数字安防关键技术发展现状分析.docx
《数字安防关键技术发展现状分析.docx》由会员分享，可在线阅读，更多相关《数字安防关键技术发展现状分析.docx（38页珍藏版）》请在冰豆网上搜索。
数字安防关键技术发展现状分析
数字安防关键技术发展现状
（一）视频监控技术发展历程
视频监控系统由摄像机部分、传输部分、控制部分以及显示和记录部分四大块组成，视频监控系统的发展与电子、通信的发展息息相关，其发展已经经历了三个阶段，并朝着第四代智能监控系统演进，发展历程大致如下[17]：
（1）第一代：
模拟监控系统
20世纪90年代以前，主要以模拟设备为主的闭路电视监控系统，称为第一代传统模拟视频监控系统。
系统由摄像机、视频矩阵、磁带录像机和监控器等组成，通常是以街道、小区或派出所为单位的小范围封闭的监控系统。
模拟视频监控系统发展较早，视频以模拟方式采用同轴电缆进行传输，并由控制主机进行模拟处理。
其主要涉及的技术是：
模拟摄像头采集模拟信号通过同轴电缆的传输，多路模拟信号传入中心控制系统进行画面分割，采用磁带机存储。
其特点是：
视频、音频信号的采集、传输、存储均为模拟形式，质量最高，并且经过几十年的发展，技术成熟，系统功能强大、完善。
但存在的问题是：
只适用于较小的地理范围，与信息系统无法交换数据，监控仅限于监控中心，应用的灵活性较差，不易扩展。
（2）第二代：
数字监控系统
20世纪90年代中期，随着计算机处理能力的提高和视频监控技术的发展，人们利用计算机的高速数据处理能力进行视频的采集和处理，利用显示器的高分辨率实现图像的多画面显示，从而大大提高图像质量，这种基于pc机的多媒体主控台系统称为第二代数字视频监控系统。
第二代数字监控以DVS、DVR为代表，其主要特点是图像经过编码压缩后再进行传送，存储的介质也转变为DVR中的磁盘，读写速度都得到很大提高，而监控的范围也从封闭式变为半封闭式。
虽然接入DVR/DVS的视频采集摄像机仍然是模拟摄像机，但系统在处理上的主体是数字化的，因此仍将它归为数字视频监控系统。
随着近几年IP高清摄像机的成熟和规模应用，端到端的全数字视频监控系统应用越来越多。
其主要涉及的技术是：
模拟摄像头采集模拟信号通过同轴电缆、控制线或局域网络设备的传输，多路模拟信号传入中心控制系统以视频矩阵显示，采用硬盘录像机存储。
其特点是：
视频、音频信号的采集、存储主要为数字形式，质量较高，系统功能较为强大、完善，与信息系统可以交换数据，应用的灵活性较好。
但存在的问题是：
由于其传输的仍是模拟信号，因此通常只适合于小范围的区域监控，系统的扩展能力差，对于已经建好的系统，如要增加新的监控点，往往是牵一发而动全身，新的设备也很难添加到原有的系统之中。
另外，在2006年前后，嵌入式DVR系统异军突起，由于其可靠性高、使用安装方便，在银行系统应用特别广泛，我们通常称嵌入式DVR为2.5代监控系统。
（3）第三代：
网络视频监控系统
进入21世纪，随着网络技术的发展，数字视频监控系统进一步发展为具有网络功能的视频监控系统，即第三代网络视频监控系统。
它集成了多媒体技术、数字图像处理技术技术及远程网络传输等最新技术，不仅可以实现图像传输、远程控制、现场信号采集等监控功能，还可提供高质量的监控图像和便捷的监控方式。
该系统与上述第一、二代系统相比具有明显的优势：
利用现有的网络资源，不需要为新建监控系统铺设光缆、增加设备，轻而易举地实现远程视频监控；系统扩展能力强，只要有网络的地方增加监控点设备就可扩展新的监控点；维护费用低，网络维护由网络提供商维护，前端设备是即插即用、免维护系统；系统功能强大、利用灵活、全数字化录像方便于保存和检索，在网络中的每一台计算机，只要安装了客户端的软件，给予相应的权限就可成为监控工作站。
