrumentation Engineers，簡記為SPIE）從1989年開始，幾乎每年都會舉辦有關(guān)弱小目標(biāo)檢測技術(shù)的國際會議，研討弱小目標(biāo)檢測技術(shù)的最新研究成果。

在國內(nèi)，國家在弱小目標(biāo)探測技術(shù)方面進(jìn)行了大量的投入，已初具規(guī)模，但仍然與國外最先進(jìn)的技術(shù)差距較大。國內(nèi)在弱小目標(biāo)檢測方面的相關(guān)研究機(jī)構(gòu)有：國防科技大學(xué)、華中科技大學(xué)等高校以及兵器工業(yè)集團(tuán)第211研究所、兵器工業(yè)集團(tuán)第205研究所、中電集團(tuán)第27研究所、中國船舶工業(yè)總公司717所等。其中，研究的重點集中在紅外預(yù)警系統(tǒng)、機(jī)載前下視系統(tǒng)對地面及低空目標(biāo)的監(jiān)測、紅外制導(dǎo)等領(lǐng)域。一些國內(nèi)期刊也經(jīng)常發(fā)表一些與弱小目標(biāo)檢測相關(guān)的研究成果。另外，我國也將高性能紅外探測器件研制、紅外精確制導(dǎo)武器、弱小目標(biāo)信號處理技術(shù)列為紅外預(yù)警和探測系統(tǒng)中的重點技術(shù)。

1.1 紅外弱小目標(biāo)成像的數(shù)學(xué)模型

紅外成像，由于受大氣散射、折射、光學(xué)散焦、鏡頭污染、鏡頭變形等影響，被探測器接收時目標(biāo)可能非常弱小。如圖1所示，圖(a0)和(a1)為2幅實際紅外圖像。為清晰顯示，放大這2幅圖像中弱小目標(biāo)的局部區(qū)域，然后調(diào)節(jié)其對比度，最后將其分別標(biāo)注于圖像的右上角。圖(b0)和(b1)分別為這2幅圖像上的弱小目標(biāo)三維強(qiáng)度分布圖。通過觀察可知：圖中弱小目標(biāo)的形狀為中心對稱、向四周輻射的形狀，與二維高斯函數(shù)非常相似。

圖1 實際紅外圖像中的弱小目標(biāo)及其三維強(qiáng)度圖像

很多學(xué)者都使用二維高斯函數(shù)對弱小目標(biāo)進(jìn)行建模，模型如下[7]：

式中：和為橫向和縱向的尺度參數(shù)；為目標(biāo)的灰度幅值；T()為該弱小目標(biāo)的空間分布灰度函數(shù)。根據(jù)SPIE的定義，成像尺寸小于81個像素，即256×256的0.12%的目標(biāo)為弱小目標(biāo)[8]?；谏鲜鋈跣∧繕?biāo)數(shù)學(xué)模型就可以對弱小目標(biāo)檢測算法進(jìn)行理論分析。

紅外弱小目標(biāo)檢測算法可以分為2類：第一類是基于單幀圖像的跟蹤前檢測算法（Detect before Track，簡記為DBT）；第二類是基于序列圖像的檢測前跟蹤算法（Track before Detect，簡記為TBD）[8-9]。

1.2 紅外弱小目標(biāo)的跟蹤前檢測算法

跟蹤前檢測算法的基本思想是：首先對序列圖像中的每幅圖像都進(jìn)行預(yù)處理、分割，獲得眾多疑似目標(biāo)，然后根據(jù)目標(biāo)運(yùn)動規(guī)律的先驗知識和灰度分布形式對目標(biāo)進(jìn)行確認(rèn)。此算法邏輯清晰，實現(xiàn)簡單。但是，當(dāng)目標(biāo)的信噪比較低時，分割出的疑似目標(biāo)中很可能不包含真實目標(biāo)，導(dǎo)致算法失效。因此，這類算法只有在目標(biāo)信噪比較高的條件下有效（SNR＞10dB）[8]。

復(fù)雜背景的低頻部分為緩慢變化的背景，而高頻部分為弱小目標(biāo)、隨機(jī)噪聲以及景象邊緣等信號。DBT方法首先對圖像進(jìn)行預(yù)處理，目的是抑制平緩變化的背景。然后利用人工設(shè)定的閾值分割圖像，獲取眾多疑似目標(biāo)。最后，在序列圖像上進(jìn)行目標(biāo)確認(rèn)。

目前對單幀圖像的處理算法很多，一般可以分為2大類：一類是空域濾波方法；另一類是頻域濾波方法。這2類算法的不同之處在于：前者是在空域上對圖像進(jìn)行處理，后者是在頻域上對圖像進(jìn)行處理。這2類算法的相同之處為：從本質(zhì)上來說它們都是通過高通濾波抑制平緩變化的背景。

1）空域濾波方法

空域濾波方法首先通過背景預(yù)測的方式對圖像的背景信號進(jìn)行估計，然后利用估計的背景與原始圖像進(jìn)行差分運(yùn)算，最后對差分圖像進(jìn)行閾值分割并檢測弱小目標(biāo)。其中背景估計的過程為：對圖像上每個像素點取局部區(qū)域，綜合利用此局部區(qū)域上的灰度信息估計該像素點的背景強(qiáng)度值，遍歷圖像上每個像素點獲得背景預(yù)測圖。傳統(tǒng)的空域濾波方法有高通模板預(yù)測方法、中值濾波方法、基于形態(tài)學(xué)的方法等[10]。

(1)高通模板濾波方法

高通模板濾波方法是一種背景估計的方法。這種方法通過高通模板對原始圖像做卷積運(yùn)算，在理論上等價于對圖像在頻譜上進(jìn)行高通濾波。這種方法相比頻譜濾波的優(yōu)勢在于運(yùn)算速度較快、實時性較好。濾波模板的設(shè)計方式為中間值大于零，周圍的值小于零。易知，利用這種模板對圖像進(jìn)行處理，圖像上孤立的噪聲點和實際目標(biāo)點受到的影響很小，而平緩變化的背景受到的抑制效果非常明顯?？芍幚淼男Ч蛇_(dá)到抑制背景并且保留目標(biāo)的目的[11]。

(2)中值濾波方法

中值濾波方法是一種經(jīng)典的圖像非線性空域濾波方法。這種濾波方法同樣可以將復(fù)雜背景中的目標(biāo)信號去除，對圖像中的平緩變化的背景進(jìn)行預(yù)測[12]。具體做法為：首先對圖像上每個像素點取一個矩形鄰域，然后對每個像素點的灰度值都進(jìn)行排序，取中間值為該像素點的預(yù)測值。以此方法遍歷整幅圖像，獲得背景預(yù)測圖像。將預(yù)測圖像與原始圖像進(jìn)行差分。在差分圖像上進(jìn)行弱小目標(biāo)檢測。這種濾波方法處理簡單，較易實現(xiàn)，但是這種方法受模板尺度影響較大。

