CN111508003B - 一种红外小目标检测跟踪及识别方法 - Google Patents

Abstract

本发明公开了一种红外小目标检测跟踪及识别方法，通过使用Max‑tree和Min‑tree两种不同的建树方法分别检测不同亮度的目标，Max‑tree主要针对灰度值比背景亮的目标，Min‑tree主要针对灰度值比背景暗的目标，并使用面积属性和高度属性两个属性分别提取信息红外小目标最显著的两个特征，即红外小目标的尺寸信息以及小目标与背景之间的对比度信息，最后通过Mean‑shift实现对小目标的跟踪。本发明的优点是：在Max‑tree和Min‑tree中，分别对两种属性使用不连续的剪枝策略，并通过不同的融合策略将同一属性下不同剪枝值得到的结果以及不同属性得到的结果进行融合。

Description

一种红外小目标检测跟踪及识别方法

技术领域

本发明涉及机载光电雷达系统目标检测跟踪与识别技术领域，特别涉及一种基于多属性形态学适合于现代飞机装备机载上对红外传感器采集的空中、地面、海面等多类型目标进行实时且精准的检测跟踪与识别的方法。

背景技术

现代飞机装备机载光电系统，从光谱波段划分来讲，包括紫外、可见光、近红外、短波红外、中/长波红外等。现代飞机装备机载光电系统主要作用是对空目标探测、跟踪，对地目标搜索、跟踪，战场态势感知、导弹来袭告警、辅助导航与起飞着陆等。其主要由以下三部分组成：可见光成像(又称电视)单元、红外热成像单元和激光测距单元。

红外热成像单元用于被动探测目标的热辐射并成像，搜索检测目标的方位(方位角、俯仰角)。红外图像感受和反映的是目标及背景向外辐射能量的差异，或者说它描述的是目标和背景所保持温度的差异，可以全天时、全天候工作。红外辐射有着穿透云、雾的能力，能够克服部分视觉上的阻碍而探测到目标，具有较大的作用距离和较强的抗干扰能力。红外成像不受低空工作时地面和海面的多路径效应影响，低空导引精度很高，可直接攻击目标要害，具有多目标全景观察、追踪及目标识别能力，可整合微处理器实现对目标的热成像智慧型化导引，具有良好的抗目标隐形能力。红外弱小目标的检测、跟踪与识别方法，是红外搜索与跟踪系统、精确制导系统、红外预警系统、大视场目标监视系统、卫星遥感系统等的一项核心技术。

红外波段的固有分辨率以及在传输过程中受大气吸收和散射的作用，使得红外图像缺乏较好的对比度和分辨率，很难反映出目标的纹理信息。红外图像中目标面积小，受限于红外成像设备的物理性能，使得红外小目标图像通常信噪比较低，纹理轮廓的特征信息较少。同时背景中包含大量噪声和杂波，目标容易淹没在背景噪声和杂波中，给检测、跟踪与识别带来了很多困难。目前，针对红外小目标的检测、跟踪与识别已经提出了许多算法，如融合Top-hat算法、遗传算法以及粒子滤波器的算法，但以上算法设计较为简单，在目标跟踪的性能方面效果不佳；根据红外小目标的局部特征所提出的一种基于PDAF和线性预测的小目标跟踪算法，该方法解决了小目标被噪声干扰或被物体遮挡而跟踪失败的问题，但虚警率依然较高；将概率多假设跟踪(PMHT)和交互式多模型(IMM)相结合的算法，用于跟踪红外图像中多个机动和非机动目标；根据证据理论的多传感器小目标信息融合所提出的识别方法，用于对小目标的识别。算法虽多，但基本都不能够完全解决现代飞机装备机载上对红外传感器所采集的目标进行检测、跟踪及识别中的问题，只能针对特定情况，不能得到的广泛的应用。

因此，研究现代飞机装备机载上对红外传感器采集的空中、地面、海面等多类型目标检测、跟踪及识别的算法，能够实时且准确对不同类型的目标进行检测、跟踪及识别，对于提高武器装备的精确打击能力和打击范围具有重要意义，并且这也是各国国防和军事建设及民用、医疗等领域研究的热点之一。

发明内容

本发明针对现有技术的缺陷，提供了一种红外小目标检测跟踪及识别方法，解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种红外小目标检测跟踪及识别方法，包括以下步骤：

