李偉忠，劉明娜，姚 勤

（1.中國人民解放軍海軍駐上海地區(qū)航天系統(tǒng)軍事代表室，上海 201109；2.上海航天控制技術(shù)研究所，上海 201109）

0 引言

紅外成像制導(dǎo)是利用目標和背景間的熱輻射差，形成目標和周圍景物的圖像實現(xiàn)自動導(dǎo)引的一種制導(dǎo)方法，目前已廣泛用于多種戰(zhàn)術(shù)武器系統(tǒng)，其核心就是目標檢測識別技術(shù)。紅外自動目標檢測識別是當(dāng)前成像導(dǎo)引頭的一項重要技術(shù)。

本文對紅外成像導(dǎo)引頭目標檢測識別共性技術(shù)進行了綜述。

1 紅外弱小目標檢測技術(shù)

紅外弱小目標的檢測方法直接決定了紅外成像系統(tǒng)的探測靈敏度和發(fā)現(xiàn)距離，是反映紅外低可觀測目標識別能力至關(guān)重要的一項核心技術(shù)［1－3］。由于遠距離時目標成像面積小、對比度較低、邊緣模糊、無紋理特征、尺寸及形狀變化不定，可檢測信號相對較弱，特別是在非平穩(wěn)的復(fù)雜起伏背景干擾下，樹木、道路、海浪、太陽亮帶、亮暗云層等與目標交疊，無法直接從灰度、尺寸和形狀區(qū)別目標，成像的信噪比較低，使小目標檢測變得困難，因此復(fù)雜紅外場景中小目標的檢測是紅外成像系統(tǒng)中的關(guān)鍵。目前對紅外弱小目標檢測的研究主要針對低信噪比、復(fù)雜背景條件下提高檢測算法的性能及算法的實時性和有效性，研究運算量小、性能高、利于硬件實時實現(xiàn)的檢測算法。

小目標檢測一般采用空－時濾波算法。時間濾波器置于空間濾波器后的算法為DBT，此類算法先進行空間濾波預(yù)處理，對單幀圖像實現(xiàn)目標增強和背景抑制，提高圖像的信噪比，再用門限檢測方法進行目標檢測，通過時間序列分析進行時間域濾波，去偽存真，找到真正的目標。時間濾波器在空間濾波器前算法為TBD，這類算法不宣布單幀檢測結(jié)果，不設(shè)檢測門限，而是將每幀的信息數(shù)字化并存儲，在幀與幀間對假設(shè)路徑包含的點作幾乎無信息損失的相關(guān)處理，經(jīng)過多幀積累，在目標軌跡被估計出后，檢測結(jié)果與目標航跡同時宣布。

1.1 DBT方法

利用先檢測后跟蹤的方法對紅外弱小目標進行檢測，需對單幀圖像提取候選目標，單幀圖像的處理效果在弱小目標檢測算法中是關(guān)鍵。單幀紅外圖像檢測方法是根據(jù)紅外目標與背景的差異，表現(xiàn)為像素的灰度差異特性，一般需在變換域進行檢測，常用變換有小波變換、curvelet變換等。小波分析的多尺度特性，適于在低信噪比環(huán)境中進行紅外目標檢測，其伸縮特性可使部分圖像特征在某個尺度下被有效抑制，而某些感興趣的特性可被突顯出。因為小波的基函數(shù)的間隔可變，能使定位信號間斷，當(dāng)對一幅圖像進行二維離散小波變換時，可產(chǎn)生具有不同分辨力和減小了空間的子圖，而保持目標和雜波的適當(dāng)空間位置。小波變換的另一優(yōu)點是不但能檢測一個或兩個子帶的系數(shù)，而且可減少處理的總像素數(shù)。

對單幀圖像檢測還可利用基于背景估計與抑制方法進行，常用的有高通濾波、中值濾波、均值濾波以及自適應(yīng)背景估計等［4］。這些方法雖能一定程度抑制背景，但仍存在不足：目標不一定是圖像中灰度值最高或頻率最高的成分，采用自適應(yīng)門限背景抑制濾波和頻率高通濾波時，背景成分泄漏較嚴重；中值濾波不能處理超過濾波窗口大小的噪聲；空間高通濾波需要根據(jù)目標形狀決定濾波模板，在目標先驗知識未知時濾波性能將受影響。

