自动目标识别现在几乎覆盖了我们生活中的各个领域，生产生活中都已经无法离开自动目标识别系统，同样的，在军事技术领域自动目标识别技术也具有极其重要的地位。目标检测和分类是自动检测领域中的核心问题，其准确性直接影响后续处理[2]。尤其是对复杂环境下以及具有噪声干扰的图像检测分类，目前仍是一个亟需解决的难题。本课题的研究目标主要是空地航空时敏制导炸弹对地面目标的检测和识别，60年代以来，二战时服役的坦克逐渐退出历史舞台，随着军事技术的发展，坦克种类和用途越来越多样化，坦克不再仅仅只是作战坦克，按用途一般分为主战坦克和特种坦克，主战坦克主要执行战场上的作战任务；特种坦克一般装备特殊设备，完成特殊作战任务，多数为轻型坦克；所以需要根据不同的作战要求来识别不同的坦克，从而正确完成作战任务，为此首先需要建立坦克的样本库用于识别检测和分类。目前在军事目标检测领域，大多数都是利用目标温度与背景的差异，从而实现目标的检测，由于目前地面军事建筑如桥梁、机场等，大多数无自身热源，这些目标本身灰度值背景相近，背景和目标容易混淆[3]。本课题旨在用基于灰度直方图的边缘特征检测方法进行目标区域检测。图像特征是图像的重要表征特点，目前大多数图像处理算法都需要用到图像的特征向量。本课题从图像特征点入手可以更加准确地对图像进行特征检测和分类，分析仿真结果，统计检测结果准确率，并排除噪声干扰。
   
1.2 国内外研究概况
1.2.1 国外目标检测与识别的研究现状
1.2.2国内目标检测与识别的研究现状
  1.3 本文研究内容
目标检测分类的正确性对航空时敏制导炸弹的性能起到了至关重要的作用，本文主要研究内容包括两部分：(1) 图像HOG特征，提取HOG特征向量；(2) 以及建立SVM分类器，训练样本库，将待检测图像的HOG特征向量送入SVM分类器进行分类。
相关研究步骤如下：
(1) 建立系统检测分类总体结构；
(2) 建立HOG特征检测模型和算法；
(3) 建立SVM分类模型和算法；
(4) 编程实现HOG和SVM算法，利用样本库测试算法的有效性、识别率。绘制
   对样本库目标检测和分类的最终结果；
(5) 试在样本库中的模型加入外干扰(如畸变、光强、噪声、伪装等)，并对存在
   干扰情况下目标检测和识别系统的鲁棒性做出相应的分析；
2  地面目标检测方法
2.1 常用的目标检测算法
     目前地面目标检测方法按算法分类，主要可以分为四类：帧差法、光流法和背景减除法和边缘检测法。
2.1.1 帧差法
主要思想是利用摄像头拍下的画面逐帧分析，然后将画面连续两帧或三帧之间的差异来检测目标运动情况。一般步骤如下：(1) 计算出在图像序列中的第k帧和k-1帧的差从而得到差分图像；(2) 选择一个阈值，将差分图像二值化，在差分图像的像素值超过给定的阈值时，像素被视为前景像素，否则为背景像素。(3) 经过第二步的处理后，还需要消除中空像素要与运动像素相连接。当一个连接的面积超过给定的阈值时，即视为检测到目标。如式（2-1）、（2-2）所示：
    上式中 表示n和n-1帧差的绝对值；通过比较连接区域的大小和阈值，得到最终的目标 。
帧差法的优点体现为算法相对简单，容易编程实现；其缺点也十分明显，该算法的核心思想是直接对相邻帧微分，所以得到的差分图像中一般带有许多噪声，中空和分裂的部分。因此，为了保证检测的精度，通常需要一些后处理，其采用的一些方法比帧差算法更复杂。常用的算法，包括填色算法，来消除空心和连接部分。其他类似大小过滤器，过滤掉连接部分小于一定尺寸的，因为移动中的车辆连接部分不可能不那么小，仅仅留下一定规模的部分或超过一定规模的运动目标。在面积滤波中，阈值的确定十分重要，直接影响着检测精度。近些年来，一些研究表明，采用自适应统计最优二进制算法确定阈值，为了区别运动目标和背景图像，克服通用性差的缺点使用了固定阈值。 航空时敏制导炸弹末端时敏目标的检测(2):http://www.youerw.com/jixie/lunwen_10683.html