红外小目标检测方法综述.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第8期总第336期收稿日期：2022-09-06；修回日期：2022-09-06作者简介：胡睿杰（2002），男，江西南昌人，本科生，研究方向：数字图像处理，红外目标识别，E-mail：;车逗（2001），男，本科生，研究方向：数字图像处理，红外目标识别，E-mail：。文章编号：1006-2475（2023）08-0079-080引言红外小目标检测是计算机视觉和图像处理领域中的一个重要研究方向，它涉及到从红外图像中精确地识别和定位小尺寸目标的技术。红外小目标通常是指尺寸较小、热辐射弱、与周围环境温度差异不明显的目标，如远距离导弹、无人机、机动车辆等。由于其在战术、安全监控、灾难救援等领域的广泛应用，红外小目标检测技术受到了广泛的关注和研究。与可见光图像不同，红外图像反映的是目标的热辐射信息，比如现代自动驾驶技术的红外成像系统通过热辐射信息在相当长的距离内探测目标。其中面临着一些独特的挑战。首先，红外图像中的小目标通常受到复杂背景、低对比度和噪声等因素的干扰，使得目标难以与背景区分开来。其次，红外图像中的小目标尺寸较小，常常只有几个像素大小，这使得目标的定位和识别更加困难。此外，红外图像中的小目标通常以热点或热斑的形式存在，其形状和纹理信息有限，增加了目标检测的难度。为了解决这些问题，研究者们提出了各种红外小目标检测方法。这些方法包括基于传统图像处理技术的方法，如滤波、阈值处理和形态学运算等，以及基于机器学习和深度学习的方法，如支持向量机、卷积神经网络和循环神经网络等。这些方法在红外小目标检测领域取得了一定的成果，比如红外小目标探测在红外搜索和跟踪系统中的广泛应用，特别是在军事领域，包括红外寻巢制导、预警、防空和反导弹。但仍然存在一些问题，如检测精度不高、实时性较差以及对复杂场景的适应性有限等。本文将重点讨论近年来基于传统的特征提取、局部对比与深度学习的3种红外小目标检测方法，分析其在目标检测性能、鲁棒性和实时性等方面的优势和不足。此外，还将探讨当前研究中存在的一些挑战和未来发展的方向。通过深入了解红外小目标检测领红外小目标检测方法综述胡睿杰，车逗（厦门理工学院光电与通信工程学院，福建 厦门 361024）摘要：本文旨在对基于传统的特征提取、局部对比与现今使用广泛的深度学习的3种红外小目标检测方法进行综述，并通过对比这3种方法的前沿应用，分析其在目标检测性能、鲁棒性和实时性等方面的优势和不足。从中发现，基于特征提取的方法在简单场景下具有较好的实时性和鲁棒性，但在复杂场景下可能受限。基于局部对比方法对目标的尺寸和形状变化相对鲁棒，但对背景干扰较为敏感。基于深度学习的方法在目标检测性能方面表现出色，但需要大量数据和较大的计算资源。因此，在实际应用中，应根据具体场景需求综合考虑这些方法的优缺点，并选择合适的方法进行红外小目标检测。关键词：红外小目标检测；特征提取；局部对比；深度学习中图分类号：TP391文献标志码：ADOI：10.3969/j.issn.1006-2475.2023.08.013Review of Infrared Small Target DetectionHU Rui-jie，CHE Dou（School of Opto-Electronics and Communication Engineering，Xiamen University of Technology，Xiamen 361024，China）Abstract：This article aims to review three infrared small target detection methods based on traditional feature extraction，localcomparison，and widely used deep learning today.Then，by comparing the cutting-edge applications of these three methods，their advantages and disadvantages in target detection performance，robustness，and real-time performance are analyzed.Wefind that