周正浩，曹 兵

（南京理工大學(xué) 機械工程學(xué)院，江蘇 南京 210094）

0 引言

圖像處理技術(shù)是利用計算機對圖像信息進(jìn)行處理的技術(shù)，其熱門研究課題——目標(biāo)識別已在航天和航空技術(shù)、生物醫(yī)學(xué)工程、通信工程、工業(yè)和工程、軍事和公安、文化與藝術(shù)等方面獲得了廣泛的應(yīng)用。紅外跟蹤技術(shù)通過檢測目標(biāo)的紅外輻射，能自動、實時地實現(xiàn)對目標(biāo)物的定位。將紅外跟蹤技術(shù)應(yīng)用于軍事領(lǐng)域，使武器裝備不僅能探測目標(biāo)，更能識別、追蹤目標(biāo)，大大增強了武器裝備的智能化特性。

當(dāng)前，出于人道主義的考慮，為了減少戰(zhàn)斗人員的傷亡及更為精準(zhǔn)有效地打擊目標(biāo)，世界各軍事強國均把高新技術(shù)裝備作為研究重點進(jìn)行攻關(guān)，大力推進(jìn)其智能化與信息化的發(fā)展。對圖像處理技術(shù)在軍事領(lǐng)域的應(yīng)用情況進(jìn)行梳理總結(jié)，是智能武器相關(guān)技術(shù)繼續(xù)發(fā)展的基礎(chǔ)。本文主要介紹了目標(biāo)識別與跟蹤技術(shù)的發(fā)展現(xiàn)狀與其在軍事領(lǐng)域內(nèi)的具體應(yīng)用場景，并對未來圖像處理技術(shù)的軍事化應(yīng)用做了展望和建議。

1 圖像處理與計算機視覺

1.1 圖像處理技術(shù)簡介

作為當(dāng)代網(wǎng)絡(luò)信息傳遞的主要載體之一，圖像是對實體對象直觀且真實的描述。根據(jù)記錄方式的不同，圖像又可被分為數(shù)字圖像和模擬圖像。數(shù)字圖像由模擬圖像數(shù)字化得到，由大量基本元素——像素組成，信息量巨大，可以用數(shù)字計算機或數(shù)字電路進(jìn)行存儲和處理。隨著時代的進(jìn)步，人工處理圖像信息的效率和準(zhǔn)確度已無法滿足高科技行業(yè)的要求，計算機圖像處理技術(shù)應(yīng)運而生。與人類識別圖像的過程相似，計算機圖像識別能夠自動提取圖像中的相關(guān)重要信息，并與預(yù)設(shè)的處理規(guī)則進(jìn)行比對分析，以便進(jìn)行后續(xù)操作[1]。除此之外，計算機圖像處理技術(shù)還具有處理速度快、準(zhǔn)確度高、靈活性好等人工手段難以媲美的優(yōu)勢[2]，目前在智能交通、生物醫(yī)療、農(nóng)業(yè)生產(chǎn)、工業(yè)制造等領(lǐng)域都有較為廣泛的應(yīng)用。

1.2 目標(biāo)識別技術(shù)

1.2.1 目標(biāo)識別概述

目標(biāo)識別是指將一個特定目標(biāo)從其他目標(biāo)中區(qū)分出來的過程，它既包括了兩個極為相似的目標(biāo)的識別，也包括不同類別的目標(biāo)之間的識別等。在計算機視覺領(lǐng)域，目標(biāo)識別作為其基本目的和研究熱點，已經(jīng)得到越來越成熟的發(fā)展。

目前目標(biāo)識別的算法主要基于兩種思路，一種是不依賴于先驗知識，直接從圖像序列中檢測到運動目標(biāo)并進(jìn)行識別，另一種是基于運動目標(biāo)的建模，在圖像序列中實時找尋相匹配的運動目標(biāo)。此外，計算機圖像識別技術(shù)具有信息存儲量大、關(guān)聯(lián)性強、人為因素影響較大等特點[3]。