圖像處理的一個重要研究領(lǐng)域是形態(tài)學(xué)濾波，主要包括形態(tài)學(xué)算子和結(jié)構(gòu)元素選擇兩個基本內(nèi)容。在紅外弱小目標檢測中，目前多數(shù)研究采用形態(tài)學(xué)Top－Hat算子進行檢測。以往Top－Hat算子研究中，一般采用單一結(jié)構(gòu)元素處理圖像，其濾波器僅在對應(yīng)某類圖像模型中有較好的性能，而圖像信號通常極復(fù)雜且處于不斷變化中，采用單一結(jié)構(gòu)元素形態(tài)學(xué)處理方法對圖像的適應(yīng)性較差。用單幀圖像檢測出候選目標再用序列圖像確認真實目標，是小目標檢測算法中不可或缺的技術(shù)。紅外成像系統(tǒng)中，圖像的幀頻較高（一般大于50Hz），在規(guī)定時間內(nèi)能提供一定數(shù)量的序列圖像進行檢測，可提高檢測概率并降低虛警概率。

利用序列圖像檢測目標最直接最簡單的方法是管道濾波。管道濾波實際上是一時空濾波器，是在序列圖像的空間位置上以目標為中心建立的一個空間管道，管道的直徑（如果管道為圓形）代表空間的作用尺寸，管道長度代表檢測時間長度。管道濾波是一種較經(jīng)典時空濾波器，采用時間域和空間域的管道濾波方法時，需預(yù)先知道目標的最大運動速度以設(shè)置合理的管徑。若目標運動過快，則管道濾波器需選粗管徑，這樣就增加了算法的復(fù)雜度。

1.2 TBD方法

跟蹤前檢測方法要求每獲得一幀數(shù)據(jù)就進行檢測，通常一經(jīng)檢測就將未關(guān)聯(lián)上的數(shù)據(jù)當(dāng)作雜波點丟掉，丟掉的數(shù)據(jù)中可能含有目標信息，這種做法難以提高對低可觀測目標的檢測性能。TBD方法能有效避免此問題，它將多次掃描獲得的數(shù)據(jù)同時處理，增強了低可觀測目標的信噪比，且在得到檢測結(jié)果的同時，可獲得目標航跡。TBD方法包括基于動態(tài)規(guī)劃的方法、基于極大似然的方法、基于Hough變換的方法、三維匹配濾波器算法、多級假設(shè)檢驗方法以及高階相關(guān)等算法。這類方法先對圖像中較多的可能軌跡同時進行跟蹤，用某種判據(jù)對每條軌跡的真實性做出軟判斷，逐步剔除由噪聲構(gòu)成的虛假軌跡，維持真實軌跡，當(dāng)軟判斷超過某門限時，做出該軌跡為目標航跡的硬判斷，這就避免了因信噪比低而造成的航跡漏檢，提高了檢測概率。因此，該類算法適于低信噪比時的弱小目標檢測，但缺點是實時性差、計算復(fù)雜。

2 圖像配準技術(shù)

紅外成像系統(tǒng)應(yīng)用中，圖像傳感器常安裝在運動平臺上，即使是安裝在靜止平臺上，某些干擾也會導(dǎo)致傳感器出現(xiàn)抖動，傳感器的運動會嚴重影響目標檢測與跟蹤算法的性能。因此，在進行成像目標檢測前還必須進行圖像傳感器的運動估計與補償［6］。成像運動目標的檢測方案如圖1所示。

圖1 運動目標檢測方案Fig.1 Moving target detection

成像運動目標檢測中的關(guān)鍵技術(shù)有：提取圖像特征，進行圖像配準獲得兩幀圖像對應(yīng)的匹配對；對圖像傳感器的運動選擇一種合適的運動模型，根據(jù)圖像配準結(jié)果估計運動參數(shù)；利用運動參數(shù)對運動模型進行圖像補償；對補償后的圖像序列進行運動目標檢測。

2.1 圖像匹配分析

傳統(tǒng)上大致可分為基于區(qū)域的匹配算法和基于特征的匹配算法兩大類。前者包括灰度相關(guān)算法和相位相關(guān)算法等，這類算法中圖像的像素點直接參與匹配運算，采用的相似性度量主要是各種互相關(guān)系數(shù)或圖像差，較適于處理大尺度結(jié)構(gòu)特征和區(qū)域灰度分布特征不變而細節(jié)特征發(fā)生畸變的兩幅圖像。后者先提取圖像中的特征，再建立兩幅圖像間特征的匹配對應(yīng)關(guān)系，其難點是自動、穩(wěn)定、一致的特征提取和匹配過程消除特征的模糊性與不一致性，較適于處理大尺度結(jié)構(gòu)特征不變而區(qū)域灰度特征發(fā)生畸變，以及大尺度結(jié)構(gòu)特征發(fā)生仿射變換或由圖像變化等因素引起的結(jié)構(gòu)特征改變的兩幅圖像。