(3)最大中值（均值）濾波方法

使用中值濾波方法對圖像進(jìn)行處理，差分后圖像上會保留大量的邊緣信息。這些信息會嚴(yán)重干擾對弱小目標(biāo)的檢測。于是，一些學(xué)者提出了最大中值（均值）濾波方法對圖像背景進(jìn)行預(yù)測[13]。這2種方法都是非線性的濾波方法，濾波后進(jìn)行差分運(yùn)算。在處理過程中，當(dāng)像素點位于景象邊緣時，如果使用傳統(tǒng)的中值（均值）濾波算法，計算得到的背景預(yù)測值為矩形鄰域內(nèi)的中值（均值），即矩形鄰域內(nèi)信號的平均強(qiáng)度值。由于景象邊緣屬于景象局部劇烈變化的信號，并且景象邊緣在矩形鄰域內(nèi)占比例較少，因此該像素點的強(qiáng)度值與預(yù)測值必然相差很大。隨后進(jìn)行差分運(yùn)算的響應(yīng)值也很大。但是，該點并不是目標(biāo)點，大的響應(yīng)值會干擾目標(biāo)點的檢測。而使用最大中值（均值）濾波算法，得到的背景預(yù)測值為景象邊緣上的平均強(qiáng)度值。于是該像素點的強(qiáng)度值與預(yù)測值的差異很小。進(jìn)行差分運(yùn)算后該點的響應(yīng)值也很小。

當(dāng)像素點在目標(biāo)上時，不論是使用傳統(tǒng)的中值/均值算法，還是最大中值/均值算法，背景預(yù)測值都近似為像素點鄰域的平均信號強(qiáng)度值。而目標(biāo)點的信號強(qiáng)度值與目標(biāo)點鄰域平均強(qiáng)度值差異很大。于是，進(jìn)行差分運(yùn)算后響應(yīng)值也較大。當(dāng)像素點在平緩變化的背景上時，使用傳統(tǒng)方法和最大中值（均值）濾波方法，背景預(yù)測值與該像素點的灰度值都非常接近，進(jìn)行差分運(yùn)算后響應(yīng)值較小?？梢?，最大中值（均值）算法不僅能有效抑制圖像上起伏的背景信號，而且能抑制景象邊緣紋理信息，對弱小目標(biāo)的檢測非常有利。

(4)形態(tài)學(xué)方法

形態(tài)學(xué)方法是一種非線性濾波方法，這種方法通過集合的開、閉運(yùn)算對圖像進(jìn)行操作以抑制圖像上的奇異點，最常用的方法為Top-Hat算子[14]。我們利用Top-Hat算子作為示例介紹形態(tài)學(xué)方法。具體原理是：構(gòu)造合適的結(jié)構(gòu)元素（其大小和形狀可以根據(jù)先驗知識確定），利用形態(tài)學(xué)開運(yùn)算濾除小于結(jié)構(gòu)元素的亮奇異點，利用形態(tài)學(xué)閉運(yùn)算濾除小于結(jié)構(gòu)元素的暗奇異點，而圖像上緩慢變化的背景受影響很小。最后利用背景預(yù)測圖像與原始圖像進(jìn)行差分，得到包含殘差和弱小目標(biāo)的圖像。

形態(tài)學(xué)濾波的結(jié)構(gòu)元素尺寸要大于目標(biāo)的尺寸，才能將目標(biāo)濾除。因此，結(jié)構(gòu)元素的選取和構(gòu)造方法就成為形態(tài)學(xué)濾波的關(guān)鍵點和難點。

(5)TDLMS方法

LMS（Least mean square）方法最初的應(yīng)用為一維信號處理領(lǐng)域。Hadhoud, Mohiy M.等人于1988年將LMS方法擴(kuò)展到二維信號處理領(lǐng)域，提出TDLMS（three dimensional least mean square）方法[15]，應(yīng)用于數(shù)據(jù)壓縮、圖像增強(qiáng)以及去噪。之后TDLMS方法被應(yīng)用于弱小目標(biāo)檢測，取得了一系列的研究成果。該算法為迭代算法，可以根據(jù)圖像內(nèi)容自動計算模板參數(shù)，并在每一次迭代過程中將預(yù)測圖像與期望圖像求差異，得到誤差函數(shù)。當(dāng)誤差函數(shù)小于某一設(shè)定的值，停止迭代，輸出預(yù)測的背景圖像。

TDLMS方法魯棒性很強(qiáng)，可以通過自適應(yīng)迭代方法自動對背景做出準(zhǔn)確估計。這種方法被提出之后，很多學(xué)者對其進(jìn)行了改進(jìn)。主要集中在模板更新步長參數(shù)的自適應(yīng)確定[16]和不同特征區(qū)域的選取[17]。而TDLMS方法的缺點是需要通過迭代的方式確定最優(yōu)模板，計算量很大，實時性很差。

(6)BF濾波方法

Tomasi和Manduchi首先提出雙邊濾波方法（Bilateral filter，簡記為BF），這種非線性濾波方法使用雙高斯濾波器進(jìn)行銳度增強(qiáng)和噪聲去除[18]，并通過歸一化，保證濾波后圖像鄰域的均值不發(fā)生變化。雙邊濾波器第一個高斯函數(shù)的意義是：鄰域像素點距離濾波點越近，賦予的權(quán)值越大。第二個高斯函數(shù)的意義是：領(lǐng)域像素點的強(qiáng)度值與濾波點強(qiáng)度值差異越小，該像素點被賦予的權(quán)值越大。

在計算出濾波器的模板后，對原始圖像進(jìn)行濾波，獲得背景預(yù)測圖像。由于BF方法綜合考慮了鄰域像素點距離濾波點的空間距離和強(qiáng)度距離，因此可以較好的預(yù)測景象邊緣，使景象邊緣對弱小目標(biāo)檢測的影響較小[18]。

