前    言

红外目标检测技术在红外成像、导弹制导、空间态势感知和天基预警等诸多军用领域都发挥了十分重要的作用，数十年来一直受到人们的广泛关注，很多学者研究出了针对不同场景的方法，取得了一定的效果。但是，由于红外探测系统成像距离远、目标周围的背景杂波类型复杂，例如高亮杂波和强边缘干扰，同时在图像传输过程中可能受到复杂噪声的干扰，导致目标在像平面所占像元数目少、图像信噪比低，一些传统方法的检测性能容易受到严重影响，所以复杂背景下的红外弱小目标检测是一个十分具有研究价值的难题。本书针对复杂背景下的红外弱小目标检测技术展开研究，充分分析研究了不同场景下实现高性能目标检测的难点和特点，重点分析探讨了基于数据结构特征的弱小目标检测关键技术，主要工作如下：

（1）提出了基于加权张量核范数的单帧目标检测方法。首先，采用红外图像张量块模型将单帧图像转换为张量形式；其次，利用张量主成分分析理论将原始图像张量分解为低秩背景张量和稀疏目标张量，并采用张量核范数对张量的秩进行估计；再次，采用了自适应的加权方法对低秩张量奇异值分解后得到的奇异值赋予不同的权重，进一步加强了算法对背景干扰的抑制能力；最后，通过仿真实验对所提算法性能进行分析，实验结果验证了所提算法的优越性。

（2）提出了基于时空域信息和加权Schattern-p范数的多帧目标检测方法。首先采用基于时空域信息的红外张量块模型将图像序列转化为包含时域和空域信息的张量形式，利用高维张量数据结构的优势同时挖掘数据本身在时域和空域的关联信息；然后针对传统核范数最小化方法和加权核范数最小化方法在低秩重构和奇异值估计时出现的``过度收缩''问题，提出了基于张量空间的加权Schattern-p范数对低秩张量进行估计，有效提高了重构精度，能够将背景中的结构更完整地保留在背景分量中，进而提高了目标检测精度，同时该方法利用张量奇异值分解在频域中的重要性质减少了奇异值分解的次数，显著提高了算法效率。

（3）提出了基于时空域信息和总变分正则项的目标检测方法。首先将图像序列转化为时空域红外张量块模型；然后针对其他基于低秩和稀疏重构模型的检测算法性能过度依赖于背景平滑度的缺点，提出了张量空间的总变分正则项，将其引入稀疏和低秩重构模型，对与目标同样具有稀疏性的强边缘和角点进行准确建模，抑制了这类具有稀疏性的杂波在目标图像中的残留；最后，通过仿真实验验证了所提方法能够有效提高非平滑场景下的目标检测能力，降低虚警率。

（4）提出了基于时空域信息和多子空间学习的目标检测方法。该方法首先针对单一子空间模型无法准确描述高亮杂波的问题，提出了基于张量空间的多子空间学习模型；然后采用线性多子空间对背景中可能出现的多个高亮区域进行准确建模；再采用字典学习的方法对低秩背景分量中的多线性子空间结构进行重构；最后通过仿真实验验证了所提方法能够有效提高对高亮杂波干扰的抑制能力，提高目标检测性能。

（5）提出了基于非独立同分布混合高斯（Gaussian）模型和改进通量密度的目标检测方法。考虑到典型方法在建模图像噪声分布时是基于独立高斯加性白噪声的假设条件，但在实际场景中，由于成像距离远，传输过程和探测器件本身的噪声远比独立高斯加性白噪声复杂，导致这些方法在复杂噪声场景下鲁棒性不够。所以，首先分析了红外图像序列帧间噪声分布的特点，采用了非独立同分布混合高斯模型对复杂噪声进行准确建模，将目标视为一种具有稀疏性的特殊``噪声''；然后采用改进后的通量密度对目标进行准确检测；最后，通过仿真实验结果验证了所提方法能够有效提高复杂噪声场景下的目标检测能力，进一步提高了方法对噪声的鲁棒性。

本书的研究工作得到国家自然科学基金（项目编号：61605242）、中国博士后科学基金（项目编号：GZC20242267）的资助，在此表示感谢。本书的内容是作者在国防科技大学求学和工作期间完成的，同时在撰写过程中参考了许多文献，本书的完成离不开这些学者的贡献和启发。在此，向所有给予我们指导、帮助与启发的各位老师和学者表示衷心的感谢。同时，由于作者水平有限，本书难免存在谬误与不足之处，欢迎各位专家学者和读者朋友批评指正，提出宝贵意见，我们将不胜感激。

作者

2024年5月于长沙