美国在红外技术领域起步的最早，在如何提升红外目标检测跟踪性能的研究上更是投入了大量的精力和经费，而其他国家也看到了红外技术在战争中为美国所带来的强大战力和优势，更加确定了它的潜力，继而重视了相应的研究工作。由于许多的局限性，我国在红外技术领域起步的就比较的晚，但随着中国逐渐地强大，红外技术越来越得到重视，越来越多的研究人员投身其中，取得了不少成就。接下来就对国内外红外目标检测跟踪的发展作一个综合介绍。25326
1.2.1  红外目标检测技术的发展状况
红外目标检测是是红外成像的关键内容，各国专家学者通过多年以来在这项技术上的研究，得到了许多成果，提出了许多可以适应大多数情况下的目标检测算法，同时对一些经典算法的改进，或是多种算法的结合，都得到了不少成果。目标的检测就是利用目标的信息如形状、轨迹、颜色、灰度变化等，将目标与噪声、背景分割。目标检测可分为两大类：先检测后跟踪（DBT）算法和先跟踪后检测（TBD）算法[8]。 论文网
1)    先检测后跟踪（DBT）算法
该算法大致可以分为两个步骤：首先，根据目标的特性在单帧图像提取所有可能的目标，之后通过分析目标灰度路径或运动轨迹的连续性确认正确的目标确认，DBT的基本算法步骤如图1.1所示。
 
图1.1  DBT的基本算法步骤
先检测后跟踪算法的关键在于在获取单帧图像中目标的信息，所以对图像的预处理效果很大程度上影响目标的检测效果。通常使用的方法是阀值分割，因为其有着计算量小，简单等特点。然而阀值分割需要目标与背景的灰度有较大的差异，否则效果很一般，当目标所在背景十分复杂，阀值分割就得不到较好的效果。根据图像中目标与背景频率不同的特点，许多研究人员提出了背景抑制（Background Suppression）的方法，即许多常用的滤波算法如中值滤波，高斯滤波和双边滤波等等[9]。
由于形态学滤波器在非线性方面有着良好表现，也在红外目标检测和识别中有着很广泛的使用。但只在图像是简单的结构时有良好滤波效果，当图像信噪比低时，有研究人员将神经网络与形态学滤波相结合，在复杂图像的目标检测中得到了比较好的滤波效果[10]。
另外一种常用的算法是小波变换（Wavelet Transform,WT）方法，它属于对数据的时频分析，通过将目标当成高频分量，将其从复杂的图像信息中提取出来，然后通过消除噪声的影响，从而实现目标的检测，经典小波变换也存在着鲁棒性差的缺点，影响了检测的准确性，针对这个缺陷，研究人员提出了反对称双正交小波和小波提升框架，有效地解决了这个缺点。
高阶统计量（Higher Order Statistics）在目标检测得到了许多使用，它包含了许多统计量不具有的信息，因而在各类信号处理问题中有着重要的作用。研究人员通过提取目标在红外图像中的特征，在目标检测的算法中，加入使用了这种统计量。该算法基于积累的高斯过程中的量一直为零，采用自适应滤波器，这种方法的抗干扰能力较好，对硬件实现的要求也较低。但由于需要事先进行较为复杂的预处理，导致了效率的降低。
另外还有分形几何算法，但此算法需要很大的计算量并不实用；对于灰度变化较大的目标还可采用局部熵算法，但这种算法对噪声比较敏感，都不适用于复杂环境中。
在目标检测中，检测率和虚假报警率是决定一个算法好坏的标准。既要达到高的检测率，又要有较低的虚假报警率，但在复杂的背景中，单帧图像中会有许多虚假目标具有比目标更高的信噪比，这就增加了虚假报警的次数。此时则要利用目标与虚假噪声不同的特点，即真实目标的运动连续性，和轨迹上的一致，不同于噪声的毫无规律，以达到确认真实目标的目的。此类算法中较有代表性的是管道滤波器（Pipeline Fliter），它抓住目标运动的连续性这个特点，建立了滤波管道，管道面积为目标中心领域，而长度就是检测的图像帧数。但这种算法容易受到噪声影响。 红外目标检测跟踪技术的国内研究现状综述:http://www.youerw.com/yanjiu/lunwen_19042.html