2）頻域濾波方法

以上介紹的基于空間域的背景抑制方法實時性較好，已經(jīng)被廣泛應(yīng)用于工程實踐中。但是隨著時代的進(jìn)步，計算機(jī)技術(shù)的發(fā)展和算法執(zhí)行效率的提高，基于頻譜濾波的算法的實時性也可以保證。于是基于頻譜濾波的方法也逐漸開始應(yīng)用于工程實踐中。這類方法的具體過程為：首先通過傅里葉變換將圖像變換到頻域上，然后對其進(jìn)行高通濾波，最后進(jìn)行逆傅里葉變換得到結(jié)果圖像。這種方法可抑制緩慢變化的背景，同時保留弱小目標(biāo)、隨機(jī)噪聲和景象邊緣。

(1)經(jīng)典頻域高通濾波器

介紹3種經(jīng)典的頻域高通濾波器，它們是：理想高通濾波器、Butterworth高通濾波器以及高斯高通濾波器[19]。理想高通濾波器為階躍濾波器。Butterworth高通濾波器的濾波效果介于理想高通濾波器與高斯高通濾波器之間。

如圖2所示，顯示了這3種經(jīng)典頻域高通濾波器。其中圖(a)、(d)為理想高通濾波器，圖(b)、(e)為Butterworth高通濾波器（二階），圖(c)、(f)為高斯高通濾波器。圖(a)、(b)、(c)為這些濾波器的一維變化曲線（從頻譜中心出發(fā)到頻譜邊緣的頻譜幅值變化曲線），圖(d)、(e)、(f)為這些濾波器的頻譜幅值函數(shù)的三維顯示。

圖2 三種經(jīng)典的頻域高通濾波器

雖然理想高通濾波器濾波效果最好，但是存在明顯的“振鈴”效應(yīng)，濾波后弱小目標(biāo)附近出現(xiàn)大量虛警點，對弱小目標(biāo)檢測干擾很大。而高斯高通濾波器雖然濾波效果不如理想高通濾波器，但是“振鈴”效應(yīng)微弱，對目標(biāo)檢測影響較小。Butterworth高通濾波器可以在這兩者之間取得一個平衡，既保證濾波效果良好，同時“振鈴”效應(yīng)又可以接受。實驗結(jié)果表明，2階Butterworth高通濾波器效果最好，可以用于背景預(yù)測[20]。

(2)小波濾波器

由小波變換的性質(zhì)可知，高斯白噪聲的小波變換后在頻譜上依然是高斯分布的噪聲，而目標(biāo)信號僅僅分布于頻譜的某些頻帶上。因此，可以通過構(gòu)造特定的小波變換提取僅含有弱小目標(biāo)及噪聲的圖像[21]。這種方法不僅可以凸顯圖像上的感興趣特征，而且可以抑制噪聲，進(jìn)而提高圖像上目標(biāo)的信噪比。

1998年，Boccignone等人最早將小波變換應(yīng)用于弱小目標(biāo)檢測。他們利用不同小波分解下的Renyi信息熵，對弱小目標(biāo)進(jìn)行檢測[22]。李秋華等人提出一種基于多尺度特征融合的弱小目標(biāo)檢測方法。首先提取目標(biāo)在子帶圖像上的多個特征，然后進(jìn)行信息融合獲取目標(biāo)檢測置信度圖，最后在此圖上進(jìn)行目標(biāo)檢測[23]。溫佩芝等人提出一種基于小波變換的復(fù)雜海面背景紅外小目標(biāo)檢測方法。首先對圖像進(jìn)行基于正交小波的多尺度分解，提取各種空間分辨率和各個方向的子圖像。然后利用低頻部分確定海天線，垂直和水平方向的高頻信號確定目標(biāo)區(qū)域[24]。榮健等人提出一種基于小波變換和支持向量回歸的紅外弱小目標(biāo)檢測方法。首先利用小波變換抑制背景雜波，然后利用基于支持向量回歸的自適應(yīng)濾波器對高頻小波系數(shù)進(jìn)行處理，提高目標(biāo)的信噪比，最后基于序列圖像中目標(biāo)的軌跡信息進(jìn)行處理以進(jìn)一步提高檢測性能[25]。王文龍等人提出一種基于Donoho的小波變換方法，采用新的閾值求取方法對目標(biāo)進(jìn)行檢測[21]。

1.3 紅外弱小目標(biāo)的檢測前跟蹤算法

檢測前跟蹤算法的基本思想是：首先根據(jù)目標(biāo)運(yùn)動規(guī)律的先驗知識對序列圖像進(jìn)行搜索，然后根據(jù)判定準(zhǔn)則獲取疑似目標(biāo)運(yùn)動軌跡，最后根據(jù)新輸入的序列圖像進(jìn)行真實目標(biāo)運(yùn)動軌跡確認(rèn)。這類方法對目標(biāo)信噪比的要求不高，在搜索目標(biāo)軌跡時，一旦搜索到正確的目標(biāo)軌跡，就有可能檢測到目標(biāo)。

1）管道濾波方法

管道濾波算法是一種時空域濾波算法。該算法認(rèn)為目標(biāo)在圖像上進(jìn)行連續(xù)運(yùn)動。首先定義三維時空域空間-，如圖3所示。然后對首幀圖像進(jìn)行檢測，得到一些候選目標(biāo)點。創(chuàng)建幾條固定半徑的管道，管道的初始位置為候選目標(biāo)點位置，管道的半徑（圓形管道）為目標(biāo)鄰域大小，管道的長度代表圖像幀數(shù)。隨后在管道中進(jìn)行目標(biāo)出現(xiàn)次數(shù)的檢測，若目標(biāo)出現(xiàn)次數(shù)大于設(shè)定的閾值，就認(rèn)為管道中存在目標(biāo)[8, 18, 26]。

當(dāng)檢測過程中目標(biāo)在圖像上移動的距離很長時，就需要使用移動管道濾波的方式進(jìn)行。做法為：每輸入一幀圖像，就在管道內(nèi)檢測目標(biāo)，當(dāng)管道內(nèi)檢測不到目標(biāo)時，沿用上一幀圖像的目標(biāo)位置。當(dāng)檢測到目標(biāo)時，若目標(biāo)的位置不變，管道的位置也不變；若目標(biāo)的位置發(fā)生變化，位置變化權(quán)值加一，管道的位置不變，于是獲得位置變化權(quán)值，當(dāng)此權(quán)值超過設(shè)定的閾值時，相應(yīng)地改變管道的位置[27]。

圖3 管道濾波示意圖

2）多假設(shè)檢驗方法

多假設(shè)檢驗算法（Multistage Hypothesis Testing，簡記為MSHT）由Steven D. Blostein和Thomas S. Huang于1988年提出。

