红外成像探测技术是目前以及未来**作战需要倚仗的重要技术。以卫星红外序列遥感图像为处理对象，采用人工智能相关技术对图像数据进行目标检测。针对序列图像检测到的特定目标进行关联分析，并通过目标灰度提取以及运动变化信息来生成特定目标的轨迹报告。实验结果表明，多目标检测的平均正确率为90%，部分场景可以达到95%，误检率为7%；多目标跟踪的平均正确率为91%，误检率为6%，为及时发现和预警特定目标提供了信息支撑。

在实际场景中随着红外探测距离的缩小, 红外弱小目标的尺寸等会动态增长, 常用的红外弱小目标检测跟踪算法便无法继续稳定检测与跟踪。为解决上述问题, 本文提出了一种自适应红外目标尺寸变化的检测跟踪方法, 借助低阈值信噪比实现弱小目标的初筛, 并通过自适应尺寸分割避免大目标漏检误检, 构建备选目标库, 最后配合使用卡尔曼算法模型预测运动轨迹, 完成小范围波门检测, 实现目标跟踪。与传统 DBT(Detection Before Track)跟踪检测算法相比, 本文算法可同时兼顾弱小目标和大尺寸目标的检测跟踪, 在所选目标尺寸动态增长的场景中, 本文算法的检测跟踪率提升了约 10%。

对空天暗弱目标的高灵敏度连续探测是目前天基红外探测领域的重点研究方向。高速飞行器等目标由于机动性强、飞行速度快、飞行高度起伏大，其在系统入瞳处的辐射强度变化范围大；同时，飞行过程中地球背景复杂多变，系统对其连续探测的鲁棒性大幅降低。针对以上问题，综合分析了目标运动特性、背景辐射特征及其变化特点，提出了一种基于实时图像信息的积分时间、积分电容自适应寻优的探测跟踪方法。首先，根据目标典型运动速度和背景辐亮度特征，优化设计系统的积分电容和初始积分时间，对目标进行监视搜索。探测到目标后，收集目标的实际运动特征及邻域的背景辐射强度特征，根据目标运动轨迹的连续性和背景辐射变化的缓变性，自适应调整目标跟踪过程的最佳积分时间和积分电容，使目标信噪比持续保持最优，实现对目标的高灵敏度跟踪。

弱小多目标的检测与跟踪是雷达探测面临的一个重要技术难点。面向复杂背景下的弱小目标探测, 提出了一种新的思路, 从3个方面对探测性能进行优化: 首先, 通过对概率数据关联算法进行改进来实现复杂背景下目标跟踪;其次, 通过自适应处理来实现斜视阵条件下非均匀杂波的抑制;最后, 通过分析目标隐藏信息来扩大目标跟踪范围, 完善目标形态。实验验证了此算法能很好地应用于跟踪波门重合性质的目标, 既能使跟踪的精确性得到保障, 又能大幅度提升关联速度, 能够很好地用于复杂背景下的弱小目标探测。

针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强, 以及在大视场条件下, 首帧图像中小目标误检率高的问题, 提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量, 建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量, 再采用改进的局部自适应阈值分割算法分割后续帧图像, 然后利用静态与动态决策准则筛选出分割后的真实目标, 最后计算并更新动态决策准则.红外靶标测试结果表明：该方法对不同场景具有较好的适应性, 四个场景平均跟踪准确率为95.81%, 微机平台平均每帧处理时间为10.93 ms, 嵌入式平台为26.79 ms.

为了能在复杂环境下快速、准确地对多个目标进行检测及追踪，本文结合四帧间差分算法与光流算法，提出了一种更高效的运动目标检测算法。本算法为了提升光流法的处理速度并降低光照等环境所带来的影响，首先对视频序列进行四帧间差分处理，然后将得到的差分视频序列进行光流处理，以实现对视频中目标的准确检测。最后将该算法与粒子滤波、ViBe 等算法进行比较，并在不同场景下对不同运动目标、不同个数目标进行捕获处理，结果表明，本方法不仅具有较好的鲁棒性，而且能够更快速、准确的对目标进行检测与追踪。

针对光电装备的小目标检测与跟踪问题,总结分析了多类小目标检测与跟踪算法的原理和特点。从小目标的国际标准定义出发,小目标检测与跟踪算法主要分为两大类：空间滤波和时间滤波的方法。基于空间滤波的方法包括最大/中值滤波、门限检测法、二维最小均方滤波器、局部熵法、数学形态学等,基于时间滤波的方法包括多级假设检验、三维匹配滤波方法、高阶相关法、动态规划法等;通过对小目标特点的总结和各种算法的综合分析,从特定场景应用、时-空滤波结合、新理论新方法三个方面提出小目标检测与跟踪技术的发展方向,并总结指出小目标的检测与跟踪问题的本质是特征提取与滤波判决的问题。

研究了复杂背景环境下抗遮挡和抗干扰的目标检测跟踪技术。提出了基于轨迹预测关联的红外/可见光混合决策检测跟踪算法, 开发了基于VPX总线架构的FPGA+DSP硬件模块和关键软件模块。结果表明, 该方法综合利用红外与可见光两种图像的优势信息检测跟踪同一目标, 能够有效地解决目标检测跟踪过程中抗遮挡和抗干扰的问题。

为了实现校园的安全监控，提出了基于云台摄像机的快速移动人群的检测与跟踪算法。介绍了云台摄像机用于校园安全监控的基本构成。为了更好地实现云台摄像头对于移动人群的检测与跟踪，建立了基于现实的精确摄像机模型，提出了摄像机自旋转角度约束的摄像机模型。通过最新的核相关滤波器跟踪算法（KCF）实现对运动着的人群检测与跟踪。运用Matlab仿真实验比较该方法和卡尔曼滤波跟踪算法，选择最优方法和相关滤波器跟踪算法来实现检测与跟踪要求。结果表明：相比较于传统的卡尔曼滤波跟踪算法，KFC算法的跟踪精度优于传统方法，精度多数情况下能达到90%以上，高于卡尔曼滤波跟踪算法的60%，检测与跟踪效果达到要求。

为了从扫描图像序列中检测弱小运动目标并对其状态参数进行估计, 提出一种基于随机有限集理论的目标联合检测跟踪算法.根据推扫型光学传感器的扫描特性, 建立目标在像平面的运动模型和测量模型.将目标状态和量测数据描述为随机有限集合, 将目标的联合检测跟踪问题建模为目标状态集的贝叶斯最优估计问题, 并依据随机有限集理论推导出贝叶斯滤波的预测和更新表达式.从算法实现的角度, 利用高斯混合技术实现算法的递推滤波.仿真结果表明, 该算法适应杂波的能力强, 对漏检的影响更小, 可以有效完成推扫型光学传感器的目标检测跟踪任务.