在許多場合無法嚴格區(qū)分灰度匹配與特征匹配，如用特征點進行灰度匹配時直接或間接利用了圖像的點特征。因而由特征匹配發(fā)展了關(guān)系匹配，其基本方法是建立一個結(jié)構(gòu)描述與其他結(jié)構(gòu)描述間的對應(yīng)關(guān)系。結(jié)構(gòu)描述定義為一組圖像初值（點、線、面）和它們間的對應(yīng)關(guān)系，關(guān)系匹配目的是匹配兩個或更多的結(jié)構(gòu)描述，其特點是利用了圖像的特征，以及拓撲和幾何關(guān)系，故可在無圖像內(nèi)外定向參數(shù)時進行圖像匹配。關(guān)系匹配的缺點是可能的匹配量大，尋找最佳匹配的計算時間長。

2.2 全局運動估計與補償分析

經(jīng)圖像匹配獲得兩幀圖像的對應(yīng)匹配對后，可根據(jù)結(jié)果估計圖像傳感器的運動。全局運動估計目的是根據(jù)兩幀圖像的匹配結(jié)果求解運動參數(shù)模型。攝像機的全局運動一般可用2D變換表示，常用的參數(shù)模型有2參數(shù)的平動模型、4參數(shù)的相似變換模型、6參數(shù)的仿射變換模型、8參數(shù)的投影變換模型，以及12參數(shù)的2次曲面變換模型。參數(shù)越多，場景變換就越精確，計算復(fù)雜度也越高，一般場景常選取精度和復(fù)雜性較適中的仿射變換模型表示全局運動。用圖像匹配獲得的兩幀圖像匹配對數(shù)遠大于求解運動參數(shù)模型所需匹配對的最少數(shù)量，但視頻圖像中存在局部運動，所得兩幀圖像匹配結(jié)果中會有一定數(shù)量的錯誤匹配，因此在全局運動估計過程中須消除局部運動的影響。估計算法須有好的魯棒性，估計本質(zhì)是一個超定方程組的求解。傳統(tǒng)全局運動估計算法常依靠各種迭代算法及改進的快速迭代算法區(qū)分全局與局部運動，無法解決迭代特征點的嚴格要求、運算占用資源大、高頻分量丟失、重建噪聲較高等問題。M估計算法實質(zhì)是將估計問題轉(zhuǎn)化為遞推重加權(quán)最小二乘問題，對估計余差采用不同的加權(quán)，可抑制大余差對估計過程的影響，常采用迭代方法求解，初始值常由最小二乘算法估算，對大誤差數(shù)據(jù)有較好的抑制作用，但不能處理完全錯誤的部分數(shù)據(jù)。最小中值算法通過最小化余差平方中值求解，理論上失效點數(shù)最高可達到50%，當(dāng)錯誤點超過50%時，該算法不再適用。FISHIER，BOLLES提出的RANSAC算法對錯誤率超過50%的數(shù)據(jù)仍能進行處理，是最有效的魯棒估計算法之一。

當(dāng)根據(jù)運動估計方法得到攝像機的運動參數(shù)后，對序列圖像I（x，y，k）中的每個像素點（x，y），由攝像機運動參數(shù)模型式計算出該點的運動矢量（dx，dy），可得dx＝Xi－xi，dy＝Y(jié)i－yi。則該點在第k＋1幀中的校正坐標為

式中：x0，αx分別x＋dx的整數(shù)和小數(shù)部分；y0，αy分別為y＋dy的整數(shù)和小數(shù)部分。在第k幀圖像I（x，y，k）中，灰度值僅在整數(shù)位置（x，y）處被定義，而式（1）得到的坐標常為非整數(shù)，故用前向映射或后向映射方法解決。前向映射，1個輸入像素被映射到4個輸出像素間的位置，其灰度值利用插值算法在4個像素間分配；后向映射，輸出像素逐個映射回輸入圖像中，若1個輸出像素被映射到4個輸入像素間，其灰度要用插值算法由4個輸入像素決定。常用的插值算法有最近鄰域插值、雙線性插值算法和高階插值算法等。