目標(biāo)識別的主要過程包括以下幾個部分：

（1）獲取信息資料?，F(xiàn)代智能傳感器的廣泛應(yīng)用使得圖像信息的獲取更為便捷高效，清晰完整的信息資料是進(jìn)行有效目標(biāo)識別工作的基礎(chǔ)。

（2）圖像預(yù)處理。為了增強圖像的可讀性，尤其是在復(fù)雜背景下的圖像識別率，需要進(jìn)行圖像預(yù)處理工作，使其重要特征顯露出來。常用的預(yù)處理方法有濾波、灰度變換、二值化、圖像復(fù)原、圖像增強、平滑去噪、輪廓提取等。

（3）提取選擇特征。復(fù)雜背景下，不同時間點獲取的待識別目標(biāo)很可能以不同的亮度、對比度、大小、姿態(tài)呈現(xiàn)。隨著科技與生產(chǎn)力的飛速發(fā)展和個性化需求的激增，如車輛、服裝、武器裝備等識別目標(biāo)的形式朝著多樣化發(fā)展，使得構(gòu)建泛化模型的難度也越來越大。提取特征的方法可分為人工特征提取和自動學(xué)習(xí)特征提取。傳統(tǒng)的人工特征提取手段是在選定的感興趣圖像區(qū)域內(nèi)進(jìn)行手工設(shè)計提取目標(biāo)特征；而近年來快速發(fā)展的自動學(xué)習(xí)特征提取則是通過大量的訓(xùn)練樣本自動學(xué)習(xí)后進(jìn)行特征提取。除此之外，針對具有多重類型特征的目標(biāo)，應(yīng)在進(jìn)行分類器設(shè)計之前根據(jù)目標(biāo)本身的特點對各特征加以選擇。

（4）設(shè)計分類器。建立特征空間訓(xùn)練集后，分類器是解決目標(biāo)識別問題的有效手段。常用的分類器有最小距離分類器、貝葉斯網(wǎng)絡(luò)分類器、神經(jīng)網(wǎng)絡(luò)分類器、支持向量機以及傳統(tǒng)的模板匹配分類法等[4-7]。

1.2.2 目標(biāo)識別常用算法

目前在目標(biāo)識別中應(yīng)用較為廣泛的算法主要有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）算法、深度遷移學(xué)習(xí)算法等。

作為深度學(xué)習(xí)的代表算法之一，CNN 是一種仿照生物視知覺構(gòu)建的、由多種算法層組成的、具有平移不變特性的前饋神經(jīng)網(wǎng)絡(luò)，一般由輸入層、卷積層、池化層、全連接層和輸出層等組成。輸入層可以處理多維數(shù)據(jù)，但數(shù)據(jù)或其他特征輸入前一般需進(jìn)行標(biāo)準(zhǔn)化處理，以提升算法的運行效率和學(xué)習(xí)表現(xiàn)。卷積層由大量卷積單元組成，可以獲取圖像較為完整的特征信息。池化層接收卷積層運算所得圖像特征并進(jìn)行篩選剔除，保留有效正確的信息。全連接層類似于前饋神經(jīng)中的隱含層，主要起各層間的傳遞作用，在某些CNN 中也可由全局均值池化代替其部分功能。輸出層的工作原理和功能與傳統(tǒng)前饋神經(jīng)中相似，在不同的工作要求和環(huán)境下，輸出層輸出不同的結(jié)果。由于其具有稀疏連接性質(zhì)、表征學(xué)習(xí)能力和生物學(xué)相似性等特點，CNN 被廣泛地應(yīng)用于多種領(lǐng)域[8-9]。

