紅外多光譜多個弱小運動目標的檢測與跟蹤技術(shù)研究.pdf

1、隨著目標隱身和誘餌干擾等反導(dǎo)技術(shù)的快速發(fā)展，探測包括誘餌和目標在內(nèi)的多個運動目標變得越來越重要。但是由于目標的信噪比很低，使得現(xiàn)有的紅外寬帶探測技術(shù)無法滿足復(fù)雜背景下目標的檢測與跟蹤。因此本文利用目標的多個光譜信息，針對低信噪比條件下的多個弱小運動目標的檢測和跟蹤進行研究，主要工作如下：
　　本文利用二維經(jīng)驗?zāi)B(tài)分解(BEMD)方法在處理非線性非平穩(wěn)數(shù)據(jù)方面的優(yōu)勢，對紅外多光譜圖像進行融合處理，在此基礎(chǔ)上提出基于二維經(jīng)驗?zāi)B(tài)分解的

2、異常檢測算法，實現(xiàn)紅外弱小目標的檢測。該算法由于利用了紅外多光譜圖像的多尺度信息，可抑制背景雜波和消減高頻噪聲，進而可以提高檢測概率。通過仿真數(shù)據(jù)和獲得的真實圖像對提出的算法進行了測試。實驗結(jié)果表明，相比傳統(tǒng)異常檢測算法，本文提出的算法對檢測弱小目標有更好的性能。同時該算法可為后續(xù)序列圖像中弱小運動目標的檢測與跟蹤提供先驗知識。
　　針對紅外多光譜圖像序列中單個弱小運動目標的檢測和跟蹤問題，建立了單個運動目標的動力學(xué)模型和多光譜圖

3、像序列的量測模型。通過分布式估計融合策略對各傳感器形成的局部航跡進行融合，在此基礎(chǔ)上提出粒子濾波跟蹤新算法。提出了基于序貫式量測融合策略的粒子濾波檢測算法，該方法由于利用了各個波段所有的原始量測數(shù)據(jù)，因此檢測概率高。提出的兩種算法新生粒子建議密度函數(shù)由當前時刻的檢驗統(tǒng)計量生成，可以有效地減小粒子搜索空間，進而提高計算效率。相比傳統(tǒng)單波段檢測和跟蹤算法，本文算法通過融合光譜信息能夠進一步提高低信噪比條件下弱小運動目標的檢測和跟蹤能力。

4、r>　　研究了紅外多光譜圖像序列中多個弱小運動目標的檢測問題。在單目標運動模型和量測模型的基礎(chǔ)上建立多目標運動模型和量測模型。應(yīng)用馬爾科夫鏈對目標的存在變量進行建模，將多目標的聯(lián)合檢測和跟蹤變?yōu)榛旌蠟V波問題。通過混合濾波獲得目標的存在概率和狀態(tài)估計，在貝葉斯濾波框架下提出了多個弱小運動目標的檢測前跟蹤方法，由交互式混合粒子濾波算法推導(dǎo)出目標出現(xiàn)個數(shù)后驗概率的解析解，并最終實現(xiàn)多個弱小運動目標的檢測。仿真實驗驗證了該算法的有效性。

5、　　對紅外多光譜圖像序列中多個弱小運動目標的跟蹤問題展開研究。由于概率假設(shè)密度濾波器(PHD)可將多目標跟蹤問題在單目標狀態(tài)空間中計算，而且不需要數(shù)據(jù)關(guān)聯(lián)，因此其計算復(fù)雜度大大降低。首先研究了隨機有限集理論和PHD濾波器，其次推導(dǎo)了概率假設(shè)密度濾波器的序貫蒙特卡洛實現(xiàn)方法，在此基礎(chǔ)上建立了概率假設(shè)密度濾波器檢測前跟蹤算法。然后應(yīng)用集中式融合策略提出了自適應(yīng)多光譜概率假設(shè)密度濾波器檢測前跟蹤算法，該算法中的檢測概率可通過圖像數(shù)據(jù)自適應(yīng)的計