1.3 本论文的主要内容

  本文主要探索研究了一种非训练的红外成像目标的检测方法，首先通过对一种目标局部特征值提取的方法：自适应回归核(Locally Adaptive Regression Kernels，LARK)进行研究，并通过其来进行目标与样本的特征值提取，然后提出了一种基于局部相似结构统计匹配模型，将模板与样本的相似性进行匹配，可对姿态多样性、结构复杂的红外成像目标进行检测。这种非训练的方法不需要设计分类器和通过大量的训练和学习来确定分类器的具体参数，从而避免了前期的冗长的训练与学习。该方法识别过程主要包括：红外图像预处理、模板及目标的图像特征提取、特征值降维及特征相似性匹配通过匹配后得到的相似度图像提取并标示出目标。本论文主要的研究内容如下：

第一章：首先介绍了目前对于红外成像目标检测的简要介绍以及发展状况，已运用的领域以及研究发展的必要性和传统的检测方法。

第二章介绍说明一种用于目标特征值提取的算法，lark算法，简要阐明其优点及其计算原理，并运用lark算法来进行样本及目标的特征值提取。

第三章介绍如何运用PCA算法来进行模板集及数据集的降维，然后通过相似性匹配的方法得到相似性图像，最后，通过相似性图像，采用极大值抑制的方法提取出相似性信息，完成成像目标的检测。

第四章介绍对检测过程中的参数如何设定进行分析，并且展示实验结果。

第五章对整个过程进行归纳总结以及前景展望。

2  局部自适应回归核提取特征值

  因为红外图像获取时会受到外界的干扰，所获得到的原始图像往往不能直接用于目标的检测。所以，对获取到的原始红外图像必须进行去除噪声、图像增强等预处理，从而改善图像质量，为后面的特征值提取以及相似性的匹配提供良好的保证。

对所获取的红外目标图像进行预处理后，对所划分的数据集及模板集的特征提取就是整个实验最核心的部分。提取的特征值是反映原始图像的数据结构，不同的目标有不同的数据结构。通过数据结构的相似性，可以对目标进行相似性的匹配。在试验中，我们常用的特征值提取方法有：灰度共生矩阵法、LBP特征提取法以及使用核回归的提取特征方法等。在本文中所用到的就是lark提取特征值的方法。

2.1 核回归函数基本理论

  核回归方法是一种非线性数据处理技术，通过核函数将原始数据从数据空间非线性映射到特征空间。对于图像数据来说，像元值经过核函数的计算重新得到一个新的值，该值即是核值。而以下为经典核回归理论：