1.1研究背景及意义
目前，目标跟踪技术在民用和军用方面都发挥十分重要的作用。可见光跟踪由于容易受到光照、雾气、伪装等条件的影响，造成图像质量低，可能导致目标跟踪准确度下降或目标丢失。相比之下，红外成像技术具有隐蔽性好、探测范围广、定位精度高、识别伪装能力强等优点[1]，采用红外热像仪感应目标的红外辐射获得目标的红外图像可以增加目标跟踪的准确度。
红外目标跟踪被广泛用于军事领域，主要包括精确制导、天空预警和海面监视等方面。红外精确制导技术是当今世界各军事强国争相发展的重要技术，主要通过对红外图像信息处理后得到其坐标信息，控制导引头跟踪锁定目标[2]。随着经济和科技的发展，红外热成像系统成本下降，红外目标跟踪技术也在无人车避障和无人机等多个领域得到广泛应用。
远距离目标由于长距离观测成像，在红外图像中只占有少量像素，呈现“光斑”的形态，体现“小”的特点；且远距离观测导致信息丢失严重，目标形状和纹理特征退化，目标与背景灰度差异小，体现“弱”的特点[3]-[5]。另一方面，由于搭载红外热像仪的设备自身运动，热像仪和目标两者之间存在同时运动的复杂相对关系，使得图像呈现高动态的特点。因此，设计有效且实时性佳的红外弱小目标跟踪算法具有重要的实用性。
1.2国内外研究现状
红外弱小目标跟踪算法的准确性直接决定后续应用的效果，对红外检测与跟踪系统有重要意义。红外弱小目标跟踪算法主要分为“滤波、数据关联”和“建模、定位”两大类[7]。
基于“滤波、数据关联”的目标跟踪算法以构建概率分布模型的形式，求解目标状态的最大后验概率来确定目标位置和状态信息[7]。郭张婷将卡尔曼预测与分类背景预测的检测思想融合，使用卡尔曼滤波器对目标点的位置进行预测，在根据目标特性选择的预测子框内对目标图像进行分类背景预测，获得了适用背景信息不明确、环境状况无法确定的子框局部搜索跟踪算法[8]。卡尔曼滤波算法采用线性高斯过程对弱小目标的运动状态进行建模，但当目标的运动过程属于非线性或非高斯噪声条件时，跟踪的稳定性将会下降。粒子滤波算法是基于蒙特卡罗仿真的递归贝叶斯算法，通过从后验概率密度中采样对状态进行数值求解[10]。张楠等人提出了一种基于空间直方图的粒子滤波目标跟踪算法[11]，采用简单的随机漂移模型表示系统状态模型，通过空间直方图的相似度来建立系统观测概率模型。粒子滤波无须对系统状态做线性高斯假设，处理非线性、非高斯噪声条件下的目标跟踪问题有更好的效果，但没有充分考虑目标空间分布状态的时序结构，当目标发生形态变化时稳定性降低。
基于“建模、定位”的目标跟踪算法首先建立目标信号的模型，然后求解当前帧中候选目标与目标模板间的相似度，根据相似度确定当前帧的目标位置达到目标跟踪的目的。张凯等人提出了基于特征点领域的边缘模板匹配目标跟踪算法[12]，利用边缘检测算法获得边缘点集，使用改进的Hausdorff距离作为相似度度量，解决跟踪点滑动和漂移问题且实时性好。顾静良等人提出一种基于自适应模板匹配的红外弱小目标检测算法[13]，对模板进行中心加权修正，并使用遗传算法加快匹配速度。段亮弟等人提出了一种基于均值漂移的快速模板匹配算法[14],使用均值漂移的方法对目标位置进行预测，以预测位置为中心、以相应大小为覆盖范围进行目标匹配，并通过阈值判定跟踪结果并更新模板，当目标被物体遮挡是仍能有效地跟踪目标且实时性好。除此之外，局部二值模式、角点、主成分分析等特征也可建立模型。另一方面，由于帧差法和背景差分法检测准确率低、对高动态背景下适应性差，高玉鹏等人利用SIFT算法和RANSAC算法对两帧图像进行特征点匹配，把静态背景下的帧间差分法应用于动态背景下的目标跟踪[19]。“建模、定位”类方法的优势在与计算量低、不需要穷尽搜索，且实现较为简单，实时性好。同时，由于目标更新方式和相似性度量方式比较简单，如何在强干扰条件下准确跟踪目标成为需要解决的问题。
由于两类方法各自的特点，常常将两种方法融合来优化算法。房广江等提出了一种基于模板匹配和Kalman滤波器的目标跟踪算法[15]，使用卡尔曼滤波对下一帧目标位置进行预测以减少模板匹配开销。李永军提出改进卡尔曼滤波和均值漂移的运动目标跟踪算法[16]，改进卡尔曼滤波和均值漂移的运动目标跟踪算法，跟踪精度高。
随着计算机技术的发展，红外目标跟踪算法也开始使用深度学习的方法，钮赛赛等人提出了基于YOLO智能网络的红外弱小多目标检测技术[17]，通过高维特征学习表征和推理实现红外弱小多目标检测，实验结果表明检测率可达92.2%，平均检测精度为0.844。苏呈浩提出了基于深度学习和中心偏置空间正则化的红外弱小怒表跟踪方法[18]，通过搭建卷积神经网络，用训练过后的卷积神经网络提取红外弱小目标特征，得到卷积特征，从而使用卷积特征训练相关滤波器，再对空间正则化相关滤波进行改进，给出了中心偏置空间正则化相关滤波，实现良好的跟踪性能。基于深度学习的目标跟踪虽然表现出较好的结果，但由于深度学习需要大量样本，对于缺样本条件下的应用有待发展。
