红外多光谱多个弱小运动目标的检测与跟踪技术研究

摘要

随着目标隐身和诱饵干扰等反导技术的快速发展，探测包括诱饵和目标在内的多个运动目标变得越来越重要。但是由于目标的信噪比很低，使得现有的红外宽带探测技术无法满足复杂背景下目标的检测与跟踪。因此本文利用目标的多个光谱信息，针对低信噪比条件下的多个弱小运动目标的检测和跟踪进行研究，主要工作如下：
　　本文利用二维经验模态分解(BEMD)方法在处理非线性非平稳数据方面的优势，对红外多光谱图像进行融合处理，在此基础上提出基于二维经验模态分解的异常检测算法，实现红外弱小目标的检测。该算法由于利用了红外多光谱图像的多尺度信息，可抑制背景杂波和消减高频噪声，进而可以提高检测概率。通过仿真数据和获得的真实图像对提出的算法进行了测试。实验结果表明，相比传统异常检测算法，本文提出的算法对检测弱小目标有更好的性能。同时该算法可为后续序列图像中弱小运动目标的检测与跟踪提供先验知识。
　　针对红外多光谱图像序列中单个弱小运动目标的检测和跟踪问题，建立了单个运动目标的动力学模型和多光谱图像序列的量测模型。通过分布式估计融合策略对各传感器形成的局部航迹进行融合，在此基础上提出粒子滤波跟踪新算法。提出了基于序贯式量测融合策略的粒子滤波检测算法，该方法由于利用了各个波段所有的原始量测数据，因此检测概率高。提出的两种算法新生粒子建议密度函数由当前时刻的检验统计量生成，可以有效地减小粒子搜索空间，进而提高计算效率。相比传统单波段检测和跟踪算法，本文算法通过融合光谱信息能够进一步提高低信噪比条件下弱小运动目标的检测和跟踪能力。
　　研究了红外多光谱图像序列中多个弱小运动目标的检测问题。在单目标运动模型和量测模型的基础上建立多目标运动模型和量测模型。应用马尔科夫链对目标的存在变量进行建模，将多目标的联合检测和跟踪变为混合滤波问题。通过混合滤波获得目标的存在概率和状态估计，在贝叶斯滤波框架下提出了多个弱小运动目标的检测前跟踪方法，由交互式混合粒子滤波算法推导出目标出现个数后验概率的解析解，并最终实现多个弱小运动目标的检测。仿真实验验证了该算法的有效性。
　　对红外多光谱图像序列中多个弱小运动目标的跟踪问题展开研究。由于概率假设密度滤波器(PHD)可将多目标跟踪问题在单目标状态空间中计算，而且不需要数据关联，因此其计算复杂度大大降低。首先研究了随机有限集理论和PHD滤波器，其次推导了概率假设密度滤波器的序贯蒙特卡洛实现方法，在此基础上建立了概率假设密度滤波器检测前跟踪算法。然后应用集中式融合策略提出了自适应多光谱概率假设密度滤波器检测前跟踪算法，该算法中的检测概率可通过图像数据自适应的计算。仿真实验结果表明本文所提算法对红外多光谱图像序列中的多个弱小运动目标的跟踪具有良好性能。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题背景及研究的目的和意义

1.2 红外弱小目标图像的相关概念

1.3 国内外研究现状及分析

1.4 本文主要研究内容

第2章 基于BEMD的多光谱弱小目标融合检测方法

2.1 引言

2.2 多光谱图像目标融合检测的理论基础

2.3 经典的局部RX算法理论

2.4 经验模态分解理论（EMD）

2.5 基于BEMD的多光谱图像异常检测算法

2.6 弱小目标检测算法的实验验证

2.7 本章小结

第3章 基于粒子滤波的单个弱小运动目标检测前跟踪

3.1 引言

3.2 红外多光谱图像序列中目标的动力学模型

3.3 红外多光谱图像序列的量测模型

3.4 分布式估计融合策略粒子滤波跟踪算法的建立

3.5 序贯式量测融合策略粒子滤波检测算法的建立

3.6 单个目标检测和跟踪算法的有效性与可行性分析

3.7 本章小结

第4章 基于贝叶斯滤波的多个弱小运动目标检测方法

4.1 引言

4.2 多目标动力学模型和图像量测模型

4.3 基于贝叶斯滤波的多目标检测前跟踪

4.4 贝叶斯多目标检测前跟踪算法的粒子滤波实现

4.5 多个目标检测算法的实验验证

4.6 本章小结

第5章 基于自适应PHD的多个弱小运动目标跟踪方法

5.1 引言

5.2 随机有限集理论和PHD滤波器

5.3 基于SMC-PHD的PHD-TBD算法

5.4 自适应多光谱PHD-TBD检测与跟踪算法的建立

5.5 多个目标跟踪算法的有效性和可行性分析

5.6 本章小结

结论

参考文献

攻读博士学位期间发表的论文及其它成果

声明

致谢

个人简历