feature extraction based methods exhibit good real-time and robustness in simple scenarios，but may have limitationsunder complex conditions.The method based on local comparison is relatively robust to changes in object size and shape，but sensitive to background interference.The method based on deep learning performs well in object detection performance，but requireslarge-scale data and larger computing resources.Therefore，in practical applications，the advantages and disadvantages of thesemethods should be comprehensively considered based on specific scenario requirements，and appropriate methods should be applied to infrared small target detection.Key words：infrared small target detection；feature extraction；local contrast；deep learning计算机与现代化2023年第8期域的最新进展，期望能够为进一步提升红外小目标检测技术的性能并为其应用提供有益的启示。1红外小目标检测的发展与现状红外小目标检测技术已经从传统的手工特征提取算法向机器学习、深度学习等方向发展。随着卷积神经网络（CNN）和循环神经网络（RNN）等算法的发展，基于深度学习的红外小目标检测算法已经取得了较好的效果，在复杂背景下也能检测出较小的目标。红外小目标检测技术在国家安全、军事领域以及民用领域有着广泛的应用，例如在边境监控、防范恐怖袭击、火灾监测、环境监测等方面。以下是红外小目标的时间发展线：1）1940年-1950年，红外小目标技术处于起步阶段。在这个时期，人们开始研究和应用红外技术，但红外小目标检测技术还比较初级。2）1960年-1980年，红外小目标技术属于早期阶段。这个时期，红外技术主要用于军事应用，如导弹追踪和侦察。这些系统大多采用基于冷却红外探测器的设备，可实现高分辨率和高灵敏度。然而，受制于成本高昂和大规模生产困难的限制，这些技术在民用领域中应用相对有限。3）1990年-2000年，红外图像传感器迅速发展。随着红外图像传感器技术的进步，包括非制冷红外探测器（如热电偶和斑点阵列）的发明，使红外小目标检测技术逐渐变得更加普及。这些传感器具有低成本、低功耗和便于集成等优势，使得红外小目标检测技术可以应用于更广泛的领域，包括安防监控、火灾检测和医疗诊断等。4）2000年-至今，随着计算机处理能力的提升和图像处理算法的不断演进，红外小目标检测技术取得了显著的进展。以下是一些常见的算法和方法：基于像素的方法：基于红外图像的像素级处理，包括基于阈值的方法、自适应滤波和形态学操作等。基于局部特征的方法：利用目标的纹理、形状和边缘等局部特征进行检测和分类，例如 Haar 特征1、SIFT2和HOG特征等3。基于机器学习的方法：应用机器学习算法，如支持向量机（SVM）4、随机森林（Random Forest）和深度学习（Deep Learning）5等，从大量的训练样本中学习红外小目标的特征和模式。红外小目标检测技术的性能一直是热点问题之一，需要综合考虑精度、鲁棒性、实时性等方面的指标。一些新的算法结合了多种特征提取方法和机器学习技术，在检测效果和速度上都得到了较好的平衡。2检测算法的分类2.1基于特征提取的算法2.1.1一种面向小型的对象检测多尺度特征融合方法计算机视觉是利用计算机和相关设备模拟生物视觉。近年来，计算机视觉在工业生产、农业、医疗卫生等各个领域引起了广泛的关注。但是，现有的小目标检测方法仍然存在一些局限性，不能充分挖掘潜在信息，如从特征图中获得更准确的位置信息和更强的语义特征。