CNN 是深度學(xué)習(xí)的重要組成部分，雖然其在圖像處理領(lǐng)域表現(xiàn)優(yōu)異，但訓(xùn)練過程中需要大量數(shù)據(jù)信息及硬件資源，影響了應(yīng)用的實時性和實用性。遷移學(xué)習(xí)是一種運用已有知識求解其他相關(guān)領(lǐng)域問題的新型機器學(xué)習(xí)方法，在目標(biāo)域進(jìn)行模型訓(xùn)練時，可借助從源數(shù)據(jù)和特征中提取的信息，實現(xiàn)在相似或相關(guān)領(lǐng)域內(nèi)的復(fù)用和遷移，使得傳統(tǒng)的零基礎(chǔ)學(xué)習(xí)轉(zhuǎn)變?yōu)榉e累型學(xué)習(xí)，強化了深度學(xué)習(xí)的效果。在深度學(xué)習(xí)基礎(chǔ)上進(jìn)行優(yōu)化的深度遷移學(xué)習(xí)，較好地解決了可用數(shù)據(jù)不足情況下的可應(yīng)用性[10]。

除此之外，圖像識別領(lǐng)域使用較多的算法還有不變矩算法和語義分割算法等。不變矩算法以二階中心和三階中心為理論依據(jù)，通過創(chuàng)建不變矩來實現(xiàn)圖像平移、旋轉(zhuǎn)、縮放過程中數(shù)學(xué)特征保持不變，一般將其與D-S 理論配套使用。圖像的語義分割指的是對圖像進(jìn)行像素級的理解，并對每個像素點進(jìn)行標(biāo)簽標(biāo)注和分類，從而達(dá)到識別圖像內(nèi)每個物體的目的。分割過程中一般需使用閾值法、像素聚類法、圖像邊緣分割法等方法[11-12]。

1.2.3 常用算法優(yōu)劣勢分析

傳統(tǒng)的模板匹配算法根據(jù)目標(biāo)特征進(jìn)行遍歷匹配，算法簡單，識別率高，能解決眾多實際工程應(yīng)用問題；但識別速度較慢，且應(yīng)用于復(fù)雜背景下目標(biāo)識別問題時需要龐大的模板數(shù)據(jù)庫，增加了識別難度。深度學(xué)習(xí)的出現(xiàn)與發(fā)展便較好地解決了傳統(tǒng)識別方法的不足。CNN 作為目前最為常用的深度學(xué)習(xí)知識模型，其最大的特點就是可以自動從大量數(shù)據(jù)中學(xué)習(xí)目標(biāo)特征，省去了傳統(tǒng)算法中繁瑣的特征提取與選擇步驟。雖需經(jīng)過大量訓(xùn)練生成數(shù)據(jù)訓(xùn)練集，訓(xùn)練時間較長，但可以保證目標(biāo)識別的實時性與魯棒性，提高識別的準(zhǔn)確度。此外，CNN 算法的識別系統(tǒng)性能可持續(xù)提升，這也是傳統(tǒng)的模板匹配難以企及的。在此基礎(chǔ)上，將遷移學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)結(jié)合，生成深度神經(jīng)網(wǎng)絡(luò)模型，將極大提升復(fù)雜目標(biāo)的識別準(zhǔn)確率和識別速度，且由于遷移學(xué)習(xí)基于預(yù)訓(xùn)練的源模型，在目標(biāo)域訓(xùn)練集上的學(xué)習(xí)收斂速度提高，網(wǎng)絡(luò)訓(xùn)練時間也隨之減少。因此，結(jié)合了遷移學(xué)習(xí)的算法往往能獲得較好的泛化性能，再加上眾多研究機構(gòu)已發(fā)布了基于超大數(shù)據(jù)集的模型，使得源模型的選擇更為方便，在一些小樣本工程問題中應(yīng)用廣泛。值得注意的是，遷移學(xué)習(xí)只在源模型深度特征為泛化特征時才能起作用，自行開發(fā)源模型較為困難。

1.3 紅外跟蹤技術(shù)

