弱小目标检测是红外探测与跟踪任务中的经典难题。针对复杂背景下红外弱小目标普遍存在检 测率低、虚警率髙的问题, 提出一种基于区域双邻域显著图(Regional Bi-Neighborhood Saliency Map, RBNSM)的复杂背景红外弱小目标检测新方法。利用弱小目标的局部先验特性定义滑动窗口并划分 为多个单元, 计算中心单元前若干个最大灰度的均值来凸显弱目标; 分别构建中心单元的相接邻域和 相隔邻域并计算各自的灰度均值, 进而, 从不同方向上提取两邻域显著图并点乘二者以进一步抑制杂 波背景、增强弱小目标; 最后, 通过自适应提取准确检测目标。多种典型红外复杂背景图像和SIRST 数据集检测结果表明: 与7种代表性方法相比, RBNSM在复杂背景下具有更好的检测性能与杂波抑 制能力。

为了在研究红外弱小点状目标的特征基础上有效解决训练数据不足的问题, 采用了基于改进的元学习红外点状目标跟踪算法。首先将元学习通过预训练跟踪模型运用到卷积神经网络中, 采用离线训练的方式在静态红外图像数据集上训练得到目标的通用表示, 再通过在线训练的方式利用初始帧的目标位置学习得到目标的特定表示; 通过卡尔曼滤波算法预测目标运动模型, 得到最优的搜索区域。此外, 为了解决遮挡造成的目标丢失问题, 研究了重检测机制, 并进行了理论分析和实验验证, 取得了较好的跟踪结果, 跟踪精度达到了90%。结果表明, 该方法在同一数据集下相对其它跟踪算法实现了更精确地跟踪红外弱小点状目标的效果。该研究为机器学习算法在红外弱小点状目标跟踪中的应用提供了参考。

由于传统的背景抑制方法没有充分利用信号的方向信息, 使其不能有效区分背景边缘和红外弱小目标, 从而造成背景抑制结果中有较多的背景泄露.针对上述问题, 本文利用改进的剪切波变换和引导滤波, 提出了一种新的背景抑制方法.首先,采用改进的剪切波变换对红外弱小目标图像进行多尺度和多方向分解, 将图像分解得到不同的高频子带系数和低频子带系数;其次, 利用目标信号与边缘在方向上的差异, 采用自适应引导滤波对高频子带系数进行处理;再次, 对分解后的低频子带系数和处理后的高频子带系数进行改进的剪切波逆变换, 得到预测的背景图像;最后, 将原图像与背景预测图像相减获得背景抑制且目标增强的红外图像.为了验证本文方法的有效性, 采用多组实验对其进行验证, 并与经典的Max-Median、TDLMS和Top-hat等方法作比较.多组实验结果均表明本文方法在主观视觉和客观评价指标方面均优于其它三种经典方法, 可有效提高红外搜索跟踪系统对红外弱小目标的探测概率.

为有效地识别红外图像中的弱小目标，在分析传统识别方法的基础上，提出了一种利用十字窗口识别红外弱小目标的新方法.该方法在待识别点上、下、左、右四个方向以目标大小选取四个参考点构造十字形识别窗口，根据待识别点与参考点之间的灰度梯度识别该像素点是否为目标像素.该方法无需预测背景，可以在低信噪比、强度变化剧烈的图像中获得较高的识别率与较低的虚警率.实验结果表明了该算法的有效性.

为检测弱小红外运动目标,提出了一种基于高阶累积量投影的检测算法。红外图像序列经背景抑制后,首先计算时域数据的归一化三阶累积量,并将其投影到二维空间,然后在二维空间内对目标轨迹进行统计判决,以实现目标检测。推导出了目标和噪声在二维投影空间中的分布公式。通过与相关算法对比分析,该算法计算量小、检测率随目标信噪比增长较快。利用实际录制的图像序列进行了仿真实验,成功检测到了信噪比不小于2、像面运动速度为2帧/像素的目标,验证了算法的有效性。