例如，大多数基于上下文信息的目标检测方法只以一种简单的方式连接高级的低级特征。然而，这种粗糙叠加的融合阶段可能会导致噪声信息等冗余信息的增加，从而降低检测性能。在这种情况下，现有的小目标检测方法可能不适用于实际应用中的复杂的小目标检测任务，如用于印刷电路板（PCB）的表面缺陷检测、用于遥感图像的小目标检测和长距离运动目标检测。一般是通过充分利用上下InputBackboneNeckHandAutoAugmentMiup图1增强特征融合方法ASPP-abalem-FPN（ABFPN）EnhancedResNetCascade RCNNAIIFPNC1C2C3C4C5P2P3P4P5FPNbackboneF2F3F4F5C2P1F111 conv11 conv11 conv11 convOutaddOut1Out2Out3Out4OutSkip-ASPP ModuleBalanced Modulefeature map2-upsample11 and 11 convdilation_rate-24B1Resize&AverageB2SpaceNonlocalB3ResidualBlockS1D-ASPP（D=3）S2D-ASPP（D=6）S3D-ASPP（D=12）S4D-ASPP（D=18）S5D-ASPP（D=24）S5D-ASPP（D-24）802023年第8期文信息和增强特征融合来开发一个先进的小目标检测框架。如图 1所示，即空间金字塔池（ASPP）平衡FPN（ABFPN）用于小目标检测。其中ASPP模块来增强特征融合和扩展接受域，具有不同扩张速率的ASPP被设置为跳跃连接方式6。此外，一个由 3个模块，利用调整大小和平均块、空间非局部块和残差块来更有效地学习语义和详细信息。由平衡模块融合的特征可以获得来自不同分辨率的每个特征图的平衡信息，从而避免了非相邻层中的语义信息因横向连接而减弱。需要强调的是，所提出的ABFPN方法是一种具有竞争力的特征融合方法，他可以嵌入到任何现有的目标检测框架中7。表1 不同PCB缺陷检测方法的比较AlgorithmsImpro YOLOv3Impro fasterRCNNFCOSPP-YoloDeformableDETRTDD-NetSniperIPDD frameworkAP/%43.648.648.747.449.249.351.456.4AP50/%94.893.994.895.196.195.297.998.8AP75/%30.442.543.138.442.443.747.257.8APs/%45.928.641.327.544.732.145.747.6APm/%44.449.149.848.349.050.151.456.6APl/%31.741.435.045.349.236.254.157.2AR/%51.955.055.863.258.956.660.563.3实验结果如表 1，显示了 IPDD 框架和其他 7 种最先进的检测方法的比较结果。其中 Impro YOLOv38、FCOS9、DETR10都是小型目标检测任务中性能优异的检测方法，TDD-Net 是一种专门提出的PCB小缺陷检测方法。在评估指标是相同的情况下IPDD框架在所有性能指标上都取得了最好的结果，证明了 IPDD 框架在 PCB 缺陷检测方面的有效性。特别是，IPDD 框架在 AP、AP50、AP75、APs 的所有评价指标上都优于其他方法。与 Impro YOLOv3相比，指示器 APs 在使用 IPDD 框架时，提高了 1.7个百分点，这表明了IPDD框架在检测小缺陷方面的优越性。2.1.2基于局部特征的密度峰值搜索的红外小目标检测基于局部特征密度特征图的红外小目标检测方法。处理流程如下：1）结合局部四元模式（LTrP）和二阶LTrP来生成密度特征图；2）对特征图应用密度峰搜索，从而获得同时包含真实目标和假目标的候选目标；3）生成2个局部特征，熵和三阶矩，对于每个中心作为候选目标，然后融合它们组成一个新的特征来搜索真实目标。工作中使用的密度特征图是基于多阶LTrPs构建的，这保证了寻找候选目标的高鲁棒性。此外还利用图像斑块的熵和三阶矩组成了一个更有效的特征。利用这一新特征，可以在复杂场景中对真实目标的检测具有较高的精度。该方法的框架如图2所示。其中首先采用LTrP生成特征，利用该特征获得每个像素的密度峰值和图像的密度特征图。然后，计算每个密度峰值的局部密度和距离，将像素转换为密度距离空间。