S1，选取红外视频中的第一帧，记为I_original，首先对该红外图像中的灰度值进行从小到大的排序，根据排序结果对第一帧图像I_original建立Max-tree，此时，图像中灰度值的最小区域位于根节点的位置，而图像中灰度值最大的区域位于叶子节点的位置。

S2，对已经构建好的Max-tree通过面积属性进行剪枝。对于不断变化的场景来说，灰度值比背景亮的目标的尺寸大小是不断变化的，单一的剪枝值不能够满足不同场景下目标尺寸大小的变化情况，因此在面积属性中使用了多个剪枝值，多个剪枝值设为(x₁，x₂，x₃，……，x_n)，来自适应目标尺寸大小的变化。

S3，将通过面积属性剪枝得到的结果进行图像的重构，重构的图像为去掉目标区域的图像。对不同剪枝值(x₁，x₂，x₃，……，x_n)得到的树进行重构，结果记为I_x1，I_x2，I_x3，……，I_xn。将原图与不同剪枝值重构的图像进行差分I_original-I_x1，I_original-I_x2，I_original-I_x3，……，I_original-I_xn。差分图像即为灰度值比背景亮的目标被显著提亮，且背景中的大部分噪声都被抑制的对比图。将不同剪枝值得到的差分图像记为I_{x1_diff}，I_{x2_diff}，I_{x3_diff}，......，I_{xn_diff}。

S4，当用面积属性进行特征提取时，不同剪枝值得到的结果是有差别的。因此，在将这些不同的差分图像进行融合时，选用将对应像素点相加并求平均值的融合方式

该融合方式能够将不同剪枝值得到的结果取均值，自适应不同目标的尺寸大小不断变化的场景。将该融合结果记为I_{area_maxtree}。

S5，对已经构建好的Max-tree通过高度属性进行剪枝。使用多个剪枝值来自适应不同场景中不同对比度的变化情况，剪枝值设为(y₁，y₂，y₃，……，y_n)。

S6，将通过高度属性剪枝得到的结果进行图像的重构，重构的图像同样为去掉目标区域的图像。将不同剪枝值(y₁，y₂，y₃，……，y_n)进行重构得到的结果记为I_y1，I_y2，I_y3，……，I_yn。将原图与通过不同剪枝值进行重构的图像与进行差分I_original-I_y1，I_original-I_y2，I_original-I_y3，……，I_original-I_yn，与使用面积属性得到的结果类似，同样可以得到目标被显著提高，且背景中的大部分噪声都被抑制的对比图。将不同剪枝值得到的差分图像记为I_{y1_diff}，I_{y2_diff}，I_{y3_diff}，......，I_{yn_diff}。

S7，当用高度属性进行特征提取时，不同剪枝值得到的结果依然有差别，因此，与面积属性一样，依然采用将对应像素点相加并求平均值的融合方式

来自适应在不同目标与背景之间的对比度不断变化的场景。将该融合结果记为I_{height_maxtree}。

S8，对不同属性得到的结果图进行融合。通过对应像素点相乘的方法对不同剪枝值得到的面积属性融合结果I_{area_maxtree}和高度属性融合结果I_{height_maxtree}进行融合，该结果记为I_{result_maxtree}，该结果是对灰度值高于背景的目标的检测结果。

S9，使用红外视频中的第一帧图像，对该图像的灰度值进行从大到小排序，根据排序结果对第一帧图像建立Min-tree，此时图像中灰度值最大区域位于根节点位置，而图像中灰度值的最小区域位于叶子节点位置。

S10，对已经构建好的Min-tree通过面积属性进行剪枝。使用多个剪枝值自适应不同场景下灰度值比背景暗的目标尺寸大小的变化情况。将通过不同剪枝值得到的结果进行图像的重构，不同剪枝值设为(m₁，m₂，m₃，……，m_n)，并将原图与重构图像进行差分，得到灰度值比背景暗的目标被显著提亮，且背景中的大部分噪声都被抑制的对比图。将不同剪枝值得到的差分图像记为I_{m1_diff}，I_{m2_diff}，I_{m3_diff}，......，I_{mn_diff}。