1.3.1 紅外跟蹤技術(shù)概述

作為計算機視覺領(lǐng)域另一大研究熱點——目標(biāo)跟蹤的一種形式，紅外跟蹤技術(shù)是指通過探測目標(biāo)的紅外輻射，獲取其二維空間角坐標(biāo)，形成誤差信號，通過跟蹤回路使光軸實時、自動地瞄準(zhǔn)輻射源或?qū)椛湓催M(jìn)行定位的過程、裝置和技術(shù)。紅外目標(biāo)跟蹤可大致分為點源非成像跟蹤和成像跟蹤兩類，也可按照目標(biāo)截獲過程不同分為人工和自動兩種形式。紅外技術(shù)最先應(yīng)用于軍事方面，隨著社會的發(fā)展，其在建筑、工業(yè)制造、航空航天、醫(yī)療、農(nóng)業(yè)、火災(zāi)探測、氣體檢測、社會安全、交通等領(lǐng)域也得到了廣泛的應(yīng)用，紅外技術(shù)同樣也隨之得到不斷的豐富和提升。圖1 所示為紅外跟蹤示例。

圖1 紅外跟蹤示例圖

1.3.2 紅外跟蹤常用算法

Kalman 濾波算法是一種在線性高斯環(huán)境下，通過觀測系統(tǒng)的輸入與輸出數(shù)據(jù)，對系統(tǒng)進(jìn)行最優(yōu)估計的濾波算法。作為目前應(yīng)用最為廣泛的濾波方法，Kalman 濾波在通信、導(dǎo)航、制導(dǎo)、控制等領(lǐng)域都得到了較好的應(yīng)用，在目標(biāo)跟蹤和狀態(tài)估計方面也占據(jù)著重要地位。具體來說，Kalman 濾波根據(jù)一較為準(zhǔn)確的初始值不斷進(jìn)行修正估計，從而使得修正值逐步接近真實值，其中數(shù)據(jù)質(zhì)量直接影響到濾波效果。而跟蹤目標(biāo)時容易受到噪聲、雜波、復(fù)雜背景以及其他不利因素的影響，難以得到準(zhǔn)確的觀測值，從而削弱濾波效果。故在針對弱小目標(biāo)或復(fù)雜背景下，直接利用Kalman 濾波器進(jìn)行精確的紅外目標(biāo)跟蹤變得難以實現(xiàn)。然而，若使用Kalman 濾波器對弱小目標(biāo)位置進(jìn)行初步定位及預(yù)估，再借助其他手段對預(yù)估區(qū)域內(nèi)的運動目標(biāo)再次匹配，則有望提高跟蹤目標(biāo)定位的準(zhǔn)確性。

Mean-Shift 算法是一種密度函數(shù)梯度估計的非參數(shù)聚類算法，通過迭代逼近，在樣本密度高的區(qū)域找到概率分布的極值，以此來確定目標(biāo)位置。其具體算法思想是假設(shè)不同簇類的數(shù)據(jù)集概率密度分布也不相同，找到任一樣本點密度增大的最快方向，樣本密度高的區(qū)域?qū)?yīng)于該分布的最大值，這些樣本點最終會在局部密度最大值處收斂，而收斂到相同局部最大值的點被歸為同一簇類。由于其具有可以處理各種形狀的簇類、參數(shù)設(shè)置簡單、算法結(jié)果穩(wěn)定等優(yōu)點，該算法在目標(biāo)跟蹤問題中也得到了廣泛的應(yīng)用[13]。

1.3.3 兩種算法對比分析

Kalman 濾波是一種優(yōu)秀的線性系統(tǒng)狀態(tài)估計和預(yù)測算法，在解決目標(biāo)快速運動或受到干擾、遮擋等情景時能發(fā)揮較好的功能；但應(yīng)用于非線性系統(tǒng)時，處理速度會顯著降低，且針對于運動目標(biāo)狀態(tài)發(fā)生變化的情況，如轉(zhuǎn)彎、加減速等，往往無法取得令人滿意的效果。相比較而言，由于Mean-Shift 算法依據(jù)相似性最大化原理，在目標(biāo)物發(fā)生嚴(yán)重遮擋或速度過快時容易丟失目標(biāo)，但對于運動物體尺寸和形狀的變化有優(yōu)良的適應(yīng)性。若將兩種算法結(jié)合使用，即無遮擋時采用Mean-Shift 算法，遮擋時引進(jìn)Kalman 濾波器，則可有效地弱化單一算法產(chǎn)生的弊端。