同时，候选目标的位置（在图中用蓝色圆圈表示）是根据密度峰得到的。此外，根据候选位置生成图像补丁，并计算2个局部特征，熵和三阶矩为每个补丁。基于这2个特征的融合，应用阈值分割得到真实目标的位置（用图中红色圆圈表示）和初始检测结果。最后，通过基于区域增长的后处理得到了真实的目标。Final ResultFusionSearchingEntropyThird-Order MomentLocal FeatureDistributionExtractingPatchsPositioningCandidate TargetsPositions MapInput IR lmageLTrPTransformingDensity FeatureMapDensity-DistancesResultInitial DetectionResultSeparateTargets图2所提出的方法的框架图3表明，在密度-距离结果中，真实目标比其他候选目标具有更大的密度峰值和距离。此外，从密度特征图中可以看出，源视频帧的详细结构得到了增强，同时减少了随机杂波和噪声的干扰。利用密度特征图，得到了初始检测到的目标，其中真实目标和其他候选目标分别用红圈和蓝圈表示。同时，最终结果对应的三维图如图3所示，表明使用该法可以正确地检测各种场景的结果。图 3 从左到右代表 6 个场景。第 1 行：源图像。第2行：密度-距离的结果。第3行：密度特征贴图。第4行：初始检测结果。第5行：使用三维地图的最终图36个序列和相应的结果胡睿杰，等：红外小目标检测方法综述81计算机与现代化2023年第8期LSTA1RG2条件RG3条件洗牌条件LSTA1LSTA2LSTA2条件条件条件条件条件CD-RGCD-RGCD-RGCD-RGCD-RGLSTA2LSTA1LSTA1条件条件LSTA2Irt+2Irt+1IrtIrt-2Irt-1IrtFt+20Ft+10F0Ft-10Ft-20Ft-2CD-RGFtCD-RGFt-1CD-RGFt+1CD-RGFt+2CD-RGFt+1LSTA1Ft+2LSTA1Ft+1LSTA2Ft+2LSTA2Ft-1LSTA1Ft-2LSTA1Ft-1LSTA2Ft-2LSTA2Ft-1cg图4MoCoPnet的总体框架结果。实验结果表明，该方法具有较好的检测性能和鲁棒性。不过目前只是设计了一种检测单个目标的方法，在未来，将在此基础上研究如何同时检测多个目标11。2.2基于局部对比的算法2.2.1基于局部运动和对比度先验驱动的深度网络红外成像系统是昼夜全天候的，具有较高的穿透性、灵敏度和隐蔽性。红外成像系统广泛应用于安全监控、遥感调查、航空航天防御等军事任务。由于红外成像系统的特殊成像机制和军事应用对红外小目标超分辨率（SR）提出了以下要求：1）超分辨图像的高保真度。应尽可能避免图像噪声和虚假轮廓；2）超分辨率目标的高对比度。应加强超分辨图像中的目标对比度，以促进后续特征提取；3）对复杂的场景和噪声具有较高的鲁棒性。小物体时常被淹没在背景中，这时与背景的局部对比度较低；4）对数据集不足时的高泛化。在缺乏红外图像数据集时，要求SR算法必须在相对较小的数据集上获得稳定的结果。局部运动和对比先验驱动深度网络（MoCoPnet）的拟议模块（即中心差值残差组和局部时空注意力模块）整合了领域知识（即局部对比度）和红外小目标SR方法。将红外小目标的领域知识（即局部对比度先验和局部运动先验）整合到深度网络中，这可以缓解数据驱动方法的内在特征稀缺性。MoCoPnet的总体框架如图4所示。具体来说，一个有5帧LR的图像序列LRt+i（i=-2，2）首 先 被 发 送 到 卷 积 层，生 成 初 始 特 征Ft+i0(i=-2，2)，然后将其发送到中心差异残差组（CD-RG），以实现以中心为导向的梯度感知特征提取。然后，每个邻域特征Ft+iCD-RG(i=-2，-1，1，2)与参考特征F配对并发送到2个局部时空注意（LSTA）模块，以实现运动补偿和增强局部特征。接下来是参考特征FtCD-RG与 2 个补偿邻域帧Ft+kLSTA2，Ft-kLSTA2连接，然后发送到一个残差组（RG）和一个卷积层进行粗融合。接着，将2个融合的特征连接起来并发送到RG和卷积中进行精细融合。融合特征由一个 RG、一个子像素层和一个卷积层处理，以进行 SR 重建。卷积层进行 SR 重建和上采样。最后，为了加快训练的收敛速度，通过添加双三次上采样的 LR 参考帧来获得 SR 参考帧。