S11，选用对应像素点相加并求平均值的方式对不同剪枝值得到的结果进行融合，自适应不同灰度值比背景暗的目标的尺寸大小不断变化的场景,将不同剪枝值下面积属性的融合结果记为I_{area_mintree}。

S12，对已经构建好的Min-tree通过高度属性进行剪枝。使用多个剪枝值自适应不同场景下目标与背景之间对比度不断变化的情况，多个剪枝值设为(q₁，q₂，q₃，……，q_n)。将通过不同剪枝值(q₁，q₂，q₃，……，q_n)得到的结果进行图像的重构，并将重构图像与原图进行差分，使用对应像素点相加并求平均值的融合方式对在不同剪枝值下重构的图像进行融合，将不同剪枝值下高度属性的融合结果记为I_{height_mintree}。

S13，参考S8，采用对应像素点相乘的方法对I_{area_mintree}和I_{height_mintree}这两种结果进行融合，该融合结果记为I_{result_mintree}，该结果是对灰度值比背景暗的目标的检测结果。

S14，灰度值高于背景的目标的检测结果I_{result_mintree}和灰度值低于背景的目标的检测结果I_{result_mintree}进行融合即可实现对不同亮度的目标进行同时检测。

S15，通过mean-shift算法实现对下一帧红外小目标的跟踪。

进一步地，S14使用对应像素点相加并求平均值的融合方式

与现有技术相比，本发明的优点在于：

本发明对红外图像分别构建Max-tree和Min-tree，并通过不同剪枝值的面积属性和高度属性进行剪枝，能够实现对灰度值亮于背景的目标和灰度值暗于背景的目标进行同时检测。除此以外，在面积属性中使用不同剪枝值自适应不同场景下小目标尺寸大小不断变化的情况，在高度属性中使用不同剪枝值自适应不同场景下目标与背景之间对比度不断变化的情况。通过不同的融合策略，对同一属性中不连续的剪枝值进行融合以及对不同属性得到的结果进行融合，能够实现该发明的鲁棒性，使得该发明能够实现对不同类型、不同尺寸、不同亮度的目标进行检测，与此同时，能够显著提高信噪比，抑制背景杂波。

附图说明

图1是本发明红外小目标检测跟踪及识别方法的流程图；

图2是本发明实施例红外视频第一帧检测示意图；

图3是本发明实施例对图像进行差分示意图；

图4是本发明实施例对不同属性进行剪枝值选择时示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。

如图1所示，一种红外小目标检测跟踪及识别方法，具体包括以下步骤：

S1，选取红外视频中的第一帧，记为I_original，首先对该红外图像中的灰度值进行从小到大的排序，根据排序结果对第一帧图像I_original建立Max-tree，此时，图像中灰度值的最小区域位于根节点的位置，而图像中灰度值最大的区域位于叶子节点的位置。

S2，对已经构建好的Max-tree通过面积属性进行剪枝。对于不断变化的场景来说，灰度值比背景亮的目标的尺寸大小是不断变化的，单一的剪枝值不能够满足不同场景下目标尺寸大小的变化情况，因此在面积属性中使用了多个剪枝值，多个剪枝值设为(x₁，x₂，x₃，……，x_n)，来自适应目标尺寸大小的变化。

S3，将通过面积属性剪枝得到的结果进行图像的重构，重构的图像为去掉目标区域的图像。对不同剪枝值(x₁，x₂，x₃，……，x_n)得到的树进行重构，结果记为I_x1，I_x2，I_x3，……，I_xn。将原图与不同剪枝值重构的图像进行差分I_original-I_x1，I_original-I_x2，I_original-I_x3，……，I_original-I_xn。差分图像即为灰度值比背景亮的目标被显著提亮，且背景中的大部分噪声都被抑制的对比图。将不同剪枝值得到的差分图像记为I_{x1_diff}，I_{x1_diff}，I_{x3_diff}，......，I_{xn_diff}。

S4，当用面积属性进行特征提取时，不同剪枝值得到的结果是有差别的。因此，在将这些不同的差分图像进行融合时，选用将对应像素点相加并求平均值的融合方式

该融合方法能够将不同剪枝值得到的结果取均值，自适应不同目标的尺寸大小不断变化的场景。将该融合结果记为I_{area_maxtree}。

S5，对已经构建好的Max-tree通过高度属性进行剪枝。对于不断变化的场景来说，小目标与背景之间的对比度也是不断变化的，尤其是对于不同的数据集，从一个场景变化到另一个场景，目标与背景之间的对比度变化较大。单一剪枝值也无法满足不同的场景变化，因此在高度属性中，依然使用多个剪枝值(y₁，y₂，y₃，……，y_n)来自适应不同场景中不同对比度的变化情况。

