红外小目标检测和跟踪技术在许多领域受到关注,包括制导系统,预警系统。由于系统应具有预警能力,要尽可能远离目标,使得目标的红外辐射能大大减弱。在红外图像中,远处投射的目标通常占据较少的像素(不超过100个像素),呈点状,无纹理,暗淡且只有灰度信息。此外,自然环境对热源辐射的影响,红外图像很容易被噪声污染,增加了小目标检测和跟踪的难度,这也使其更具有研究价值。目标检测与跟踪算法的性能很大程度上依赖于对目标的表征能力,小目标的可利用信息较少,很难有效的表征其特征。本文致力于研究在复杂天空背景下提高目标在空间和时间上的表征能力,优化算法的性能。主要内容如下:1.通过分析小目标与杂波的区别,建立了数学模型。分析了经典形态学滤波算法用于目标增强和背景抑制的原理,总结其存在的缺点,提出了基于柔性形态学背景抑制和目标增强算法,并提出基于恒虚警率的自适应阈值分割算法。2.小目标最重要的特征是其在图像中呈现高斯光团的形式,人眼对于小目标的识别表现为有相对明亮的中心区域和昏暗的环绕区域。本文提出了一种尺度自适应的局部梯度估计的检测算法,根据红外小目标在图像空间域的局部梯度显著性检测目标,计算尺度显著性选择合适的尺度。在合适的尺度下计算目标本身与背景的差异性,度量局部区域内各个方向的像素变化强度,得到其响应值。然后通过自适应阈值剔除低响应值的虚警目标。3.为了提高跟踪过程中对小目标状态的表征能力,本文提出具有尺度不变性的局部梯度统计的特征提取方法,有效描述红外小目标。首先将窗口分为小目标像素和邻域像素两部分。然后分别提取目标像素的四个小块和邻域像素的八个小块中x方向梯度,y方向梯度和x,y方向梯度乘积的和,生成12×3维特征向量。4.在跟踪过程中提取样本的特征向量,提出基于Adaboost的小目标在线跟踪算法,通过Adaboost算法训练分类器,利用分类器的结果跟踪目标,或剔除虚假目标。为了提高算法的实时性,又提出基于相关滤波的小目标跟踪算法,计算样本特征向量与模板的相似度,选择最大的相似度区域作为目标位置。同时,为使算法在长期跟踪中仍具有较好的性能,研究了重检测机制。在跟踪过程中,通过监视目标响应值的震荡程度,判断目标是否丢失,触发重检测机制。然后使用检测算法重新检测目标,更新目标模板。