本文使用 SR 参考帧与地面实况参考帧之间的均方误差（MSE）作为网络的损失函数。实验结果表明，MoCoPnet可以达到最好的SR性能，并有效地提高目标对比度。基于SR的结果，本文又进一步研究了SR对红外小目标检测的影响。实验结果表明，MoCoPnet可以提高检测性能，实现对高信噪比增益（SNRG）、信杂波比增益（SCRG）、对比度增益（CG）评分的提高和改善受试者工作特征曲线曲线（ROC）结果，能够有效地恢复图像细节，增强目标与背景之间的对比度，从而可以提高红外小目标检测的性能。图5LR图像经过处理后的视觉效果图 5 是与其他目前先进的常用方法对比，MoCoPnet可以恢复更精细的细节，取得更好的效果视觉质量，如建筑和窗户的边缘。此外，MoCoPnet可以进一步提高目标的强度和轮廓细节。2.2.2一种利用3层窗口的红外小目标检测局部对比方法局部对比度已被证明对红外（IR）小目标检测是有效的。然而，目前的算法在局部对比度计算之前并没有有意地增强真目标，而且很容易受到噪声的干扰。一种新的检测框架，多尺度3层局部对比度测量方法（TLLCM），提出了一个3层滤波窗口，它由核心层、储备层和周围层组成。采用匹配滤波器的思想，对核心层进行高斯滤波，根据目标形状有目的地增强真目标。然后，在增强的核心和周围的局部背景之间计算窗口中心像素的多尺TLLCM。最后，可以通过一个自适应阈值来提取目标。RCAN TDAN IERN MoCoPnet Anti-UA V Hui SIATD 822023年第8期这种检测框架在计算局部对比度之前，首先对目标进行增强，使目标和背景之间的区别足够明显。在目标增强过程中，嵌套结构的中央层分为核心层和储备层。采用匹配滤波器的思想，并在核心层上应用高斯模板有目的地增强目标。计算增强目标与周围背景之间的对比度信息，通过简单的自适应阈值操作可以提取出真实目标。该算法的流程如图6所示。图6TLLCM算法流程图TLLCM算法步骤如下：1）提出了一个3层滤波窗口，其中核心层的功能是捕获目标的主要能量，储备层的功能是将目标与其邻近层分离，周围层的功能是捕获目标的周围背景；2）对核心层进行高斯滤波操作，有意地增强真目标，并计算周围每个中央的K个最大像素的平均值来抑制背景；3）在核心和周围的局部背景之间计算窗口中心像素的多尺度TLLCM；4）使用一个简单的阈值操作来提取目标。实验结果表明，该算法对不同类型和不同尺寸的红外小目标具有良好的检测性能12。表2TLLCM算法7个序列的细节Seq1Seq2Seq3Seq4Seq5Seq6Seq7Frames20070200200100200100Size320240256200320256320256256256280228256256Target size43to7545to4103533355555to75Target typePlane targetPlane targetPlane targetPlane targetTruck targetShip targetShip target为了说明该算法的有效性，使用了7个包含不同尺寸和不同类型的小目标的真实红外序列进行了实验。表2给出了这7个序列的详细信息。图7显示了使用这些算法的检测结果。第1列是原始图像样本，可以看出目标小而暗，背景复杂。第2列到第4列是单尺度TLLCM的计算结果，这里使用了3个尺度，其中s分别设置为5、7和9。得出，较大的目标在较大的尺度内更突出，反之亦然。第五列是最终的多尺度TLLCM结果（标准化）。可以看出，目标在SM中是最显著的，而其他干扰被很好地抑制。最后一列是阈值操作后的检测结果，成功输出所有真实目标，没有发生误警，证明了该算法在复杂背景下能够有效地处理不同类型和不同大小的目标。2.3基于深度学习的算法2.3.1红外小目标检测的局部贴片网络红外小目标检测是IRST的关键技术之一，决定了IRST系统的性能，由于目标缺乏明显的形状和纹理特征，仍然是一项具有挑战性的任务。在早期，提出了一些基于背景估计的方法13-14，通过从原始红外图像中减去估计的背景来检测小目标。这些方法基于非局部自相关特性的方法15-19通过将任务转化为低秩和稀疏矩阵分离问题，取得了良好的性能。上述方法依靠先验知识来设计小目标检测的滤波器或模型。如果直接这些方法在应用于各种特定的应用时是不可行的，当设计方法的先验知识与特定应用场景的先验知识不匹配时，场景先验知识不容易或快速地嵌入到这些方法中。