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。

在背景杂波被抑制后的图像序列中,残留样本为相互独立、服从高斯分布的条件下,首先论述了理想三维时空搜索检测算法,并对其性能进行分析.结果表明,虽然它具有最佳的检测性能,但是由于需要事先知道关于噪声及目标先验知识的缘故,无法进行实际应用.对此,研究了直接利用观测样本来估计噪声及目标的一、二阶矩,从而无须事先知道噪声统计特性的三维时空搜索检测算法及其详细步骤,推导了二元判决统计量所服从的概率分布函数(结果为f分布),对比分析了算法的检测性能,并给出了理想算法和本算法中共存的问题及其相应的改进方案.此种算法在连续多帧做任意运动的流星、人造卫星以及其他运动目标的光学检测与跟踪中应用广泛.