S6，将通过高度属性剪枝得到的结果进行图像的重构，重构的图像同样为去掉目标区域的图像。将不同剪枝值(y₁，y₂，y₃，……，y_n)进行重构得到的结果记为I_y1，I_y2，I_y3，……，I_yn。将原图与通过不同剪枝值进行重构的图像与进行差分I_original-I_y1，I_original-I_y2，I_original-I_y3，……，I_original-I_yn，与使用面积属性得到的结果类似，同样可以得到目标被显著提高，且背景中的大部分噪声都被抑制的对比图。将不同剪枝值得到的差分图像记为I_{y1_diff}，I_{y2_diff}，I_{y3_diff}，......，I_{yn_diff}。

S7，当用高度属性进行特征提取时，不同剪枝值得到的结果依然有差别，因此，与面积属性一样，依然采用将对应像素点相加并求平均值的融合方式

来自适应在不同目标与背景之间的对比度不断变化的场景。将该融合结果记为I_{height_maxtree}。

S8，对不同属性得到的结果图进行融合。由于在使用不同属性时，已经能够将目标亮度进行有效提亮，因此通过对应像素点相乘的方法对这两种结果(不同剪枝值得到的面积属性融合结果I_{area_maxtree}和高度属性融合结果I_{height_maxtree})进行融合，该结果记为I_{result_maxtree}，该结果是对灰度值高于背景的目标的检测结果。

S9，依然使用红外视频中的第一帧图像，对该图像的灰度值进行从大到小排序，根据排序结果对第一帧图像建立Min-tree。与Max-tree不同，此时图像中灰度值最大区域位于根节点位置，而图像中灰度值的最小区域位于叶子节点位置。

S10，对已经构建好的Min-tree通过面积属性进行剪枝。与Max-tree类似，依然使用多个剪枝值自适应不同场景下灰度值比背景暗的目标尺寸大小的变化情况。将通过不同剪枝值(m₁，m₂，m₃，……，m_n)得到的结果进行图像的重构，并将原图与重构图像进行差分，得到灰度值比背景暗的目标被显著提亮，且背景中的大部分噪声都被抑制的对比图。将不同剪枝值得到的差分图像记为I_{m1_diff}，I_{m2_diff}，I_{m3_diff}，......I_{mm_diff}。

S11，与S4类似，选用对应像素点相加并求平均值的方式对不同剪枝值得到的结果进行融合，自适应不同灰度值比背景暗的目标的尺寸大小不断变化的场景,将不同剪枝值下面积属性的融合结果记为I_{area_mintree}

S12，对已经构建好的Min-tree通过高度属性进行剪枝。参考S5与S6，使用多个剪枝值自适应不同场景下目标与背景之间对比度不断变化的情况。将通过不同剪枝值(q₁，q₂，q₃，……，q_n)得到的结果进行图像的重构，并将重构图像与原图进行差分，依然使用对应像素点相加并求平均值的融合方式对在不同剪枝值下重构的图像进行融合，将不同剪枝值下高度属性的融合结果记为I_{height_mintree}。

S13，参考S8，依然采用对应像素点相乘的方法对I_{area_mintree}和I_{height_mintree}这两种结果进行融合，该融合结果记为I_{result_mintree}，该结果是对灰度值比背景暗的目标的检测结果。

S14，此时，灰度值高于背景的目标的检测结果I_{result_maxtree}和灰度值低于背景的目标的检测结果I_{result_mintree}都已经得到，只需对这两个结果进行融合即可实现对不同亮度的目标进行同时检测。在该发明中使用对应像素点相加并求平均值的融合方式

S15，通过mean-shift算法实现对下一帧红外小目标的跟踪。

对每一帧进行形态学处理如图2所示，分别对第一帧红外图像进行Max-tree和Min-tree处理。在进行处理时，分别使用两种不同的属性(面积属性、高度属性)。面积属性主要提取目标的尺寸信息，高度属性主要提取目标与背景之间的对比度信息，而尺寸信息和对比度信息是红外小目标最显著的两个特征。考虑到在现实的变化场景中，目标的尺寸大小以及目标与背景之间的对比度信息也是不断变化的，如果只使用单一的剪枝值不能够满足变化的场景，因此在本发明中对于不同属性使用多剪枝值的方法。

