基于红外目标检测的算法在**和民用领域发挥着重要的作用, 然而, 在低信噪比条件下, 对于飞机、船舶等红外斑状目标的检测存在难度大, 误检率、虚警率高等困难。对此, 提出了一种基于机器学习的红外斑状目标的算法, 检测像素面积在3×3到100×100的红外目标。算法部分采用了形态学方法对目标进行预提取, 并使用HOG特征提取与SVM机器学习分类出真实目标。算法分别在大、中、小三个尺度的目标检测上实现了94.01%、92.86%和92.19%的检测精度。此外, 在SoC平台上实现了该算法, 在低资源使用率的基础上, 算法具有很高的实时性。

针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题，提出了一种基于跟踪 -学习-检测（Tracking-Learning-Detection，TLD）框架的红外目标 稳定跟踪方法。该方法在压缩跟踪算法（Compressive Tracking，CT）的基础上替换广义的类 Harr特征为 HOG特征，引入互补随机测量矩阵，优化纹理和灰度特征信息的权重，同时引入卡尔曼滤 波器记录空间上下文位置信息，以解决 CT算法和 TLD算法在目标被遮挡时的跟踪失效和全局检索问题。基于 TLD算法框架和改进 CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题 ，提升了算法的跟踪准确性和长期跟踪稳定性。实验结果表明，本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性。

在红外目标跟踪中，如何鲁棒地跟踪上目标，对提升**装备战斗力意义重大。本文在核相关目标跟踪算法（KCF）的基础上提出了一种有效的多特征协同学习核相关红外目标跟踪算法，该算法通过KCF 模型将HOG（Histogram of Oriented Gradient）特征与Haar-like 特征整合到一个框架中，解决了单一特征不足以表征目标外观变化，同时大大提升了红外目标跟踪的准确性与稳定性。同时，本文也提出了一种自适应学习因子策略，增强了模型的泛化能力。大量定性定量实验结果表明本文所提算法在重叠率准则（OR）和跟踪中心误差（CLE）准则上超过现有大多数算法，同时其跟踪速度也超过大多数算法。

本文针对高速环境下的车型识别问题, 提出基于方向可控滤波器的改进HOG算法。将方向可控滤波器算法与HOG算法相结合, 以实现对车辆图像特征提取。采用主成分分析算法（PCA)约减特征向量维数以减少计算复杂度, 利用支持向量机算法对提取特征进行样本训练, 实现对车辆外型特征的识别。仿真实验结果表明: 采用该算法原始车辆车型的识别正确率均值达到9236%; 另外, 本文方法的识别速度比传统的HOG特征算法提高了345%, 识别实时性得到提升。本文算法比传统HOG算法更优, 能有效提高车型识别的效率。

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域，并对原图相应的位置进行标记和归一化处理，然后利用HOG特征提取标记区域的高维特征向量，用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类，识别目标和干扰。仿真实验表明，该算法具有良好的性能，在复杂海天干扰背景下能够有效地识别红外舰船目标。