2 圖像處理技術(shù)的軍事化應(yīng)用

2.1 軍事目標(biāo)識別研究現(xiàn)狀

基于機器視覺的傳統(tǒng)匹配方法和基于CNN的深度學(xué)習(xí)方法等是目前國際上常用的兩類目標(biāo)識別方法。隨著云計算與大數(shù)據(jù)等概念的出現(xiàn)與發(fā)展，基于CNN的深度學(xué)習(xí)方法逐漸成為目標(biāo)識別技術(shù)中的主流。對于環(huán)境復(fù)雜的軍事目標(biāo)識別，深度學(xué)習(xí)更是有著傳統(tǒng)計算機視覺方法無法企及的優(yōu)勢。

與我國相比，一些發(fā)達(dá)國家在軍事目標(biāo)識別領(lǐng)域的建樹頗豐，理論更成熟，落地項目更多。比如搭載在美國福特號航母上的宙斯盾系統(tǒng)以及愛國者反導(dǎo)系統(tǒng)，可以實現(xiàn)對敵方導(dǎo)彈的定位追蹤并預(yù)測其飛行軌跡；俄羅斯的米-28 武裝直升機可以實現(xiàn)對空中飛行目標(biāo)的自動識別；一些歐美國家研制的戰(zhàn)術(shù)偵查車，均可以完成在較遠(yuǎn)距離探測范圍內(nèi)實時跟蹤強機動性目標(biāo)物。我國在偵查探測與目標(biāo)識別方面起步較晚，技術(shù)水平相對落后，很多技術(shù)手段還停留在理論構(gòu)想與實驗測試階段，列裝部隊的目標(biāo)識別平臺也少之又少，具有良好識別準(zhǔn)確率與穩(wěn)定性的軍事目標(biāo)識別系統(tǒng)亟需深入研究[14]。

2.2 軍事目標(biāo)識別面臨的挑戰(zhàn)

軍事目標(biāo)可分為海、陸、空三大類，現(xiàn)代戰(zhàn)場復(fù)雜的環(huán)境對海、陸、空目標(biāo)識別技術(shù)都提出了嚴(yán)峻的挑戰(zhàn)。

首先，海陸空三大領(lǐng)域的目標(biāo)識別技術(shù)難點略有不同，主要表現(xiàn)為：

（1）海上軍事目標(biāo)主要指海軍艦船。識別艦船時可能會受到海面波浪、空中云層的影響，同時低灰度值的艦船目標(biāo)將造成目標(biāo)與背景對比度過低，對于目標(biāo)特征提取與精確識別提出了考驗。海戰(zhàn)中復(fù)雜的電磁環(huán)境也是影響艦船目標(biāo)識別的一大因素，因此，今后對于目標(biāo)識別中抗電磁干擾技術(shù)的研究會成為提升海洋目標(biāo)識別的關(guān)鍵問題。

（2）地面軍事目標(biāo)主要包括人員、卡車、坦克、裝甲車、火炮等武器裝備。隨著現(xiàn)代戰(zhàn)爭的發(fā)展，軍事目標(biāo)的偽裝變形已成為常態(tài)，是否能正確且快速地識別真假目標(biāo)是評價目標(biāo)檢測系統(tǒng)有效性的一個重要考量。此外，根據(jù)地面目標(biāo)的特性，針對地面弱小目標(biāo)的識別以及目標(biāo)發(fā)生遮擋時的處理手段也會成為未來的重點研究方向。