這種算法首先對目標(biāo)的運(yùn)動形式（如勻速直線運(yùn)動、勻加速直線運(yùn)動等）進(jìn)行假設(shè)，根據(jù)設(shè)定的運(yùn)動形式在序列圖像中尋找疑似目標(biāo)軌跡，將這些目標(biāo)運(yùn)動軌跡按照樹的形式列出。然后分別計算這些樹的截斷序貫假設(shè)檢驗值。通過人工設(shè)定的2個閾值判斷哪些樹為真實目標(biāo)運(yùn)動軌跡。具體的判定過程為：如果樹的截斷序貫假設(shè)檢驗值高于設(shè)定的高閾值，認(rèn)為該樹為真實目標(biāo)軌跡；如果樹的檢驗值低于設(shè)定的低閾值，認(rèn)為該樹為噪聲，將此樹刪除；如果樹的檢驗值位于2個閾值之間，暫時不對該樹進(jìn)行處理，而根據(jù)下一幀圖像進(jìn)行判斷[28]。

這種檢測方法的優(yōu)勢在于采樣長度不需要人為設(shè)定，并且該方法可以同時檢測多個目標(biāo)。但是，當(dāng)目標(biāo)的信噪比較低時，疑似目標(biāo)軌跡樹個數(shù)太多，計算量十分巨大，算法實時性會變差。

為部分克服上述困難，Blostein等人還提出一種多重多假設(shè)檢驗的方法（MMSHT），使用多假跟蹤的方法濾除更多的虛假航跡[29]。

3）動態(tài)規(guī)劃方法

在弱小目標(biāo)檢測領(lǐng)域中，假設(shè)隨機(jī)噪聲服從同一分布，通過疊加的方式會削弱噪聲，而目標(biāo)在經(jīng)過疊加后不會被削弱。因此，沿目標(biāo)運(yùn)動軌跡疊加信號，獲得的能量要強(qiáng)于沿其它軌跡獲得的能量。1981年，Mohanty等人[30]首次提出在序列圖像中遍歷搜索所有像素點的直線組合，從而檢測弱小目標(biāo)的方法。雖然這種方法貌似簡單，但運(yùn)算量十分巨大，工程上很難實現(xiàn)。

為減小計算量，Barniv等人于1985年[31]首次將動態(tài)規(guī)劃方法（Dynamic Programming Algorithm，簡記為DPA）應(yīng)用于弱小目標(biāo)檢測中。該方法將序列圖像中每幀都進(jìn)行閾值分割并獲取疑似目標(biāo)點，然后將這些疑似目標(biāo)點設(shè)置為動態(tài)規(guī)劃的節(jié)點，同時定義基于最大概率準(zhǔn)則下的目標(biāo)函數(shù)。每輸入一幀圖像，就進(jìn)行一次遞推的動態(tài)規(guī)劃算法處理，每次處理的結(jié)果都進(jìn)行閾值分割以檢測目標(biāo)。目標(biāo)軌跡可以通過結(jié)果圖像上檢測到目標(biāo)的位置進(jìn)行逆推獲得。

1995年，Tonissen等人[32]提出一種基于動態(tài)規(guī)劃算法以及恒速運(yùn)動弱小目標(biāo)的檢測算法。在目標(biāo)慢速機(jī)動運(yùn)動及信噪比較低時，此算法檢測效果良好。然而，當(dāng)目標(biāo)進(jìn)行大機(jī)動運(yùn)動時，檢測效果非常差。2003年，J. Arnold等人[33]對傳統(tǒng)動態(tài)規(guī)劃方法進(jìn)行了改進(jìn)，該算法被改寫為幀內(nèi)搜索的方式，計算復(fù)雜度降低了一個數(shù)量級。設(shè)計新的評價準(zhǔn)則在非高斯噪聲的條件下對算法性能進(jìn)行測試。2002年，Johnston等人[34]在Tonissen的研究基礎(chǔ)上，進(jìn)行極限理論分析并分析了算法性能，最后推導(dǎo)出虛警率和檢測率的理論表達(dá)式。

由于傳統(tǒng)的三維匹配濾波只能檢測勻速直線運(yùn)動的目標(biāo)，在目標(biāo)運(yùn)動速度未知的條件下需要設(shè)計多個速度濾波器組檢測目標(biāo)。而基于動態(tài)規(guī)劃的方法不僅可以檢測勻速運(yùn)動的目標(biāo)，而且可以檢測機(jī)動運(yùn)動的目標(biāo)。然而，不少研究結(jié)果證明，隨著目標(biāo)信噪比的降低，基于動態(tài)規(guī)劃的算法性能下降非常明顯。而且這種算法的空間復(fù)雜度比較高，算法實時性較差。

4）貝葉斯估計及粒子濾波方法

1999年，Stone等人首次提出基于貝葉斯估計的弱小目標(biāo)檢測算法[35]。這種算法的核心思想是：利用最新輸入的觀測量和先驗信息估計目標(biāo)的狀態(tài)量。這種處理方式為輸入一幀圖像處理一幀圖像，所以計算量很小，在工程實踐上很容易實現(xiàn)。然而，最優(yōu)貝葉斯估計的解析解只存在于理論上。在實際條件下，很難推導(dǎo)出其解析表達(dá)式。在線性模型、加性噪聲和狀態(tài)量的分布符合高斯分布的條件下，貝葉斯估計的最小均方差解即為卡爾曼濾波。對實際的系統(tǒng)，一般都無法得到解析解，只能得到近似解。在這種情況下，可以采用擴(kuò)展卡爾曼濾波（Extended Kalman Filter，簡記為EKF）進(jìn)行解算。該方法在自變量小范圍定義域上將非線性函數(shù)進(jìn)行泰勒展開，然后取一階近似項，最后采用高斯概率函數(shù)對后驗概率進(jìn)行估計。但是這種方法的精度比較差，算法結(jié)果有可能發(fā)散[36]。

近些年來，一些學(xué)者提出使用粒子濾波（Particle Filter，簡記為PF）的方式對目標(biāo)進(jìn)行基于最優(yōu)貝葉斯估計的檢測。2001年，Salmond等人首次提出這種方法[37]。首先建立目標(biāo)的運(yùn)動及測量模型，然后將目標(biāo)狀態(tài)量的后驗概率用隨機(jī)樣本表示，并用二值量作為狀態(tài)量表示目標(biāo)是否存在。其中每個粒子都可以表示目標(biāo)是否存在以及目標(biāo)的軌跡。每次輸入數(shù)據(jù)，就對原始數(shù)據(jù)進(jìn)行一次更新，重新計算狀態(tài)量。最后利用生成的粒子以及消失的粒子估計狀態(tài)量，并使用人工設(shè)置的閾值判斷目標(biāo)是否存在。

