许庆晗 金立左 费树岷

(东南大学自动化学院，南京210096)

小目标的检测与跟踪近年来成为国内外研究热点.单帧图像中的目标检测直接影响后续跟踪算法的准确性和难度.目前，弱小目标检测的方法主要可分为频域滤波方法［1］、形态学滤波［2］和背景建模法［3-4］.频域法针对目标区域的空域和频域特征，采用匹配滤波器［5］进行检测;形态学滤波采用头帽法［2］等分析目标轮廓结构.背景建模法根据背景变化缓慢，而目标附近灰度变化剧烈的特点，在每一像素的邻域对中心像素的灰度进行预测，当像素灰度与预测背景之差大于门限时，判断为目标，这类算法主要有线性预测［4］、Gabor滤波器、双边滤波器(bilateral filter)［6］等方法.此外，基于分形维数［7］和高阶矩特征［8］的方法也取得了一定效果.上述方法处理复杂背景时，难以有效估计背景和调整滤波门限，且由于需要对每像素点邻域进行加权平均运算，计算复杂度高.

本文未沿用滤波或背景估计的思路，而是把检测问题看作“目标-非目标”的分类问题.针对小目标局部图像特点，提出了一种监督特征学习方法.首先在训练样本上通过统计目标与非目标的分布情况，得到一种灰度特征，然后参考文献［9-10］的思想，在特征空间设计一种“多级处理、先粗后细”的级联分类器，用逻辑斯蒂回归(logistic regression)［11］与相关向量机(relevance vector machine，RVM)［12］级联，有效滤除非目标，实现快速检测.

1 小目标特征学习

不同研究领域对小目标有不同定义.根据红外成像的一般概念，对目……