但第3.1代由于是基于PC机的视频监控录像系统，在实际工程使用过程中，也暴露出一些不足，主要是系统工作的不稳定性。
正是基于此，第3.2代应运而生，通过网络视频编解码器方式，在现场将模拟视频编码后上网传输，并在监控端设置的对应解码器将网络数字视频信号解码后进行监控。
其优点在于现场不需PC机支持，系统稳定性提高。
但存在只能实现“一对一”式传输，实现网络“互联互通”及授权客户直接访问较困难，构建系统及联网比较困难的缺点。
此后发展出第3.3代，又称为嵌入式视频监控系统，采用嵌入式结构，无需PC机支持，直接集成到前端设备中，相关产品包括：
网络摄像机、网络高速球、网络视频接入器等，它们的输出即为全数字信号并直接上网传输与控制。
（4）第四代：
智能视频监控系统
第四代智能视频系统基于网络视频监控系统，依托于智能图像分析及识别技术的发展和应用，它对视频进行一系列分析，从视频中提取运动目标信息，发现感兴趣目标与事件，并根据预设模板或用户预设的规则，自动识别出感兴趣目标并得到感兴趣的数据，将这些信息及时反馈给监控员。
视频监控系统的智能化，是近年来备受重视的议题，其利用机器视觉的方法，在无需人为干预的情况下，让视频监控系统可以自动对摄像机所拍摄的视频图像序列进行目标行为分析、人脸检测、车辆信息识别等，帮助刑侦人员高效、精准地聚焦到所关注的目标，有效地解决目前视频众多、信息量巨大等视频查找的棘手问题。
但是其自身发展也存在诸多缺陷，如由于实际环境中光照变化、目标运动复杂性、遮挡、目标与背景颜色相似、杂乱背景等都会增加目标检测与跟踪算法的难度，但是智能视频分析技术已经逐渐成为安防行业发展的大方向，随着市场竞争和淘汰的常态化，国外一线品牌如霍尼韦尔、博世等携带着成熟的智能分析技术的安防产品加大对中国市场的投入。
为了应对挑战，国内产学研联合的趋势非常明显，“十二五”规划的主力建设内容之一的“智慧城市”推动产业发展，国内企业如海康威视、大华科技、宇视科技不断加大对智能分析技术的技术改革和产品创新，中国科学院自动化研究所模式识别国家重点实验室、上海交通大学、清华大学、华中科技大学、北京理工大学、西安电子科技大学在对视频序列的背景去噪、图像分割、人脸识别、目标检测与跟踪、在线学习上投入了相当的研究精力，国家自然科学基金、国家重大科技专项等也将越来越多的焦点投入在其上，争取提高国内智能视频分析技术的自主研究水平。
图1视频监控技术的发展路线图
（二）智能视频分析技术
智能视频分析技术[18-26]属于计算机视觉与人工智能领域研究的一个分支，融合了图像处理技术、计算机视觉技术、人工智能及图形分析等多项技术，其发展目标是在监控场景与事件描述之间建立一种映射关系。
智能视频分析技术突破了传统视频监控中的移动侦测，上升到了“识别及分类”层级的技术，能回答“检测到的是什么”的问题，具有一定的人工智能，可过滤一些干扰因素，具有较强的适应能力。
目前，智能视频分析主要有两个研究方向：
第一，是视频事件建模和算法研究，以实现可靠的侦测、追踪、视频事件分类，特别是异常事件分析。
在这一研究方向上取得的进展是信号级别（例如灰度、颜色）和语义级别（例如车祸）处理之间建立翻译管道，不断增加语义复杂度层级的分级解释将增强视频分析的能力，并且减少模糊性。
第二，是多摄像机网络的研究，以开发数据融合模型和协作算法为目标，这些算法利用对同一个视觉现象的多个视角的观察，改善系统性能。
视频分析技术包括以下技术：
•前景检测技术：
是将图像中变化剧烈的图像区域从图像背景中分离出来。
前景检测技术的实现方法包括背景帧差法、多高斯背景建模及非参数背景建模等，各种方法的复杂程度不同，各种场景的适应能力也有很大差异。