2.3 運動目標檢測

按圖像傳感器與背景間有無運動，運動目標的檢測方法分為靜態(tài)背景與運動背景兩大類［5］。當(dāng)背景存在運動時，經(jīng)運動估計與補償后可轉(zhuǎn)化為靜態(tài)背景中的運動目標檢測。運動目標檢測的方法有背景差分法、幀差分法、背景模型法以及基于光流的方法等。

背景差分法用當(dāng)前幀圖像與已知背景圖像做差以檢測目標，理論上該法最易檢測出運動目標，但實際應(yīng)用中很難獲得一幅理想的背景圖像。對攝像機固定的場合，獲取背景圖像的理想方法是在場景中無運動目標時采集一幅背景圖像并存儲，之后根據(jù)外界環(huán)境的變化不斷更新圖像。對攝像機運動的場合，則幾乎不能實現(xiàn)。因此，背景差分法常用于視頻監(jiān)控等攝像頭相對靜止的場合，而不能直接用于背景存在運動的環(huán)境中的目標檢測。

幀差分法是用當(dāng)前幀圖像與相鄰幀圖像進行差分以檢測目標。該法的優(yōu)點是對動態(tài)背景適應(yīng)快、計算速度快、占用系統(tǒng)資源少等，缺點有：在目標和背景均存在運動時，直接應(yīng)用幀差分法無法進行有效的目標檢測；當(dāng)背景變化頻率較高時，不能很好地抑制噪聲，背景泄漏嚴重；當(dāng)背景的某部分移動時，檢測結(jié)果中會出現(xiàn)“空洞”，一般檢測不到移動目標的全部；需選擇合適的分割閾值。

背景模型方法是建立一模型以模擬背景圖像，并通過比較當(dāng)前幀圖像的像素點值與背景模型確定是目標像素還是背景像素，從而檢測到目標。

基于光流的方法根據(jù)圖像光流場分布的變化檢測運動目標，該法能在攝像機存在運動時檢測出獨立的運動目標，缺點是運算公式復(fù)雜，計算量大，實時性差，不適于實時性要求很高的場合。

3 彈道終端目標識別技術(shù)

紅外成像型導(dǎo)彈彈道終端是目標接近充滿成像系統(tǒng)視場至戰(zhàn)斗部起爆間的彈道階段。某些戰(zhàn)術(shù)導(dǎo)彈的飛行時間較短，且攔截目標圖像變化也非常大，彈道終端階段的自動目標識別算法應(yīng)具有良好的實時性。另外，除需完成彈道所有階段應(yīng)具有的探測、識別、跟蹤目標的功能外，導(dǎo)彈自動目標識別系統(tǒng)還應(yīng)能識別目標的易損（要害）部位，提取飛行剩余時間等彈目相對運動參數(shù)，自適應(yīng)控制炸點，使戰(zhàn)斗部在各種彈目交會條件下均能攻擊這些易損（要害）部位。

3.1 圖像分割

自動目標識別系統(tǒng)識別目標、跟蹤目標和炸點控制等均依賴于圖像分割結(jié)果，圖像分割結(jié)果的優(yōu)劣直接影響系統(tǒng)的性能。由于圖像種類繁多，復(fù)雜程度不同，適合某類圖像的分割方法未必適合另一類圖像。當(dāng)圖像復(fù)雜時，如信噪比低、灰度差異不明顯等（其直方圖表現(xiàn)為雙峰差別很大，甚至單峰），有些分割方法的分割效果就不佳，甚至產(chǎn)生分割錯誤。目前，還沒有對所有測試圖像分割效果均為最佳的方法。在分割復(fù)雜紅外圖像時，應(yīng)根據(jù)具體的紅外背景和目標類型選擇合適的分割方法。