相比之下，基于训练样本的基于学习的方法更为可行，因为新的先验知识嵌入可以很容易地通过从场景中提取的训练样本来实现。最近，一些深度学习框架被提出20-21，通过在大量数据上训练的模型来检测红外小目标。这些方法完全是由数据而不是专家知识驱动的，从而验证了更好的鲁棒性和泛化性。然而，现有的深度学习方法主要是基于全局视图从红外图像中提取特征而忽略了小目标的局部性。由于设计的模型必须排除背景的干扰，而干扰的背景信息占据了红外图像的几乎所有像素，因此只关注全局视图会导致模型的多个参数得不到精确数值，训练效率较低。此外，背景的复杂性和差异导致了这些基于全局视图的方法依赖于大量具有异构场景的训练数据，以学习足够的特征来抑制背景。当只考虑小目标时间的全局特性时，目标像素和背景像素的类不平衡是训练一个良好的鲁棒检测器的主要障碍。小目标只占几个像素，通常都太小，无法与背景区分开来。例如，在包含22小目标的120120 图像中，这4个目标像素必须与其余14396个背景像素共享相同的卷积权值。这将导致极端的类不平衡：小目标像素的数量远小于背景像素，从而导致深度学习框架的性能下降。为此，有一种局部贴片网络（LPNet）进行红外小目标检测技术，从全局的角度来看，利用一个小的目标扩展图来训练一个注意模块。这种扩散图和注意机制是为了抑制与小目标无关的远端背景像素。这样就可以抑制大部分背景像素，同时保留小目标像素Raw inputIR imageTri-LayerWindowGaussianfiltering forcore layerAverage of Kmax pixels forsurroundingsTLLCMThresholdOperationDetectionResult图7TLLCM算法7个序列的检测结果胡睿杰，等：红外小目标检测方法综述83计算机与现代化2023年第8期与相邻背景像素之间的局部显著性，从而大大降低了背景的复杂度。从局部视图中，利用滑动窗口将全局特征图分割来提取子图像。利用LPNet提取小目标特征，并为每个局部斑块分配一个斑块似然映射。每个子图像中的小目标像素与背景像素的比值远高于原始图像，此外，由于对所有局部斑块共享相同的卷积权值，神经网络的参数数量是有限的。为了同时关注全局视图和局部视图，提出了一个精心设计良好的框架来结合上述模块来进行全局和局部特征融合。综上所述，该方法的贡献可以总结如下：1）提供了一个深度学习方法的范例，以利用红外图像的全局和局部特性来检测小目标。2）提出了一个在小目标扩散地图上训练的监督注意模块。该模块抑制了背景像素，增强了小目标像素，迫使整个网络聚焦于某些局部区域，从而有效地降低了背景的复杂性。3）提出了一种LPNet来有效地提取与小目标相关的局部特征，并融合所有这些局部特征来提供最终的预测。通过分割，解决了目标像素和背景像素的类不平衡问题。通过对所有局部子图像共享相同的卷积权值，大大简化了小目标检测的任务，并限制了 LPNet 中的参数量。4）本文自建红外小目标数据集上实验表明，与现有的方法相比，该方法取得了最好的性能和提取有效的小目标特征的能力。它主要由以下3个模块组成：全局特征提取器、监督注意模块和LPNet。利用全局特征提取器，通过查看整个图像来提取输入图像I的基本特征。捕获这些基本特性对于降低背景的复杂性很有用。注意密度（Atn-D）通过监督注意模块对背景抑制和小目标增强进行计算。将 Atn-D 图应用于全局特征图上，得到注意力全局（Atn-G）图。基于一系列从Atn-G图中分离出来的子图像pn，通过LPNet提取与小目标相关的局部特征，计算子图像。通过对所有局部子图像共享相同的卷积权值，大大简化了小目标检测的任务。全局特征提取器使所提出的方法能够通过观察整个图像来捕获基本特征。监督注意模块使网络能够抑制与小目标特征无关的背景，有效地简化后续模块的任务。LPNet使网络能够基于分解的局部斑块来关注小目标特征的局部显著性。此外，该方法比其他主流的深度学习方法具有更高的鲁棒性和综合性能。然而，该方法也存在一些局限性，如耗时长是其中之一，主要是由于在上执行子图像分裂造成的。在未来，该技术将通过综合红外小目标视频的时空特征，把该方法从单帧检测推广到多帧检测22。实验结果如表3所示。与其他目前来说最先进的方法来比，LPNet方法在检测概率（Pd）、正误比（AUC）和精确率和召回率的调和平均（F1t）上取得了更好的性能。表明该方法在检测超小目标方面具有优势。