基于背景学习的并行粒子滤波红外弱小目标TBD算法研究

红外弱小目标检测跟踪算法是红外搜索跟踪系统的关键核心技术。基于混合状态粒子滤波算法的检测前跟踪框架是当前低信噪比红外弱小目标检测跟踪领域的研究热点。然而，粒子滤波检测前跟踪框架的准确性是以大量随机采样的粒子为前提的，计算量很大，且作为粒子权重的似然比需要精确的背景像素亮度概率分布作为量测模型。本项目以红外视频图像背景学习算法和可并行计算建议分布及重采样算法为着眼点，在以下三个方面开展创新性研究:（1）利用参数化/非参数化学习算法进行背景学习，为粒子滤波检测前跟踪框架提供精确的量测模型；（2）将卡尔曼滤波器非均匀性校正算法和背景更新算法相结合，简化处理流程，增强实时性；（3）将并行化重采样算法和高斯粒子滤波器分别引入到两种粒子滤波检测前跟踪框架中，实现检测跟踪流程的并行化，为实际应用提供理论基础。项目研究内容具有明确的应用目标和迫切的需求背景，研究成果将有利于我国红外搜索跟踪系统的发展。

本项目自2010年1月至2012年12月，共投入130人月，完成了计划书规定的研究内容，实现了预期的研究目标。项目发表文章6篇，其中SCI收录论文1篇，EI收录论文4篇，核心期刊论文1篇；项目共培养博士研究生2名。项目完成的研究内容包括：. （1）研究了粒子滤波检测前跟踪框架解决弱小目标检测跟踪问题的思路，主要是以混合状态粒子滤波的方法来同时解决目标检测和目标状态估计即目标跟踪问题，对粒子滤波检测前跟踪框架的两种主要方法：Salmond-TBD框架和Rutten-TBD框架进行了推导。. （2）根据粒子滤波TBD算法对图像建立目标模型，研究适合红外图像特点的背景像素亮度概率密度分布模型学习方法。建立了基于运动补偿的背景预测算法、非参数化内核密度估计算法和基于卡尔曼滤波的非均匀性背景校正算法。实验结果显示，非参数化内核密度背景估计算法与非均匀性背景校正算法比基于运动补偿的背景预测算法精确度有大幅提高，更加适合低噪声小目标红外图像背景学习。. （3）针对粒子滤波算法固有的重要性函数选择和粒子退化问题，将辅助粒子滤波，无先导粒子滤波和边缘化粒子滤波引入粒子滤波检测前跟踪框架中，通过仿真数据验证有效提高了目标检测跟踪的精度，证明了通过对次优重要性函数的选择和非线性变量边缘化的方式可以改进粒子滤波检测前跟踪算法的执行效果。. （4）将局部选择重采样算法和非比例分布重采样算法引入到粒子滤波检测前跟踪框架中，设计并实现了并行化重采样的算法流程，以解决粒子滤波检测前跟踪框架粒子数过多、计算量大的瓶颈。实验结果表明改进后的局部选择重采样算法能减少粒子滤波器的执行时间，提高粒子滤波检测前跟踪算法的效率。