（3）空中軍事目標(biāo)主要指軍用飛機、無人機、導(dǎo)彈等。由于空中目標(biāo)通常進(jìn)行快速移動且會出現(xiàn)狀態(tài)快速變化的情形，如轉(zhuǎn)向、翻滾、加減速等，這對軍用目標(biāo)識別技術(shù)的實時性提出了較高的要求。研究高效的圖像預(yù)處理方法，并提高數(shù)據(jù)處理速度，對于確保識別的實時性具有重大意義。

其次，出于保密性考慮，公開的軍事目標(biāo)數(shù)據(jù)資料稀少，難以進(jìn)行大規(guī)模的數(shù)據(jù)訓(xùn)練。為此，革新現(xiàn)有技術(shù)，研究面向小樣本的識別算法，或是利用深度遷移學(xué)習(xí)將成熟的源模型應(yīng)用至軍事領(lǐng)域變得至關(guān)重要。

除此之外，由于軍事偽裝變形技術(shù)的廣泛應(yīng)用與各種反識別、反偵察手段的日漸成熟，戰(zhàn)場信息呈現(xiàn)出一定的模糊性與欺騙性。另有一點值得注意的是，目標(biāo)識別需遵循國際軍事目標(biāo)識別原則，對于不從事敵對活動或具有攻擊豁免權(quán)的對方目標(biāo)應(yīng)準(zhǔn)確判斷，避免陷入國際戰(zhàn)爭倫理問題。利用圖像處理技術(shù)消除軍事目標(biāo)識別中的不確定性，是完善軍用目標(biāo)識別系統(tǒng)，提高其識別準(zhǔn)確度與穩(wěn)定性的關(guān)鍵所在。

最后，軍方研究人員通常根據(jù)軍事目標(biāo)特性及軍事應(yīng)用實例進(jìn)行識別算法的開發(fā)與研究，其算法的普適性不高。為了方便軍事領(lǐng)域其他分支的遷移應(yīng)用，可對初始算法模型進(jìn)行深入挖掘，提高其泛化特性，同時完善現(xiàn)有的目標(biāo)識別評價體系，提升目標(biāo)識別算法的質(zhì)量，以推動目標(biāo)識別技術(shù)在軍用領(lǐng)域的快速發(fā)展。

2.3 軍事目標(biāo)跟蹤研究現(xiàn)狀

在軍事領(lǐng)域中，目標(biāo)跟蹤技術(shù)對于加強國防力量建設(shè)具有重要的意義[15]?；谀繕?biāo)跟蹤的視頻監(jiān)控可以幫助我方更快地掌握戰(zhàn)場環(huán)境并對敵方單位進(jìn)行搜索與跟蹤，了解敵方動態(tài)，以求在戰(zhàn)爭中搶占先機，處于主導(dǎo)地位。除此之外，融合了目標(biāo)跟蹤技術(shù)的機器人視覺導(dǎo)航系統(tǒng)也是一個值得研究的方向?？伸`活移動的云臺將使得目標(biāo)跟蹤的智能化與實時性大大增強。最后，目標(biāo)跟蹤中的智能視頻監(jiān)控手段也能快速偵測到邊防的敵對分子或其他不利情況，為保護(hù)我國軍事機密提供技術(shù)支持。

目前國際上已有大量武器裝備應(yīng)用了目標(biāo)跟蹤技術(shù)，主要包括應(yīng)用于高炮、導(dǎo)彈、坦克等武器裝備的火控系統(tǒng)以及一些紅外搜索系統(tǒng)等。坦克火控系統(tǒng)自誕生至今其功能逐步完善，目前部分裝備了穩(wěn)像式火控系統(tǒng)的三代主戰(zhàn)坦克已具備目標(biāo)跟蹤功能，配合駕駛員人工操作可以顯著提升坦克裝備在行進(jìn)期間跟蹤和打擊運動目標(biāo)物的能力。例如，美國的M1A2SEP 型坦克在加裝雷神公司研制的目標(biāo)跟蹤模塊后，已成為美軍現(xiàn)役最先進(jìn)的數(shù)字化坦克；德國的豹2A6 坦克已部分裝備FLP-10/EMES-18 型火控系統(tǒng)，以便車長和炮長在全天候條件下進(jìn)行目標(biāo)捕捉。