在进行剪枝值的选取时，分别对面积属性和高度属性进行不同剪枝值的实验。实验结果表明，对于面积属性来说，目标和背景之间的对比度会随着剪枝值的增大而增大，但在某一剪枝值会趋于稳定。对于不同的场景来说，达到稳定的剪枝值是不同的。对于高度属性来说，目标和背景之间的对比度会随着剪枝值的增大而一直增大，并不会在某一剪枝值趋于稳定。但当剪枝值越大时，原图与根据不同剪枝值重构的图像进行差分所得到的结果背景中的杂波也会越大。因此，在该发明中，使用了4个不连续的剪枝值，分别为8，19，28，40。这样既能够避免通过连续剪枝值重构图像所带来的冗余信息，又能够提取不同的尺寸大小或者目标与背景之间不同的对比度信息，自适应现实生活中不断变化的场景，实现对小目标检测的鲁棒性。

图3是对于红外视频中第一帧图像与重构图像进行差分的示意图。首先对原图进行Max-tree/Min-tree的构建，根据不同的属性以及不同的剪枝值实现对所构建的Max-tree/Min-tree的不同修剪，并对修剪的结果进行图像的重构。通过对原图与重构图像进行差分即可得到将目标提高，而背景中只存在少量杂波的对比图。

图4是在不同属性进行剪枝值选择时的示意图，(1)、(2)分别为在面积属性和高度属性中使用不同剪枝值进行实验的结果示意图。由(1)可得，随着剪枝值的增大，目标与背景之间的对比度也会随之增大，但会在某一剪枝值趋于稳定。如果选择某一较小的剪枝值，那么得到的结果不能够正确将目标进行检测；如果选择某一较大的剪枝值，那么目标被检测到的同时，会检测到很多的背景杂波。因此，在该发明中，选择了不连续的剪枝值{8,19,28,40}，这样不仅能够提取不同目标的尺寸大小信息，还能够避免连续剪枝值所带来的冗余信息。在(2)中可以发现，对于高度属性来说，随着剪枝值的增大，目标与背景之间的对比度会随之增大。因此，与面积属性类似，依然选择了不连续的剪枝值{10,20,30,40}，以此来平衡目标与背景之间的关系。

实验结果证明该专利有着高检测率的同时虚警率也比较低，能够检测各种各样不同场景下不同类型、不同大小、不同亮度的目标，且能够有效抑制背景杂波，提高背景与目标之间的对比度。除此以外，信噪比、信噪比增益都有着显著提高。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种红外小目标检测跟踪及识别方法，其特征在于，包括以下步骤：

S1，选取红外视频中的第一帧，记为I_original，首先对红外图像I_original中的灰度值进行从小到大的排序，根据排序结果对第一帧图像I_original建立Max-tree，此时，图像中灰度值的最小区域位于根节点的位置，而图像中灰度值最大的区域位于叶子节点的位置；

S2，对已经构建好的Max-tree通过面积属性进行剪枝；对于不断变化的场景来说，灰度值比背景亮的目标的尺寸大小是不断变化的，单一的剪枝值不能够满足不同场景下目标尺寸大小的变化情况，因此在面积属性中使用了多个剪枝值，多个剪枝值设为(x₁，x₂，x₃，......，x_n)，来自适应目标尺寸大小的变化；

S3，将通过面积属性剪枝得到的结果进行图像的重构，重构的图像为去掉目标区域的图像；将通过不同剪枝值(x₁，x₂，x₃，......，x_n)得到的树进行图像的重构，并将重构的图像记为I_x1，I_x2，I_x3，......，I_xn；将原图与不同剪枝值重构的图像进行差分I_original-I_x1，I_original-I_x2，I_original-I_x3，......，I_original-I_xn；差分图像即为灰度值比背景亮的目标被显著提亮，且背景中的大部分噪声都被抑制的对比图；将不同剪枝值得到的差分图像记为

