- 上一篇：字符识别技术国内外研究现状
- 下一篇：基于触发机制的NCS的发展研究现状
2) 先跟踪后检测（TBD）算法
DBT算法更多使用在某一帧的图像上，但在干扰比较严重的复杂环境中得不到很好的效果。研究人员想出了一种能在信噪比不高的情况中能有更好性能的算法，先跟踪再去检测的算法。顾名思义，TBD算法先不检测目标的正确轨迹，而是先根据预处理图像得到的目标特征，对所有的可能的运动轨迹都跟踪，之后再通过检测从众多的轨迹中获得正确的目标轨迹，TBD的基本算法步骤如图1.2所示。
图 1.2 TBD的基本算法步骤
三文匹配滤波器是当前运用最多的TBD算法，是由Reed在1983年提出。这种算法为对应的运动轨迹设计一个三文滤波器，统计结果，选取其中信噪比最高的轨迹即为所需的真实运动轨迹，从而检测到目标。然而这种算法的计算量极大，并不适合在许多环境中使用。
Barinv在1985年将动态规划的分段优化思想应用到弱小目标的检测领域[13]，并对检测性能有了一个全新的标准。他将目标检测问题分段为若干子问题，并对问题分级优化，综合每个分解得到的问题的解而得到目标轨迹。从结构上来说，这是一个可行的算法，但现实中并不能处理好 “团聚”效应，以至于在复杂环境下的目标检测并没有很好的性能。
Hough变换是一个典型的将三文运动轨迹转化为二文轨迹，对二文空间的轨迹进行检测吗，最后映射到三文空间得到目标的真实轨迹，简化了运算，映射的过程也不算复杂，但不可避免的是转换过程中信息的损失。所以依然在信噪比低时没有很好的检测效果。
基于序贯假设检验（Sequential Hypothesis Testing,SHT）算法由Blostein等人提出，以树的形式整合所有的轨迹，然后对树的每一层使用假设检验，删减改正。这种算法能检测多运动目标轨迹，但缺点是会有不低的漏检率，若要避免则需要加大计算量，若要有较好的性能则需要大量的计算。
除此以外，还有许多比如基于支持向量机（Support Vector Machine,SVM）、光流法（Optical Flow）或遗传算法（Genetic Algorithm），这些算法都各自适用于不同的特定情况下。
3) 两类算法的对比
DBT和TBD两种算法有着两种不一样的思路去检测目标，相对的有着不一样的优缺点。前者较为简单，但在复杂背景下没有比较好的性能，后者复杂，但在低信噪比的情况下能有更好的表现。而在实际的应用中，应根据特定的需求和背景，根据算法特点选取或结合得出最适合的算法，两种算法的性能大致对比如表1.1所示。
表1.1 DBT和TBD两种算法性能对比
DBT算法 TBD算法
优点 算法简单，硬件要求较低 抗干扰能力较强
缺点 抗干扰能力较差 算法复杂，硬件实现较难
适用范围 实时目标检测 低信噪比下目标检测
1.2.2 红外目标跟踪技术的发展状况
目前常见的目标跟踪可根据其结构可以分为两种类：自顶向下（Top-down）和自底向上（Bottom-up）的方法[8]。下面就对这两类算法做一个大致的介绍。
1) 自顶向下（Top-down）算法
算法的核心思想是将目标跟踪问题转换为在贝叶斯理论框架下，已知目标状态的先验概率，在获得新的量测后不断求解目标状态的最大后验概率的过程[1]。
经典的自顶向下算法有卡尔曼滤波、粒子滤波以及基于它们的综合算法。在线性高斯系统中，最好效果的是卡尔曼滤波，然而却不适用于非线性的模型。而粒子滤波则相反在非线性模型中有着更好的性能[8]。