随着实时视频监控技术的发展，运动目标的检测在众多领域都有着广泛的应用。针对当下运动目标检测算法易受环境噪声和光照突变的影响，为了提高算法的稳定性和自主检测能力，本文系统研究了背景减除法和帧差法的不足和优势，提出了一种基于统计信息的改进滑动平均算法。首先，依据帧间差分对光照不敏的特性，粗略分离出背景和前景部分，同时去除掉其他随机孤立噪声，然后在滑动平均算法中引入对前景点的统计计数，自适应更新背景建模学习速率，加速背景模型收敛，最后将滑动平均与三帧差分两者形态学处理后的目标团块进行与运算，得到准确的前景区域。实验结果表明，本算法可以在树叶晃动和光照变化中精确定位运动目标，正确前景点率平均提升7.4%，得益于帧差法特性，误检前景点率显著降低，鲁棒性和自适应性更好。

为了提高光电跟踪系统的稳定性和自主跟踪能力, 对多传感器数据融合算法和数据的有效性估计进行研究, 提出一种多传感器自主跟踪算法。首先按照统计学方法, 实时估计各传感器数据的误差协方差。然后按照均方误差最小准则, 对各路数据进行融合。将最小二乘多项式拟合法和记忆衰减因子应用到误差协方差估计中, 提高了融合结果的可信度。最后, 提出一种多传感器跟踪数据切换策略, 自动选择有效传感器数据中置信度最高、跟踪效果最优的一路数据, 从而实现自主稳定跟踪的目的。实验结果表明, 使用改进后的数据融合算法比原始方法的最终传感器选择结果正确率提高37.5%左右。在几种典型的传感器数据异常情况下,该数据融合算法和多路数据切换策略能够完成自主跟踪的目的。

研究了图像匹配算法原理，并分析了不同匹配算法类型。根据灰度特征编码的原理，给出了编码流程以及匹配算法FPGA实现，在试验中进行了FPGA编码并实现了改进的中值滤波算法和灰度特征编码匹配算法。在各种背景环境条件下，利用该算法对可见光视频图像和红外图像的匹配效果进行了试验，实验证明，该匹配跟踪算法容易进行硬件实现，能够达到提高系统实时性的要求。

图像跟踪是图像处理领域研究较多也比较关键的技术之一。随着微电子技术不断发展，在光电经纬仪、机载光电平台等图像跟踪应用领域对视频跟踪器系统的要求越来越高，当前视频图像帧频偏低已对伺服系统传输带宽形成不小制约，而高帧频图像又有视频传输的瓶颈。为了解决这一问题，本文设计了一款基于TMS320C6455+FPGA+SDRAM的图像跟踪系统。本系统通过FPGA控制SDRAM对视频图像进行缓存后输出，达到视频降频输出的要求，以解决高帧频图像数据量大难以实时传输显示的问题，同时通过对相关跟踪算法做进一步优化使其满足100 frame/s视频的实时跟踪要求。实验证明该系统工作有效稳定，能满足工程实际需求。

为解决天空背景下红外弱小目标检测问题，提出了一种基于图像复杂度和方向梯度的检测方法。利用信息熵对图像复杂度进行描述，引入了图像方差和像素局部变化率对信息熵进行加权，使云内部和云边界区域得到抑制。以复杂度为描述对象，建立多级多方向梯度模型，在背景局部复杂度高于目标复杂度的情况下，仍能够有效分割出目标。实验证明，该方法能够在复杂云背景情况下检测出弱小目标。

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性，以及目标模型内的背景像素也会造成定位偏差的问题，提出一种基于MeanShift的改进算法。首先对目标模型进行改进，通过目标与背景的区分度引入权系数，在目标模型中进行加权处理，可达到降低目标模型内背景像素对跟踪定位精度的影响。然后，将跟踪窗进行分块，对各子块使用改进目标模型的Meanshift算法进行跟踪。最后，用匹配度最大的两个子块加权决定目标的最终位置，从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。

分析了基于小波变换进行弱小目标检测的基本思想,利用小波变换的多尺度多分辨率特性，结合小波变换系数的方向特性和扩散滤波扩散方向的可选择性，提出了基于小波域扩散滤波的弱小目标检测算法。采用该算法对不同尺度、不同方向的小波系数分别进行扩散滤波，取得了较好的效果。仿真试验结果表明：该算法能在Gaussian噪声背景和不均匀背景下实现对对比度为2%的微弱目标的检测。

针对红外图像对比度低和边缘模糊的特点，提出了一种结合自适应平台直方图均衡化和拉普拉斯变换的方法。采用双数字信号处理器（DSP）并行处理，其中一片DSP采用自适应平台直方图均衡化的方法获得对比度增强后的图像；另一片DSP则进行拉普拉斯变换获得原始图像的边缘图像；最后由第二片DSP完成两幅图像按系数相乘后的叠加融合。实验结果表明：该算法增强效果和实时性较好，处理频率可达50 Hz，既提高了图像对比度又清晰了图像边缘，是提高图像对比度和边缘清晰度的高效算法。

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确，以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度，若与目标模型匹配度小于一定阈值，则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果；同时，采用“模板缓冲区法”对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明，这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。

针对复杂海天背景下的小目标检测存在海浪、云层干扰等问题，提出了先提取海天线，然后利用一维最大熵阈值分割法对出现在天空、海面或者海天线附近特定区域的目标进行检测的算法。该算法主要利用天空海面行灰度均值特性，结合梯度运算和形态学运算在海天线的潜在位置中检测边缘，进而用强鲁棒性的Hough变换直线检测法拟合海天线，实现对海天线的准确定位。实验处理分辨率为：256pixel×256pixel的位图时，定位海天线需时4.1ms，检测到目标需时5.3ms，完全满足高帧频图像处理的实时性要求。实验结果表明，该算法能够快速、准确地检测出小目标，大大降低了虚警率。