3结果本文所涉及到的红外小目标检测方法及其优缺点汇总如表4所示。表4红外小目标检测方法汇总基于特征提取的算法基于局部对比的算法基于深度学习的算法一种面向小型的对象检测多尺度特征融合方法基于局部特征的密度峰值搜索的红外小目标检测局部运动和对比度先验驱动的深度网络一种利用3层窗口的红外小目标检测局部对比方法红外小目标检测的局部贴片网络优点：多尺度特征融合方法能够增强目标的特征表示能力，从而更好地区分目标和背景。缺点：多尺度特征融合可能导致目标定位误差增加。特别是当目标与背景有较强的相似性时，容易出现目标的精确定位问题。优点：由于该方法关注像素密度峰值，因此对于小目标的峰值像素点有较高的敏感性，有助于精确定位小目标。缺点：相较于其他方法需要更长时间优点：可以在一定程度上处理目标被遮挡和图像噪声的情况缺点：对于运动距离较大和突然变化的情况无法有效恢复目标优点：对不同类型和不同尺寸的红外小目标具有良好的检测性能缺点：当背景与目标的局部对比度差异较小，或者背景中存在复杂的纹理和结构时，该方法的检测性能可能会受到影响，容易出现误检测优点：该方法比其他深度学习方法具有更高的鲁棒性和综合性能。缺点：其训练和推理过程需要大量的计算资源和时间，尤其是对于资源受限的设备来说，可能不太适合根据以上3种分别基于特征提取、局部对比和机器学习的红外小目标检测的前沿方法应用的分析，不难发现这3种方法在目标检测性能、鲁棒性和实时性等方面具有不同的优势和不足。基于特征提取的方法的优势在于：1）特征提取方法通常采用传统的图像处理和计算机视觉技术，如滤波、边缘检测和纹理特征提取等。这些方法在处理红外图像时相对简单且计算效率高，表3在检测超小目标时与其他方法的数据比较方法MPCM23AAGD24ADMD25LIG26LPI15TLLCM27LEF28GST29LPNetPd/%53.6641.0741.0773.7868.7513.5668.8850.0473.78AUC/%50.00-68.7569.79-68.7550.0077.68F1t/%57.1447.0650.9168.7573.3325.8166.6752.9484.85F1p/%36.3628.9926.0041.1843.0813.561.5227.6927.45842023年第8期适用于实时应用。2）特征提取方法可以从红外图像中提取出与目标相关的信息，如边缘、纹理和形状等特征。这些特征对于红外小目标的检测和识别具有一定的区分能力。3）特征提取方法通常具有较好的鲁棒性，对于一些噪声和背景干扰具有一定的抗干扰能力。作为一种传统的红外小目标算法存在的不足之处：1）基于特征提取的方法通常需要手动设计和选择适合的特征，这对于复杂的红外小目标检测任务来说是一项挑战。因此，其泛化能力和适应性可能有限。2）特征提取方法对于红外小目标的尺寸和形状变化较为敏感，当目标尺寸较小时，检测性能可能下降。3）特征提取方法往往无法充分利用红外图像中的深层次信息，限制了其在复杂场景下的应用。基于局部对比的方法具有以下优势：1）基于局部对比的方法将红外小目标检测问题转化为目标与背景之间的局部对比问题，通过比较目标与其周围区域的差异来实现目标的检测。2）局部对比方法不需要对目标进行精确的定位，只需关注目标与周围区域的差异性，因此对目标尺寸和形状的变化相对鲁棒。3）局部对比方法通常具有较好的实时性，因为它们只需要比较目标与周围区域的特征差异，而不需要对整个图像进行全局分析。这种方法也同样具有以下的不足之处：1）基于局部对比的方法对红外图像中的背景干扰较为敏感，当背景与目标之间的差异不明显时，检测性能可能下降。2）局部对比方法可能对噪声和光照变化等因素较为敏感，这可能导致误检测或漏检测的问题。3）局部对比方法在处理复杂场景和目标密集区域时可能面临困难，因为目标与周围区域的差异可能不够明显。作为最为前沿的基于机器学习的红外小目标检测，它的检测性能和鲁棒性都相较于传统方法有着较为明显的提升，以下是它相较于特征提取和局部对比这2种传统方法的优势：1）基于深度学习的方法可以通过端到端的训练来自动学习红外小目标的特征表示，无需手动设计特征。这使得模型能够从大量数据中学习到更加鲁棒和有效的特征表示。2）深度学习方法通常具有较强的泛化能力，可以适应不同尺寸、形状和背景的红外小目标检测任务。3）深度学习方法在目标检测性能方面取得了显著的进展，在大规模数据集上取得了较高的准确率和召回率。