圖像分割方法有多種，其中閾值分割法因?qū)崿F(xiàn)簡單，實時性強，成為圖像分割中最基本且應(yīng)用最廣的分割算法，但目前還無一通用方法確定最佳閾值。近年來以基于最大熵概念或基于最大類間方差（Otsu法）的閾值選取方法頗受關(guān)注，這兩類方法也由一維拓展到二維，對圖像的灰度信息和像素點間的空間鄰域信息均加以考慮，當(dāng)圖像信噪比較低時效果較一維方法有明顯改善。二維方法計算量大、運算時間長，故采用混沌粒子群算法優(yōu)化運行時間，搜索出分割紅外圖像的最優(yōu)閾值?；诨煦缌Ｗ尤簝?yōu)化的Otsu和最大熵紅外圖像分割方法能根據(jù)圖像背景與目標面積相差大的特點，自適應(yīng)搜索到最優(yōu)閾值，快速有效分割背景起伏、目標特征不明顯的紅外圖像。當(dāng)圖像質(zhì)量較好和目標存在形態(tài)特征時，用Otsu方法分割的目標區(qū)域內(nèi)部均勻，邊界形狀精確，分割結(jié)果更接近實際；最大熵的分割方法可較好地抑制雜波干擾的影響，提取目標信息能力強，更適于目標不具備形態(tài)特征及低信噪比紅外圖像。

3.2 目標要害部位選取

在彈道終端，導(dǎo)引頭瞬時視場很小，且由于導(dǎo)彈飛行沖擊、振動和擺動而存在抖動，過大的跟蹤部位（如發(fā)動機尾焰）很容易再次溢出導(dǎo)引頭視場，因此局部圖像跟蹤點的選擇須從易于識別和利于縮短跟蹤盲區(qū)及是否為目標要害部位三方面綜合考慮。

對不同種類的目標，相似性和軸對稱性是其頭部共有的重要特征，且受目標飛行姿態(tài)影響小，易于實現(xiàn)快速自動識別和在相鄰幀特征點間建立對應(yīng)，頭部圓錐形特征的提取相對目標的尾焰、形心、機翼等特征有更高的識別精度和可實現(xiàn)性，只需通過相應(yīng)的圖像處理方法就可精確地提取其位置。在彈目遭遇過程中，交會速度快且時間極短，目標可視為慣性飛行，目標軸向在彈體坐標系內(nèi)的空間姿態(tài)角保持不變，相鄰兩幀圖像中目標軸向的相關(guān)性非常強，局部圖像跟蹤過程中可利用由形心圖像跟蹤向局部圖像跟蹤轉(zhuǎn)換時刻的目標軸向信息逆向搜索灰度突變點，第一個突變點的位置即為該時刻的目標頭部位置，跟蹤視場中心由形心切換到目標頭部位置，實現(xiàn)對目標的局部圖像跟蹤。

4 紅外成像仿真技術(shù)

紅外目標與背景圖像仿真是紅外成像仿真中的關(guān)鍵技術(shù)，只有獲得了目標和背景的紅外圖像，才能對各種濾波算法、圖像增強與補償算法、特征提取算法及目標狀態(tài)估計等算法的有效性進行研究。其中產(chǎn)生實時、長時間可用且具有一定通用性的紅外圖像，是研究的重難點。

紅外圖像反映的是物體的溫度和發(fā)射率信息，生成紅外圖像必須分析物體（包括目標和背景）的紅外特性以及大氣傳輸對紅外輻射衰減的影響。紅外圖像的生成涉及紅外輻射物理學(xué)、傳熱學(xué)、大氣輻射物理學(xué)、計算機圖形學(xué)等學(xué)科。

4.1 目標紅外輻射

確定了溫度和發(fā)射率，就可確定物體的紅外輻射［7］。對飛機、軍艦等目標，不同部位的溫度各異。飛機的典型部位是蒙皮、噴管、尾焰等，各典型部位間存在傳導(dǎo)、對流和輻射換熱。目標的溫度主要受自身溫度和背景輻射的影響，飛機各部位的溫度可用兩種方法求得。一是用經(jīng)驗數(shù)據(jù)和經(jīng)驗公式，主要取決于飛機具體型號，不同型號間的差別較大，不同飛行狀態(tài)的溫度差別較大，因未考慮不同溫度部位的熱傳遞，該法的精度不高。另一較精確的方法是建立各典型部位間的熱傳遞方程，包括傳導(dǎo)、對流和輻射等，工程計算中通常將連續(xù)性的微分方程離散化再求解，常用的有差分法和有限元法。物體的發(fā)射率取決于其表面材料，對特定的目標，需確定其表面材料，因表面材料常經(jīng)表面陽極化、涂清漆等處理，某些目標表面采用了紅外隱身處理，發(fā)射率明顯減小。

