热孜亚·艾沙，艾斯卡尔·艾木都拉

(新疆大学 信息科学与工程学院，乌鲁木齐 830046)

引 言

红外点状目标的跟踪是红外搜索和跟踪(infrared search and track,IRST)系统中的关键技术之一[1]，在红外目标跟踪、遥感制图等多个方面占据主要的位置[2]。在红外背景的图像中，目标占据像素小、无具体的形状、缺少纹理呈点状[3-4],在复杂的红外背景下，跟踪阶段常常存有如目标遮蔽、背景杂波、迅速移动等困难，这些因素增加了红外点状目标跟踪的难度。目前所使用的大多数都是常规的一些手工设计的特征提取方法，使得传统方法无法很好地用于红外点状目标跟踪。因此，在复杂背景下准确地跟踪红外点状目标成为一项具有挑战性的研究。

目前机器学习的算法被广泛应用于目标跟踪，通常需求大量的训练数据[5]。过度依赖于训练数据使得跟踪模型存在以下问题：(1)需要耗费大量人力进行数据标注，这给算法的计算带来很多困难；(2)这种依赖大量训练数据的模型在训练数据上可以取得较小的误差，但是在测试中遇到新状态下的视频序列时跟踪性能比较差，无法精确跟踪到目标。机器学习的算法需要足够的训练数据，但红外点状目标自身弱和小的特点，而且在点状目标的跟踪领域，公开的、大规模的点状小目标的视频数据十分有限，由于没有大数据的支撑，因而机器学习的算法不能直接用在红外点状目标的跟踪[6]。因此，如何根据红外弱小点状目标的特点，能够让模型尽量用少量的数据，建立具有代表性的、结合深度学习的红外点状目标跟踪算法是一个很大的难题。……