雖然這種基于粒子濾波的算法功能十分強(qiáng)大，但是為保證算法檢測性能不下降，需要生成大量的粒子，從而直接導(dǎo)致算法計算量增加，實時性變差，工程實現(xiàn)難度增加。

5）高階相關(guān)方法

1993年，Liou等人提出一種基于高階相關(guān)的算法以檢測弱小目標(biāo)[38]。算法利用目標(biāo)航跡的連續(xù)性，在序列圖像上計算其高階相關(guān)響應(yīng)圖。在響應(yīng)圖上檢測目標(biāo)。當(dāng)響應(yīng)圖上某點的能量超過一定閾值時，判斷其為目標(biāo)。

具體的方法為：輸入一批序列圖像，對第一幀圖像進(jìn)行閾值分割，在該圖上檢測到眾多疑似目標(biāo)點。然后取其中一個疑似目標(biāo)點并以該點為中心在其鄰域檢測下一幀上的目標(biāo)。若下一幀上依然可以檢測到目標(biāo)，就保留該點；若沒有檢測到目標(biāo)，則舍棄該點。以此類推，遍歷這些疑似目標(biāo)點，獲得待檢測結(jié)果。在該圖上進(jìn)行閾值分割檢測以檢測目標(biāo)，分割閾值由人工設(shè)置。他們還提出一種基于神經(jīng)網(wǎng)絡(luò)的高階相關(guān)算法，對目標(biāo)運(yùn)動特征添加很多約束，不僅可以提高算法對背景的抑制能力，而且還可以提高算法的計算效率。

這種方法的缺點在于分割閾值的設(shè)置，如果選取不合適的分割閾值，那么這種算法的效果就非常差。

6）投影變換法

基于投影變換的方法實際上是將三維空間軌跡檢測問題轉(zhuǎn)化為二維平面的軌跡檢測問題，從而提高算法的實時性。1978年，F(xiàn)alconer提出一種新的基于Hough變換的目標(biāo)檢測算法，通過人為設(shè)定參數(shù)空間閾值，提取大于該閾值的響應(yīng)值從而檢測直線運(yùn)動的目標(biāo)[39]。

此后，1988年，Peter L. Chu等人[40]進(jìn)行了大量的基于投影變換的方法研究。他們提出一種最佳投影算法，最后與傳統(tǒng)的最大投影算法以及疊加投影算法進(jìn)行對比，驗證了該算法的有效性。該方法在目標(biāo)運(yùn)動速度較慢的條件下效果較好，當(dāng)目標(biāo)運(yùn)動較快時，該算法的性能會變差。

用于對比的2種傳統(tǒng)投影算法具體過程為：最大值投影算法對序列圖像上每個像素點的時域剖面進(jìn)行求最大值運(yùn)算，遍歷每個像素點后得到特征圖像，最后在此特征圖像上進(jìn)行弱小目標(biāo)軌跡檢測。而疊加投影算法將求最大值的運(yùn)算變?yōu)橹苯忧蠛偷倪\(yùn)算。最大值投影算法在目標(biāo)信噪比較大時檢測性能較好。

由于基于投影變換的方法可以極大地減少檢測的存儲量，并且可以同時提高計算速度。因此，這種方法具有一定的優(yōu)勢。但該方法在投影過程中會損失一部分目標(biāo)能量，特別是在目標(biāo)信噪比很低的條件下，投影后目標(biāo)能量非常微弱，直接導(dǎo)致目標(biāo)的軌跡十分難以檢測。

7）三維匹配濾波方法

1983年，美國的Reed教授等人將一維和二維的匹配濾波器擴(kuò)展到三維空間上。將弱小目標(biāo)檢測問題轉(zhuǎn)化成三維空間上的速度匹配的問題[41]。理論推導(dǎo)獲得頻域上最優(yōu)三維匹配濾波方程。在此方程基礎(chǔ)上，推導(dǎo)得到線性假設(shè)條件下最佳速度以及目標(biāo)能夠達(dá)到的最佳信噪比。另外，他們還推導(dǎo)了速度不匹配時的三維匹配濾波方程以及信噪比的解析表達(dá)式。但是三維匹配濾波器需要知道目標(biāo)的灰度分布函數(shù)和目標(biāo)運(yùn)動速度，在實際應(yīng)用中，這些參數(shù)很難事先得到。如果使用與目標(biāo)實際運(yùn)動速度偏差很大的速度進(jìn)行三維匹配濾波，匹配濾波器的性能非常差。因此，當(dāng)未知目標(biāo)運(yùn)動速度時，需要在速度域進(jìn)行遍歷搜索以檢測目標(biāo)，缺點是搜索的運(yùn)算量非常大。針對這個問題，Stock和Chen[42-43]提出了速度濾波器組的概念。一組濾波器代表一定的速度范圍，在實際應(yīng)用中可根據(jù)先驗知識選取多組速度濾波器進(jìn)行濾波，這種方法可以部分解決搜索量太大的問題。但是，如果先驗信息不準(zhǔn)確，需要設(shè)計多組濾波器進(jìn)行濾波，運(yùn)算量也非常大。

1990年，Reed等人又提出了迭代目標(biāo)檢測算法（recursive moving target indication, 簡記為RMTI）。該算法首先假設(shè)目標(biāo)進(jìn)行勻速直線運(yùn)動，然后根據(jù)目標(biāo)的運(yùn)動速度，將序列圖像上的目標(biāo)能量累積起來。最后在疊加圖像上進(jìn)行目標(biāo)檢測。這種算法形式簡單，實現(xiàn)方便。但是只有在目標(biāo)大致進(jìn)行勻速直線運(yùn)動時，算法才有效。Xiong Yan等人[44]提出一種基于勻加速運(yùn)動模型的三維匹配濾波弱小目標(biāo)檢測方法，采用了線性系數(shù)差分方法檢測勻加速運(yùn)動的弱小目標(biāo)。隨后推導(dǎo)了圖像信噪比的理論公式。張?zhí)煨虻热薣45]提出一種基于粗精搜索模式的三維匹配濾波檢測方法。這種方法可以有效減少算法的運(yùn)算量，提高算法的實時性。

8）時域濾波方法

當(dāng)使用凝視相機(jī)拍攝時，相機(jī)上每個像素點的灰度值在時間序列上都表現(xiàn)為一維波動信號。此波動信號被稱為時域剖面（Temporal Profile，簡記為TP），可以反映該時間段內(nèi)信號變化情況。對場景上不同類型的像素點，波動變化情況都不相同。當(dāng)弱小目標(biāo)劃過某像素點時，此像素點的時域剖面上會出現(xiàn)沖擊信號?？梢岳蒙鲜鲂再|(zhì)檢測弱小目標(biāo)。