深度学习的方法同样意味着其算法的复杂以及其耗时的相对较长，以下是这前沿算法的不足之处：1）基于深度学习的方法通常需要大量的标注数据进行训练，这在红外小目标检测领域可能比较困难。2）深度学习方法通常需要较大的计算资源和时间，对于实时性要求较高的应用可能存在一定的挑战。3）深度学习方法的模型结构和参数选择可能具有一定的主观性，需要进行针对性的调整和优化。综上所述，基于特征提取的方法在简单场景下具有较好的实时性和鲁棒性，但在复杂场景下可能受限。基于局部对比的方法对目标的尺寸和形状变化相对鲁棒，但对背景干扰较为敏感。基于深度学习的方法在目标检测性能方面表现出色，但需要大量数据和较大的计算资源。因此，在实际应用中，应根据具体场景需求综合考虑这些方法的优缺点，并选择合适的方法进行红外小目标检测。4结束语随着红外技术的不断发展和应用范围的扩大，红外小目标检测也得到了广泛的关注和研究。红外小目标检测算法的发展可以归纳为从传统的特征提取算法向机器学习、深度学习等方向的转变，同时红外小目标检测技术的应用场景也将逐步拓展至行业安全、城市安防、智慧农业、医疗等领域。虽然基于深度学习的红外小目标检测技术已经发展得相对成熟，但其未来仍有很多发展改进的方向。1）多模态融合技术：利用可见光图像、红外图像和激光雷达等多种传感器数据进行融合，可以有效改善红外小目标检测的精度和鲁棒性，同时也有助于减少误检率。2）实时检测技术：在文献中不断提及的问题之一是红外小目标检测技术的实时性问题，针对这一问题可以采用GPU加速和计算机视觉技术的优化，以加快算法处理速度，实现实时监控。3）深度学习算法的进一步优化：红外小目标检测的发展已经逐步进入深度学习时代，CNN、RNN、Yolo、SSD等基于深度学习的算法已经在红外目标检测领域得到了广泛的应用，但这些算法仍然存在模型过大、训练时间长等缺陷。因此，在未来的发展中需要针对这些问题对深度学习算法进行进一步优化。4）红外图像质量的提高：红外图像如果存在噪声、模糊等问题，会影响到红外小目标检测算法的精度和鲁棒性。因此，在未来的发展中，需要进一步提高红外图像质量，以提高检测算法的性能。5）互联网+红外小目标检测：未来，红外小目标检测技术将与互联网、人工智能、大数据等前沿技术相结合，应用范围将更加广泛和多样化，同时建立一个线上的自动化检测平台，为用户提供针对性的实时监测服务。综上，红外小目标检测技术已经成为一个不断发展的领域，未来将呈现出更大的应用前景和发展潜力。随着本领域的不断深入研究以及技术的不断改进，红外小目标检测技术将会更加成熟和完善。胡睿杰，等：红外小目标检测方法综述85计算机与现代化2023年第8期参考文献：1 姜海波，孙洋.一种基于Haar特征的人脸检测改进算法 J .电子技术与软件工程，2022（13）：178-181.2 杨祥，周楠.改进SIFT的特征提取与图像拼接方法 J.桂林理工大学学报，2023，43（1）：131-136.3 姜迈，郑岩.基于SURF-HOG与显著性特征的红外可见光图像配准融合 J.激光与红外，2023，53（2）：261-270.4 吴一全，罗子娟.基于最小二乘支持向量机时域背景预测的红外弱小目标检测 J.兵工学报，2010，31（6）：678-684.5 蔡娟.基于深度学习的红外目标检测方法 J.计算机测量与控制，2023，31（1）：45-50.6 CHEN L C，PAPANDREOU G，KOKKINOS I，et al.DeepLab：Semantic image segmentation with deep convolutional nets，atrous convolution，and fully connected CRFsJ.IEEE Transactions on Pattern Analysis and MachineIntelligence，2018，40（4）：838-848.7 ZENG N Y，WU P S，WANG Z D，et al.A small-sized object detection oriented multi-scale feature fusion approachwith application to defect detection J.IEEE Transactionson Instrumentation and Measurement，2022，71：1-14.8 LI J，GU J N，HUANG Z D，et al.Applicati