I_{x1_diff}，I_{x2_diff}，I_{x3_diff}，......，I_{xn_diff}；

S4，当用面积属性进行特征提取时，不同剪枝值得到的结果是有差别的；因此，在将这些不同的差分图像进行融合时，选用将对应像素点相加并求平均值的融合方式

该融合方式能够将不同剪枝值得到的结果取均值，自适应不同目标的尺寸大小不断变化的场景；将该融合结果记为I_{area_maxtree}；

S5，对已经构建好的Max-tree通过高度属性进行剪枝；使用多个剪枝值来自适应不同场景中不同对比度的变化情况，剪枝值设为(y₁，y₂，y₃，......，y_n)；

S6，将通过高度属性剪枝得到的结果进行图像的重构，重构的图像同样为去掉目标区域的图像；将通过不同剪枝值(y₁，y₂，y₃，......，y_n)得到的树进行图像的重构，并将重构的图像记为I_y1，I_y2，I_y3，......，I_yn；将原图与通过不同剪枝值进行重构的图像进行差分I_original-I_y1，I_original-I_y2，I_original-I_y3，......，I_original-I_yn，与使用面积属性得到的结果类似，同样可以得到目标被显著提高，且背景中的大部分噪声都被抑制的对比图；将不同剪枝值得到的差分图像记为I_{y1_diff}，I_{y2_diff}，I_{y3_diff}，......，I_{yn_diff}；

S7，当用高度属性进行特征提取时，不同剪枝值得到的结果依然有差别，因此，与面积属性一样，依然采用将对应像素点相加并求平均值的融合方式

来自适应在不同目标与背景之间的对比度不断变化的场景；将该融合结果记为I_{height_maxtree}；

S8，对不同属性得到的结果图进行融合；通过对应像素点相乘的方法对不同剪枝值得到的面积属性融合结果I_{area_maxtree}和高度属性融合结果I_{height_maxtree}进行融合，该结果记为I_{result_maxtree}，该结果是对灰度值高于背景的目标的检测结果；

S9，使用红外视频中的第一帧图像，对该图像的灰度值进行从大到小排序，根据排序结果对第一帧图像建立Min-tree，此时图像中灰度值最大区域位于根节点位置，而图像中灰度值的最小区域位于叶子节点位置；

S10，对已经构建好的Min-tree通过面积属性进行剪枝；使用多个剪枝值自适应不同场景下灰度值比背景暗的目标尺寸大小的变化情况；将通过不同剪枝值得到的结果进行图像的重构，不同剪枝值设为(m₁，m₂，m₃，......，m_n)，并将原图与重构图像进行差分，得到灰度值比背景暗的目标被显著提亮，且背景中的大部分噪声都被抑制的对比图；将不同剪枝值得到的差分图像记为

I_{m1_diff}，I_{m2_diff}，I_{m3_diff}，......，I_{mn_diff}；

S11，选用对应像素点相加并求平均值的方式对不同剪枝值得到的结果进行融合，自适应不同灰度值比背景暗的目标的尺寸大小不断变化的场景，将不同剪枝值下面积属性的融合结果记为I_{area_mintree}；

S12，对已经构建好的Min-tree通过高度属性进行剪枝；使用多个剪枝值自适应不同场景下目标与背景之间对比度不断变化的情况，多个剪枝值设为(q₁，q₂，q₃，......，q_n)；将通过不同剪枝值(q₁，q₂，q₃，......，q_n)得到的结果进行图像的重构，并将重构图像与原图进行差分，使用对应像素点相加并求平均值的融合方式对在不同剪枝值下重构的图像进行融合，将不同剪枝值下高度属性的融合结果记为I_{height_mintree}；

S13，参考S8，采用对应像素点相乘的方法对I_{area_mintree}和I_{height_mintree}这两种结果进行融合，该融合结果记为I_{result_mintree}，该结果是对灰度值比背景暗的目标的检测结果；

S14，灰度值高于背景的目标的检测结果I_{result_maxtree}和灰度值低于背景的目标的检测结果I_{result_mintree}进行融合即可实现对不同亮度的目标进行同时检测；

S15，通过mean-shift算法实现对下一帧红外小目标的跟踪。

2.根据权利要求1所述的一种红外小目标检测跟踪及识别方法，其特征在于：S14使用对应像素点相加并求平均值的融合方式

Images