1995年，Mooney等人提出一種時域剖面弱小目標(biāo)檢測方法[46]。他們設(shè)計了一種新型的時空域濾波器檢測目標(biāo)，并通過基于大量的實驗驗證算法。2002年，Tzannes等人[47]對天空背景上的時域剖面進(jìn)行詳細(xì)分析，并將其分為3種類型：目標(biāo)、云以及晴空背景。隨后對這3種時域剖面分別建立數(shù)學(xué)模型。其中晴空背景利用常數(shù)疊加加性噪聲表示，云背景利用一階馬爾科夫模型表示，目標(biāo)利用沖擊信號、常數(shù)和加性噪聲的和表示。提出一種基于以上3個假設(shè)的弱小目標(biāo)檢測算法。Lim等人對這3種類型場景進(jìn)行了更加詳細(xì)的分析，研究了時域剖面的方差及均值，提出基于自適應(yīng)均值及方差的濾波算法[48]。但是他們的方法僅僅在晴空背景下效果良好，如果背景中出現(xiàn)云，圖像上會出現(xiàn)眾多虛警，對目標(biāo)檢測非常不利。他們還分析了時域剖面的頻譜[49]，發(fā)現(xiàn)在晴空背景下的時域剖面并沒有明顯規(guī)律，可用均勻分布表示。云背景下時域剖面的頻譜分布于低頻部分，而有目標(biāo)劃過的時域剖面頻譜分布在中低頻上?；谝陨险J(rèn)識，他們設(shè)計了帶通濾波器對目標(biāo)進(jìn)行檢測。2010年，Tae-Wuk Bae等人[50]提出了一種基于矢量積的時域濾波方法，利用時域剖面的矢量積、背景和目標(biāo)時域剖面的不同特性區(qū)分目標(biāo)和背景，然后對時域剖面進(jìn)行預(yù)測，并設(shè)計多組實驗驗證算法。

9）高階累積量方法

高階累積量（Higher Order Statistics，簡記為HOS）已經(jīng)被廣泛應(yīng)用于信號處理中，在很多領(lǐng)域都發(fā)揮著重要作用。例如，在天文學(xué)、地震數(shù)據(jù)處理、通信、聲學(xué)、雷達(dá)信號處理和分析等領(lǐng)域該累積量都得到了應(yīng)用。無論有色還是白色高斯噪聲，高于二階的高階累積量都為零，利用上述性質(zhì)，高階累積量可以用于被高斯噪聲污染的圖像中進(jìn)行弱小目標(biāo)檢測。

1991年，Jacovitti[51]提出將高階累積量應(yīng)用于圖像分解、盲卷積、編碼和模式識別、紋理分析和數(shù)據(jù)的聚類分析。Carrato和Ramponi提出一種基于高階累積量（skewness）的邊緣檢測算子[52]。他們的方法使用三階累積量skewness檢測圖像邊緣，其魯棒性和適應(yīng)性都較好。Alexandrou等人提出基于四階累積量的高階統(tǒng)計量[53]。F.Maussang等人[54]將高階累積量應(yīng)用于聲納信號中的目標(biāo)檢測領(lǐng)域。首先假設(shè)圖像背景服從Weibull分布。具體的處理流程為：(1)用矩形滑動窗口計算高階累積量；(2)利用匹配濾波器進(jìn)行濾波；(3)使用形態(tài)學(xué)方法對此區(qū)域進(jìn)行運(yùn)算；(4)用一個人工設(shè)置的固定灰度閾值對目標(biāo)進(jìn)行分割以檢測弱小目標(biāo)。他們提出的算法魯棒性很強(qiáng)。但是，這種方法還需要已知一些先驗信息才能進(jìn)行檢測，如待檢測目標(biāo)的尺寸等信息。M.Nafi Gurcan等人[55]將高階累積量的應(yīng)用于器官X線照片鈣化檢測上。首先對圖像進(jìn)行子帶頻譜分解，然后將分解后的圖像分割成若干重疊的圖像塊，對這些圖像塊統(tǒng)計高階累積量skewness和kurtosis，從而估計區(qū)域的不對稱性和沖擊性。那些skewness和kurtosis較高的區(qū)域被列為興趣區(qū)。仿真結(jié)果表明，他們的方法在鈣化區(qū)域檢測方面效果良好。

2 紅外弱小目標(biāo)檢測技術(shù)的研究和發(fā)展趨勢

進(jìn)行穩(wěn)定、魯棒、通用的紅外弱小目標(biāo)檢測的難度很大。在自然氣象條件（風(fēng)速、天氣、氣溫、風(fēng)向、太陽輻射等）以及背景環(huán)境（天空、地表等）等因素的影響下，經(jīng)過大氣衰減，紅外探測系統(tǒng)接收到的弱小目標(biāo)能量較弱，在視場中背景及噪聲所占的比例較大，同時背景比較復(fù)雜，并且在不斷發(fā)生變化，導(dǎo)致圖像中目標(biāo)的信噪比很低。在遠(yuǎn)距離成像時，目標(biāo)在檢測器靶面上的投影面積很小，且目標(biāo)沒有紋理和結(jié)構(gòu)信息，采用傳統(tǒng)目標(biāo)檢測方法很難檢測。于是，需要利用序列圖像的信息才能進(jìn)行可靠檢測。但是在缺少目標(biāo)軌跡、方向以及位置等先驗信息條件下，檢測的難度更大。而且在實際條件下，待檢測的目標(biāo)運(yùn)動方式為機(jī)動運(yùn)動，同時圖像上噪聲為非高斯噪聲，使用傳統(tǒng)跟蹤算法效果不理想。因此，需要設(shè)計新的算法對目標(biāo)機(jī)動運(yùn)動條件下進(jìn)行實時準(zhǔn)確的檢測。另一方面，隨著科技的發(fā)展，硬件設(shè)備和處理算法逐漸升級，處理圖像的分辨率越來越大，算法也越來越復(fù)雜，算法的存儲量和運(yùn)算量呈幾何級數(shù)增加。于是，算法實時的難度越來越大，需要研制性能更高的軟硬件平臺以適應(yīng)新的算法。

可以預(yù)見，未來紅外弱小目標(biāo)檢測技術(shù)的研究和發(fā)展趨勢是：

1）研制性能更高的檢測器

隨著科技的發(fā)展，紅外檢測系統(tǒng)需要具備穿透云層的能力和在復(fù)雜環(huán)境下正常工作的能力以實現(xiàn)全天候和遠(yuǎn)距離的目標(biāo)檢測與識別。探索新型材料制作性能優(yōu)良的焦平面器件，成為了發(fā)展方向之一。美國已將多光譜大面積凝視焦平面紅外探測器陣列及相應(yīng)的制冷技術(shù)列入了導(dǎo)彈防御技術(shù)計劃[9]。

