题目：光电探测自动目标识别与跟踪技术研究

第二次世界大战之后，半个世纪以来，人类世界经历了多次局部冲突，在现代战争中精确制导武器得到了迅猛发展，对战争的胜负具有决定性影响。本文在分析研究归纳总结当前各军事强国的精确制导武器基础上，着重开展对可见光自动目标识别与跟踪技术的研究，其难点主要有以下三个：

首先，基准图像与实时图像之间存在较大程度的尺度、几何、视角、灰度、噪声等差异。目标图像稳定可靠配准识别依靠改善特征提取的方法较难实现；由于图像数据量大，对配准算法的运行效率要求高。

第二，目标在剧烈抖动和复杂背景条件下出现尺度、姿态、视角、遮挡、光照等变化，对目标跟踪算法的实时性、跟踪精度和抗干扰能力提出很高的要求。

第三，在复杂背景环境下，运动目标的外观在跟踪过程中不断变化，模板或分类器需要不断地更新。基本方法是把当前帧匹配的目标作为新信息，在每一帧或间隔一定帧数时更新。但这样在跟踪过程中不断地更新，目标会被逐渐的移出模板或分类器，同时背景物体渐渐进入，最终产生跟踪漂移导致目标丢失。

因此，本文主要研究解决三个核心问题：目标图像的精确配准识别算法，基于机器学习的目标分类器及其更新方法，以及鲁棒实时的目标跟踪技术。基于上述问题，本文的主要工作和创新如下：

1、在查阅国内外大量文献的基础上，对各类精确制导武器的技术特点做了分析和介绍，全面分类总结了当前军事科技发达国家众多的精确制导武器系统，并介绍了红外和可见光成像精确制导技术，及其使用条件、优势与缺点。

2、特征点识别方法是配准技术的关键，已有方案都需要付出较大的计算代价。文中采用朴素贝叶斯分类框架构建了简洁、高效和鲁棒的特征点识别与配准算法。随机蕨分类器采用数百个二进制特征和后验概率，识别大量特征点周围的图块。实验证明了该方法对大尺度和视角、光照变化的图像序列有很好的适应性。相比SIFT算法，本方法的配准点更稠密，并且能够实现实时视频分析。

3、压缩传感理论中的L1范数最小化(L1-min)算法能够对信息进行处理和优化，但由于传统的求解方法对于大规模数据的处理效率低，已有一些新型快速解算方法被提出。文中首先阐述了L1-min算法以及影响求解效率的主要因素，然后介绍了五种快速L1-min算法，最后过实验对各种快速L1-min算法在处理大规模数据时的性能进行分析和评价。

4、基于目标与目标子空间误差的最小化，稀疏表示和L1-min被应用于目标跟踪领域。虽然L1跟踪具有很高的跟踪精度，但是其求解计算成本很高。提出一种基于L1-min的实时鲁棒的目标跟踪方法。该方法通过增广拉格朗日乘子法对新的L1-min模型求解，获得目标函数的稀疏表示。高计算效率实现了实时目标跟踪，并具有更高的跟踪精度。在包含有尺度、姿态、视角、遮挡、光照等变化的基准测试视频序列中进行实验，对比多个当前最先进的目标跟踪算法，显示改进后的L1跟踪算法其精度和实时性均有提升。

5、针对目标在复杂背景下发生尺度、姿态、视角、遮挡、光照等变化时的目标跟踪问题，构建一种具备在线自学习修正能力的更加鲁棒的跟踪方法。该方法将目标识别与跟踪问题做为分类问题，有机组合基于稀疏表示的目标分类器、误差检测分类器、基于光流法的目标跟踪器，增强跟踪算法对于目标变化的适应性；通过在线学习机制实现分类器误差反馈自主校正跟踪误差，避免在分类器自主更新过程中误差积累导致目标丢失。该方法实现了更加鲁棒、有效的目标跟踪，实时跟踪的同时避免目标漂移。

本文最后对全文进行了总结，展望未来的工作，并对军事科技进步与人类道德提升之间的哲学关系进行了思索。