受到計算機技術(shù)水平的限制，國內(nèi)對軍事目標(biāo)跟蹤技術(shù)的研究起步較晚。20 世紀(jì)90 年代以后，隨著國內(nèi)計算機水平的大跨步發(fā)展，國內(nèi)各高校和科研機構(gòu)在目標(biāo)識別與跟蹤等圖像處理技術(shù)上進(jìn)行了大量科研工作并深入挖掘其在軍事領(lǐng)域的應(yīng)用場景。21 世紀(jì)初期，我國在某型主戰(zhàn)坦克上首次實現(xiàn)了視頻圖像目標(biāo)的自動跟蹤，裝備了穩(wěn)像式火控系統(tǒng)后，該型號坦克可以在行進(jìn)間對機動目標(biāo)進(jìn)行攻擊，炮手發(fā)現(xiàn)目標(biāo)并按下跟蹤按鈕后，系統(tǒng)可自動完成目標(biāo)鎖定追蹤至發(fā)射火炮的全過程，已基本達(dá)到國外先進(jìn)的坦克用目標(biāo)跟蹤系統(tǒng)水平[16]。

2.4 軍事目標(biāo)跟蹤面臨的挑戰(zhàn)

軍事目標(biāo)跟蹤以目標(biāo)識別為前提，除了需要應(yīng)對目標(biāo)識別過程中產(chǎn)生的挑戰(zhàn)，還要解決如下幾點難題。

首先，戰(zhàn)場中虛假、偽裝目標(biāo)干擾嚴(yán)重，單特征跟蹤已無法適應(yīng)現(xiàn)代戰(zhàn)爭的復(fù)雜環(huán)境。為保證目標(biāo)跟蹤的魯棒性，可以進(jìn)行多特征信息融合算法的研究。其中，如何完成特征融合準(zhǔn)則的有效設(shè)計以實現(xiàn)最佳融合和利用多傳感器組網(wǎng)技術(shù)獲取目標(biāo)的深度特征是兩個值得研究的方向。

其次，單目標(biāo)跟蹤已無法滿足現(xiàn)代戰(zhàn)爭的需求，能夠兼顧準(zhǔn)確性與實時性的多目標(biāo)跟蹤技術(shù)將成為未來軍事目標(biāo)跟蹤的發(fā)展趨勢。目標(biāo)局部或完全遮擋、目標(biāo)數(shù)目隨機性、強機動性目標(biāo)難跟蹤等問題將成為制約多目標(biāo)跟蹤發(fā)展的幾個重點難題，亟需予以攻關(guān)。

最后，基于多目標(biāo)跟蹤研究的基礎(chǔ)，可將其遷移至民用監(jiān)控安防等領(lǐng)域，屆時如何解決密集目標(biāo)重疊、咬合問題及大數(shù)量目標(biāo)檢測與跟蹤將會成為新的熱點。

3 結(jié)論

圖像處理技術(shù)與軍事武器裝備的融合將成為未來武器裝備發(fā)展的潮流，為此，對現(xiàn)有圖像處理技術(shù)的不足之處進(jìn)行優(yōu)化改良將會成為未來幾十年的重點難題。重點解決海陸空目標(biāo)識別難題，應(yīng)對樣本稀缺、信息不確定、算法普適性不高等挑戰(zhàn)，以及基于多信息融合和多目標(biāo)跟蹤的研究，是軍事目標(biāo)識別與跟蹤技術(shù)發(fā)展的重要助推力。深化圖像處理技術(shù)在軍事領(lǐng)域的應(yīng)用，對于提升我軍作戰(zhàn)能力，提高我國國防科技實力意義重大。