2）研究復(fù)合和雙波段探測技術(shù)

在目標(biāo)被偽裝、環(huán)境干擾以及輻射頻譜不穩(wěn)定的條件下，單一波段的紅外檢測系統(tǒng)的檢測能力將會大幅下降。如果利用雙波段檢測，對虛假目標(biāo)的識別能力將會大幅提升，同時還可以提高系統(tǒng)對目標(biāo)的檢測距離。此外，如果采用雷達(dá)/紅外/紫外/激光復(fù)合檢測系統(tǒng)，可以拓展系統(tǒng)的響應(yīng)頻譜范圍，同時降低系統(tǒng)的虛警率[2]。例如，美國空軍裝備在B2轟炸機(jī)上的復(fù)合報警器，就可以同時檢測來自可見光、紅外、紫外以及射頻的威脅。

3）研究更先進(jìn)的目標(biāo)檢測算法

紅外檢測系統(tǒng)中成像系統(tǒng)正在朝凝視型焦平面陣列方向發(fā)展，于是，系統(tǒng)要處理和傳輸?shù)臄?shù)據(jù)量將會非常大，必須采用更加先進(jìn)的目標(biāo)智能化檢測和識別技術(shù)，同時使用處理速度更快的硬件處理器以提高系統(tǒng)的處理速度，系統(tǒng)的自動告警能力以及在復(fù)雜環(huán)境下對多目標(biāo)的信號進(jìn)行處理的能力。

4）系統(tǒng)模塊化和小型化

為了增強(qiáng)紅外檢測系統(tǒng)的適應(yīng)性以及便捷性，系統(tǒng)需要進(jìn)行小型化設(shè)計，特別是紅外掃描頭。同時，系統(tǒng)還需要向著模塊化以及組合化的方向發(fā)展從而不斷提高系統(tǒng)的可靠性和可維修性。

5）安裝激光測距機(jī)以準(zhǔn)確定位距離

例如，法國的OSF紅外探測預(yù)警系統(tǒng)傳感器包含2個感應(yīng)頭，第一個感應(yīng)頭為紅外探測器用于弱小目標(biāo)檢測，第二個感應(yīng)頭安裝激光測距器進(jìn)行測距。該系統(tǒng)不僅可以在夜間檢測敵方目標(biāo)，而且可以在廣角范圍內(nèi)進(jìn)行目標(biāo)的跟蹤、識別和測距。

(6)預(yù)警體系綜合一體化

在日益復(fù)雜的未來戰(zhàn)場上，采用綜合一體化的預(yù)警探測系統(tǒng)不僅可以大幅降低虛警率，而且還可以識別各種偽裝。

[1] 吳曉航, 黃樹彩, 肖科, 等. 紅外探測技術(shù)在導(dǎo)彈防御系統(tǒng)中的應(yīng)用與發(fā)展[J]. 飛航導(dǎo)彈, 2013(5): 44-49.

[2] 林武文, 徐錦, 徐世錄. 紅外探測技術(shù)的發(fā)展[J]. 激光與紅外, 2006, 36(9): 840-843.

[3] 劉丹華, 黃道君. 紅外探測技術(shù)的軍事應(yīng)用[J]. 紅外技術(shù), 2003, 25(2): 1-3.

[4] 羅利銳, 劉志剛, 陳文濤, 等. 紅外探測技術(shù)在海底隧道地質(zhì)預(yù)報中的應(yīng)用[J]. 地下空間與工程學(xué)報, 2010, 6(4): 775-780.

[5] 張?zhí)煨? 左崢嶸. 星上運(yùn)動目標(biāo)識別的若干關(guān)鍵問題[J]. 紅外與激光工程, 2001, 30(6): 395-400.

[6] A. Strehl, J. K. Aggarwal. Detecting Moving Objects in Airborne Forward Looking Infra-Red Sequences[C]//, 1999: 3-12.

[7] S. Kim, J. Lee. Robust scale invariant target detection using the scale-space theory and optimization for IRST[J]. Pattern Anal Applic, 2011, 14: 57-66.

[8] 張惠娟, 梁彥, 程詠梅, 等. 運(yùn)動弱小目標(biāo)先跟蹤后檢測技術(shù)的研究進(jìn)展[J]. 紅外技術(shù), 2006, 28(7): 423-430.

[9] 周冰, 王永仲, 應(yīng)家駒. 弱小目標(biāo)檢測技術(shù)淺析[J]. 紅外技術(shù), 2007, 29(1): 30-33.

[10] 楊磊. 復(fù)雜背景條件下的紅外小目標(biāo)檢測與跟蹤算法研究[D]. 上海: 上海交通大學(xué), 2006.

[11] 彭嘉雄, 周文琳. 紅外背景抑制與小目標(biāo)分割檢測[J]. 電子學(xué)報, 1999, 27(12): 47-51.

[12] 王博. 紅外序列圖像中運(yùn)動弱小目標(biāo)時域檢測方法[D]. 西安: 西安電子科技大學(xué), 2010.

[13] S. D. Deshpande, M. H. Er, V. Ronda, et al. Max-mean and max-median filters for detection of small targets[C]//, 1999, 3890: 74-82.

[14] X. Bai, F. Zhou. Analysis of new top-hat transformation and the application for infrared dim small target detection[J]., 2010, 43: 2145-2156.

[15] M. M. Hadhoud, D. W. Thomas. The Two-Dimensional Adaptive LMS (TDLMS) Algorithm[J]., 1988, 35(5): 485-494.

[16] S. H. M. Ohki. Two-dimensional LMS adaptive filters[J]., 1991, 37(1): 66-73.

[17] T. Wang, C. L. Wang, A new two-dimensional block adaptive FIR filtering algorithm and its application to image restoration[J]., 1998, 7(2): 238-246.

[18] T. Bae, K. Sohng. Small Target Detection Using Bilateral Filter Based on Edge Component[J]., 2010, 31: 735-743.

[19] R. C. Gonzalez, R. E. Woods.[M]. Publishing House of Electronics Industry, 2010.

[20] D. Comaniciu. An algorithm for data-driven bandwidth selection[J]., 2003, 25(5): 564-575.

[21] 王文龍, 韓保君, 張紅萍. 一種海空背景下紅外小目標(biāo)檢測新算法[J]. 光子學(xué)報, 2009, 38(3): 725-728.

