红外探测系统具有隐蔽性好、抗干扰能力强等特点，广泛应用于**和民用领域，红外弱小目标的检测是红外探测系统中的重要组成部分，已成为了当前的研究热点。近年来，学者们在基于低秩稀疏分解的红外弱小目标检测算法研究方面取得了丰硕的成果，为此，重点阐述了基于低秩稀疏分解的红外弱小目标检测算法的研究现状和研究进展。从背景分量约束、目标分量约束和联合时域信息约束等3个方面详细地综述了基于低秩稀疏分解的红外弱小目标检测算法。首先把背景分量约束划分为块图像的低秩约束、张量的低秩约束和全变分约束，其次从目标的稀疏性表示和融合局部先验的目标分量加权策略两方面分析了目标分量的约束，然后分析了联合时域信息约束，将典型的基于低秩稀疏分解的检测算法和单帧检测算法进行了性能对比，最后讨论了该领域下一步的研究方向。

在小天体探测、导弹制导和战场侦察等航空航天领域，由于目标信号较弱，占有像素数少，缺少目标形状和纹理信息，使用手工特征提取的传统算法容易出现大量虚警，而拥有强大特征提取能力的深度学习算法无法对微小且缺乏轮廓信息的目标训练。本文采用了滑动窗口取样训练，它源自基于人类视觉特性的传统目标检测算法中嵌套结构的思想，设计了一种使用递归卷积层的全卷积网络，在不增加额外训练参数的情况下，扩展了模型的网络深度，该网络的并行卷积结构的多个分支网络模拟了传统算法的多尺度操作，有利于在复杂环境中增强目标和背景之间的对比度，并且设计使用了多种损失函数的组合，以对抗正负样本严重不平衡的问题。实验结果表明：该方法实现了比传统方法更好的检测效果，为此领域的研究者们提供了一个新的思路和解决途径。

在单帧红外小目标检测中，针对图像背景复杂和目标形态多样等问题提出一种先对图像进行背景抑制，再阈值分割提取候选点，最后经过能量集中度去除残余噪点的算法。在预处理部分，考虑小目标的扩散和像平面的动态分布特征，对形态学进行改进，结合多方向滤波模板，对背景进行抑制。在阈值分割部分，提出多方向梯度阈值分割方法，计算8个方向不同步长的梯度值，统计超过阈值的梯度数量筛选目标点。实验证明，提出的检测方法能够有效解决弱小目标的弥散和多形态特征等问题。

传统的红外弱小目标检测算法一般采用 DSP(digital signal processing)处理器实现，算法复杂且实时性差，本文提出了一种基于 FPGA(field programmable gate array)的自适应阈值的 FAST(features from accelerated segment test)算法对红外弱小目标进行检测，利用 FPGA并行处理的特点，采用流水线设计实现了算法的硬件加速。改进的自适应阈值方法可以根据不同的环境生成合适的阈值，避免了由于 阈值选择不当造成的红外弱小目标的丢失或冗余。最后采用 4组不同的实测红外图像进行实验，结果表明：该算法能实时地检测出红外图像中的弱小目标，并且能够取得较高的检测率和较低的虚警率，满足实时性和有效性 的要求。

针对复杂背景下红外弱小目标检测难题，提出一种基于人类视觉系统对比机制的红外弱小目标检测算法。首先，对红外图像进行预处理，通过中值滤波去除红外图像中的孤立噪声点。然后对处理后的图像进行高斯函数差分滤波处理，抑制图像中大面积高亮区域。最后，通过改进的基于局部对比度方法去除高亮边缘区域，消除高疑似目标，最终实现对复杂背景下红外弱小目标的检测。实验表明：相较于传统的 LCM算法、Top-hat算法、 TDLMS算法和 Infrared Patch-Image Model算法等，该算法在虚警率、正确检测率、检测时间等方面更有优势，具有检测率高、虚警率低、鲁棒性好、运行时间短的特点。

提出一种基于深度学习的弱小目标检测方法,该方法基于语义分割任务,利用全卷积递归网络学习复杂背景下弱小目标的特征,并在网络中使用了残差学习和递归操作,具有加速网络优化、模型参数少、深度递归监督和特征重用等特点。将此方法应用在两个真实的图像序列和红外图像测试集上,与三种最新的弱小目标检测方法进行对比,结果显示,在目标增强和背景抑制方面,此方法取得了最好的可视化效果,并在目标检测率、信噪比增益、信杂比增益和背景抑制因子等评价指标上取得了优秀的测试结果。因此,对于不同场景下的红外图像弱小目标检测问题,此方法具有良好的适用性和鲁棒性。

为了提高海上红外弱小目标检测的检测精度和实时性,提出了一种基于加权场景先验的红外弱小目标检测方法.该方法首先利用目标的稀疏特性以及海面场景的非局部自相关特性,将目标和背景的分离问题转化为恢复低秩和稀疏矩阵的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)问题.之后,将海面背景的先验特征信息通过加权核范数的方式加入模型,加快算法中目标和背景图像块矩阵的分解速度.最后,通过引入交替方向乘子法(ADMM)算法进一步加速求解的迭代速度.实验结果表明: 该算法能有效地提高目标检测准确率,算法实时性较原算法提高了 120%.

针对红外复杂背景下的弱小目标检测难题, 提出一种基于背景自适应的多特征融合的复杂背景下弱小目标的检测算法。首先, 通过对红外图像进行空域滤波去除孤立噪声点, 并利用恒虚警率分割消除大面积平稳背景, 获得疑似目标集。然后融合红外图像的背景信息、弱小运动目标的灰度特征、目标与周围像素的方向梯度特征等多个典型特征, 消除疑似目标集中的大部分假目标, 最后运用运动特征获取真实目标的轨迹, 最终实现复杂背景下的红外弱小目标的检测。实验表明: 该算法能实现复杂背景下低信噪比的红外弱小目标快速检测, 具有检测概率高, 算法速度快, 鲁棒性好的特点。

为了从全向红外搜索和跟踪系统采集的海量大视场高分辨率红外图像中快速准确地检测出红外弱小目标，本文提出了一种基于由粗到细的分阶段检测策略和时空域特征融合的红外弱小目标检测算法.首先，通过引入基于频域的快速显著性检测算法预先检测出目标可能存在的候选区域; 其次，对候选区域进行角点检测以判定是否存在候选目标; 最后，通过结合帧间时空域特征对候选目标进行进一步判定，以提取真实目标、删除虚假目标.多种实际场景的实验结果表明，该目标检测算法不仅运算量小而且探测概率高、虚警率低，是一种工程实用性能很好的红外弱小目标检测算法.