摘要：提出了一种红外弱小目标识别的新方法。从实际应用出发，考虑复杂的背景和大量的干扰噪声，找到了一种适合红外弱小目标识别的图像相似性度量方法。为提高此方法的稳定性，提出一种有效的自适应模板修正方案，并结合遗传算法提高匹配的速度。给出了算法实现的全过程，用实地拍摄的红外空中弱小目标图像进行了实验验证，得到了令人满意的结果。

     关键词：目标检测 模板匹配 自适应模块 遗传算法

复杂背景中弱小目标的检测一直是监视和告警系统的重要组成问题。要求监视和告警系统具备极快的反应速度，就只有及时地发展目标、跟踪目标、捕获和锁定目标。而监视和告警系统为了增大其有效作用距离，要求在远距离发现目标。因此在绝大部分时间内，目标在视场中是以小目标（点和斑点目标）形态出现的，而且目标的对比度一般都很低，要保证可靠、稳定地检测并距离目标有一定的难度。

    模板匹配是基于图像相似性度量、在现场获取的实时图像中寻找最接近目标模板图像区域的一种识别距离方式。它无需对图像进行分割和特征提取处理，而只在原始图像数据上进行运算，从而保留了图像的全部信息。在目标特征很不明显的红外弱小目标识别中这是一种切实可行的识别距离方法。由于红外弱小目标识别图像本身所具有的目标特特很不明显、背景特征比较强等特点，常用的相似性度量方法如最大近邻点距离法（MCD）、二维最小绝对差累加和算法（MAD）、基于边缘特征的相似度量（ESD）等并不适用。而归一化互相关度量则比较适合红外弱小目标的识别，匹配成功率要明显高于其它相似性度量方法，再结合自适应模板修正，大大提高了算法的稳定性。

1 归一化相关函数

设模板T叠放在搜索图S上平移，模板覆盖下的那块搜索图叫做子图Si,j，i,j为这块子图的左上角像点在S图中的坐标，叫参考点，从图1中可以看出i和j的取值范围为1<i,j<N-M+1。用式（1）表示的测试来衡量T和Si,j的相似程度：

 

展开式（1），则有：

 

 

式（2）右边第三项表示模板的总能量，是一个常数，与（i,j）无关；第一项是模板覆盖下那块子图的能量，它随（i,j）位置而缓慢改变；第二项是子图像与模板的互相关，随（i,j）而改变。T与Si,j匹配时这一项的取值最大，因此可以用下列相关函数作相似性度量：

 

将它应用到图像匹配，即将模板图像在目标图像内滑动，计算每个位置处的图像与模板图像的相关系数值R（i,j），得到整个图像的一个相关曲面，寻找这个相关曲面的峰值即可确定最佳匹配位置。

2 自适应模板修正

在对目标进行跟踪过程中，目标模板维系了整个跟踪的动态过程。在序列图像中，由于目标在不断变化，因此实际图像必然存在着变形、噪声、遮挡等变化。对模板进行合理的更新是跟踪的关键，选择合适的模板更新策略，可以在一定程度上克服这些变化对距离效果的影响。

通过分析和试验仿真，本文首先对模板进行中心加权修正，然后采用基于滤波与预测的模板图像更新策略，即基于跟踪置信度的加权自适应模板更新算法。

2．1 初始模板确定

在跟踪开始时，由于还没有识别到目标的所在区域，因此要确定一个初始模板，待首次识别到目标后再对模板进行完全刷新，以便后续跟踪。实际应用中，自动目标搜索主要针对远距离的单小目标，目标大小约占5×5像素，目标灰度分布接近高斯分布，可以预先生成一个呈高斯分布的目标模板进行相关匹配识别，如式（5）：

 

式（5）中，To(m,n)为初始模板，i和j为像素相对于模板中心的坐标，di,dj分别为目标水平和垂直方向上的尺寸参数，K为模板中心亮度，由当时的天光背景决定。由于用初始高斯模板进行匹配识别容易受到噪声的影响，因此初始搜索时要先进行形态学开运算滤波去噪，形态开滤波的结构元视目标大小而定。

2．2 中心加权修正

对本文的目标模板，感兴趣的区域均位于模板图像的中心，而且图像模板的中心在帧间变化比较