[22] G. Boccignone, A. Chianese, A. Picariello, Small target detection using wavelets[C]//1498, 1998: 1776-1778.

[23] 李秋華, 李吉成, 沈振康. 基于多尺度特征融合的紅外圖像小目標(biāo)檢測[J]. 系統(tǒng)工程與電子技術(shù), 2005, 27(9): 1557-1560.

[24] 溫佩芝, 史澤林, 于海斌, 基于小波變換的復(fù)雜海面背景紅外小目標(biāo)檢測[J]. 激光與紅外, 2003, 33(6): 449-452.

[25] 榮健, 申金娥, 鐘曉春. 基于小波和SVR的紅外弱小目標(biāo)檢測方法[J]. 西南交通大學(xué)學(xué)報, 2008, 43(5): 555-560.

[26] 韓客松, 王永成. 紅外序列圖像中緩動點目標(biāo)的流水線檢測算法[J]. 系統(tǒng)工程與電子技術(shù), 2000, 22(8): 66-67.

[27] 董維科, 向健勇, 袁勝春. 一種紅外弱小目標(biāo)精跟蹤方法[J]. 激光與紅外, 2005, 35(3): 184-186.

[28] 李凡. 復(fù)雜背景抑制及弱小目標(biāo)檢測算法研究[D]. 西安: 西安電子科技大學(xué), 2010.

[29] S. D. Blostein, H. S. Richardson. A sequential detection approach to target tracking[J]., 1994, 30(1): 197-212.

[30] N. C. Mohanty. Computer tracking of moving point targets in space[J]., 1981, 1(3): 606-611.

[31] Y. Barniv. Dynamic Programming Solution for Detection Dim Moving Targets[J]., 1985, AES-21(1): 144-156.

[32] S. M. Tonissen, R. J. Evans. Performance of Dynamic Programming Techniques for Track-Before-Detect[J]., 1996, 32(4): 1440-1451.

[33] J. Arnold, S. Shaw, H. Pasternack. Efficient target tracking using dynamic programming[J]., 1993, 29: 44-56.

[34] L. A. Johnston, V. Krishnamuthy. Performance of a dynamic programming track before detect algorithm[J]., 2002, 38(1): 228-242.

[35] Lawrence D. Stone, Carl A. Barlow, Thomas L. Corwin.[M]. Norwood. MA: Artech House, 1999.

[36] R.E. Kalman. A New Approach to Linear Filtering and Prediction Problems[J]., 1960, 1: 35-45.

[37] D. J. Salmond, H. Birch. A particle filter for track-before-detect[C]//, 2001: 3755-3760.

[38] R. J. Liou, M. R. Azimi-Sandjadi, Dim Target Detecion Using High Order Correlation Method[J]., 1993, 29(3): 841-856.

[39] D. G. Falconer, M. Park. Target tracking with the Hough transform[J]., 1978, 1(1): 249-252.

[40] P. L. Chu. Optimal Projection for Multidimensional Signal Detection[J]., 1988, 36(5): 775-786.

[41] I. S. Reed, R. M. Gagliardi, H. M. Shao. Application of Three-Dimensional Filtering to Moving Target Detection[J]., 1983, 19(6): 898-905.

[42] W. B. Kendall, A. D. Stocker, W. J. Jacobi. Velocity filter algorithms for improved target detection and tracking with multiple-scan data[J]., 1989, 1096: 127-137.

[43] A. D. Stocker, P. Jensen. Algorithm and architectures for implementing large velocity filter banks[J]., 1991, 1481: 140-155.

[44] Y. Xiong, J. Peng, M. Ding. An Extended Track-Before-Detect Algorithm for Infrared Target Detection[J]., 1997, 33(3): 1087-1092.

[45] T. Zhang, M. Li, Z. Zuo. Moving dim point target detection with three-dimensional wide-to-exact search directional ?ltering[J]., 2007, 28: 246-253.

[46] C. E. Caefer, J. Silverman, J. M. Mooney. Optimization of Point Target Tracking Filters[J]., 2000, 36(1): 15-25.

[47] A. P. Tzannes, D. H. Brooks. Detecting Small Moving Objects Using Temporal Hypothesis Testing[J]., 2002, 38(2): 570-586.

[48] E. T. Lim, L. Shue, V. Ronda. Adaptive mean and variance filter for detection of dim point-like targets[C]//, 2002, 4728: 492-502.

[49] E. T. Lim, C. W. Chan, V. Ronda. Dim Point Detection and Tracking System in IR Imagery[C]//, 2000, 4728: 277-284.

[50] T. Bae, B. Kim, Y. Kim, et al. Small target detection using cross product based on temporal profile in infrared image sequences[J]., 2010, 36: 1156-1164.

[51] G. Jacovitti. Applications of higher order statistics in image processing[C]//1991: 241-247.

[52] S. Carrato, G. Ramponi. Edge detection using generalized higher-order statistics[C]//, 1993: 66-70.

[53] D. Alexandrou, C. de Moustier, G. Haralabus. Evaluation and verification of bottom acoustic reverberation statistics predicted by the point scattering model[J]., 1992, 91(3): 1403-1413.

[54] F. Maussang, J. Chanussot, A. Hetet, et al. Higher-Order Statistics for the Detection of Small Objects in a Noisy Background Applicationon Sonar Imaging[J]., 2007: 1-17.

[55] M. N. Gurcan, Y. Yardimci, A. E. Cetin, et al. Detection of Microcalci?cations in Mammograms Using Higher Order Statistics[J]., 1997, 4(8): 213-216.

Present State and Perspectives of Small Infrared Targets Detection Technology

HOU Wang1,2，SUN Xiao-liang1，SHANG Yang1，YU Qi-feng1

(1.410073,; 2.200436,)

Small infrared target detection often plays an important role, even a bottleneck, in lots of military and civil infrared application fields. In this paper, a brief description on small infrared target detection was given firstly. Then, a detail overview on the present kinds of small infrared target detection algorithms was given, including the principle and character of the algorithms. Finally, the perspective of small infrared targets detection technology was predicted.

small infrared target，target detection，spatial filtering，frequency domain filtering，tracking algorithm

TP391

A

1001-8891(2015)01-0001-10

2014-11-10；

2015-01-02.

侯旺（1986－），男，工程師，博士，E-mail：simon_zero@126.com。

于起峰，男，中國科學(xué)院院士，教授，博士，博士生導(dǎo)師，E-mail：yuqifeng@vip.sina.com。

國家自然科學(xué)基金資助項目，編號：11332012，11472302。