4.2 背景紅外輻射

由于自然條件的影響，不確定性因素過多，背景的輻射相對目標的紅外輻射復(fù)雜得多。如海洋背景的輻射，在氣候變化過程中海面會呈現(xiàn)不同的紅外輻射特性，風(fēng)使海面形成海浪，海浪的斜率及大小直接影響海面的紅外發(fā)射率和透射率的變化，而這些變化可反映在紅外探測器中；空氣濕度、大氣溫度等氣象因素影響海上大氣紅外輻射與衰減，對紅外探測器也會產(chǎn)生一定的影響；天空、云層、太陽的紅外輻射通過海面的反射也能在探測器中反映出。上述諸因素聯(lián)合作用確定了海面的紅外輻射。

4.3 輻射傳輸

目前國內(nèi)大多數(shù)研究紅外熱像生成的文獻僅局限在與觀察者零距離時的靜態(tài)熱像生成，對戰(zhàn)場環(huán)境中紅外系統(tǒng)探測到的紅外熱像應(yīng)考慮大氣傳輸和傳感器的影響。紅外輻射經(jīng)大氣產(chǎn)生衰減，而大氣本身也會產(chǎn)生輻射。目前，公認的大氣透過率計算精度較高的是LOWTRAN模型。

生成最終的紅外系統(tǒng)探測到的紅外熱像須對傳感器進行模擬。按功能分，紅外輻射經(jīng)光學(xué)系統(tǒng)聚焦后進入探測器，探測器將輻射通量轉(zhuǎn)換成電信號，輸出的電信號相當(dāng)微弱，經(jīng)放大處理最終將電信號轉(zhuǎn)為顯示器上的灰度。傳感器的模擬同時提供了一種仿真圖像的灰度線性量化準則，即確定最高和最小灰度分別對應(yīng)的輻射，否則無法進行量化。因此，為真正生成紅外系統(tǒng)的熱圖像，須要對傳感器進行模擬，才能與紅外系統(tǒng)的圖像處理算法構(gòu)成閉合仿真系統(tǒng)。經(jīng)上述模擬產(chǎn)生的紅外熱像，可與圖像處理單元構(gòu)成閉合仿真回路，以考查算法的優(yōu)劣，評估紅外成像系統(tǒng)探測跟蹤目標的能力。

與外場試驗相比，計算機模擬生成熱像可節(jié)省大量的試驗費用，還能產(chǎn)生外場試驗無法獲取的戰(zhàn)場條件，全面測試評估紅外成像系統(tǒng)的性能，有極高的價值。

5 結(jié)束語

本文對紅外凝視成像導(dǎo)引頭目標檢測識別中的共性技術(shù)進行了綜述。紅外成像導(dǎo)引頭目標檢測識別是當(dāng)前智能化信息處理的前沿技術(shù)，是提高成像導(dǎo)引頭性能的關(guān)鍵。由于戰(zhàn)場環(huán)境和目標特性復(fù)雜多變，不可能找到一種可用于所有場景的通用算法，因此要求有一個算法庫以適應(yīng)條件的改變，導(dǎo)引頭能針對性地選用相應(yīng)算法，以獲得最佳效果。

［1］ 許 彬，鄭 鏈，王永學(xué)，等.紅外序列圖像小目標檢測與跟蹤技術(shù)綜述［J］.紅外與激光工程，2004，33（5）：482－487.

［2］ CHE Hong，SUN Long－h(huán)e.A novel method for plane array infrared image to detect point target［C］／／2009Fifth International Conference on Information Assurance and Security.［s.l.］：［s.n.］，2009：3373，234－240.

［3］ SUN Xie－chang，ZHANG Tian－xu，LI Meng.Moving point target detection using temporal variance filter in IR imagery［C］／／Proc SPIE Conference on Signal and Data Processing of Small Targets.［s.l.］：［s.n.］，2007：6786，67861Z－1.

［4］ 余 農(nóng)，吳常泳，湯心溢，等.紅外目標檢測的自適應(yīng)背景感知算法［J］.電子學(xué)報，2005，33（2）：200－204.

［5］ 余 農(nóng)，吳常泳，湯心溢，等.紅外成像自動目標識別技術(shù)研究——計算模型與數(shù)據(jù)流程［J］.現(xiàn)代防御技術(shù)，2003，31（6）：52－59.

［6］ 卓志敏.紅外成像目標檢測與跟蹤技術(shù)研究［D］.哈爾濱：哈爾濱工程大學(xué)，2007.

［7］ 孫少軍，王學(xué)偉.紅外成像仿真中的若干關(guān)鍵技術(shù)研究［J］.光學(xué)與光電技術(shù)，2004，2（3）：18－20.