•目标检测技术：
是指分析图像中变化剧烈的图像区域在影像序列中的状态，将具有稳定存在状态及运动规律的区域作为运动目标提取出来。
•目标跟踪技术：
是指利用运动目标的历史信息，预测运动目标在本帧可能出现的位置，并在预测位置附近搜索该运动目标。
目标跟踪技术也有多种实现方法，包括连接区域跟踪、目标匹配、粒子滤波等，这些方法在不同场景下的表现也有较大差异性。
•目标分类技术：
是指对跟踪成功的目标进行分类，一般将目标分为人和车辆两类，也有一些特殊应用会对目标进行其他类型的分辨。
目标分类技术会利用一些图像特征（包括目标轮廓、目标尺寸、目标纹理）实现目标类型的判别。
•轨迹分析技术：
是指对跟踪成功的目标的运动轨迹进行分析，对运动轨迹进行平滑及误差修正，使目标运动轨迹更加接近真实状态。
•事件检测技术：
是指目标信息与用户设定的报警规则进行逻辑判断，判断是否有目标触发了报警规则，并做出报警响应。
2.1智能视频检索
视频检索的困难在于从大量的图片或者图片序列中查找用户所感兴趣的事物。
传统的搜索系统主要以文本为处理对象，要实现图像检索，需要首先人工给图像加上对其描述的文字标签，然后基于这些文字标签进行图像查询。
人工标注的方法存在的主要问题是：
一是多媒体信息的“内容”具有多层次含义，不同观察者或者同意观察者在不同条件下对同一幅图像可能给出不同的描述，使得很多情况下文本标注并不能满足实际需求；二是人工对多媒体内容信息进行标注，十分费时费力。
人工标注量大且成本很高，效率很低。
正由于人工标注视频方法有诸多不足，基于内容的监视检索技术应运而生[23,27]。
基于内容的信息检索是一种新的多媒体信息检索技术，是对多媒体对象的内容及上下文语义环境进行检索，如对图像中的颜色，纹理或视频中的场景、片段进行分析和特征提取，并基于这些特征进行相似性匹配。
基于内容的检索从研究内容上看可分为对视频的结构分析和语义分析两大类。
所谓结构分析是指将整段视频分解为合适的基本构成单位，如镜头、场景等，从而建立视频的层次化结构，使得后续的索引工作能够在不同的层次上进行，灵活地为不同要求的用户提供个性化服务。
所谓语义分析是指对视频中所蕴含的各种语义特征（如颜色、纹理、文字、语音等）进行分析和提取，其目的是为视频索引的建立提供重要的参考信息。
语义模型的主要特征表现为两个方面：
一是可以表示视频中出现的事物、抽象概念、背景知识以及实体之间的各种关系，能够表达的语义信息更加丰富；二是能够支持对于以上表示的各种查询，例如对象、事件、关系、属性查询以及浏览等服务，甚至能够支持对它们的模糊查询，因此提供的查询服务更强。
基于内容的检索功能使用了下列技术：
•移动物体的特征提取，例如目标的颜色、大小、速度、位置和轨迹；
•事件监测后产生的事件描述作为检索输入；
•从视频摘要获得的线索作为检索输入；
•人车目标分类；
•准确的背景和前景切割，以提供清晰的边缘和背景；
•利用用户的经验和直觉提高检索准确率；
•提取所有有用信息存入数据库，而不是视频文件本身，这样可以节省很多空间，同时也节约人力成本。
视频内容检索技术可以实现以下的请求模式：
•目标查询
具体来说，是一些分割出来的图片（例如视频中的一个人、一辆车）。
•基本属性查询
对于一个人，可以查询身高、衣服的颜色（如果解析度足够大，甚至可以区分上下衣的颜色）、头发颜色、发型、是否戴帽子或眼镜。
•运动属性查询
对于人或者车，可以通过速度、运动方向、位置、进出时间或者行走路径进行查询。
•行为查询
对于人，可以通过以下的行为，例如打架、追逐、跌倒、徘徊或扛物体，来进行查询。
•事件查询
事件具体包括：
穿越某一平面，进入或离开某一区域、留下或拿走某一物体、聚众等。
基于内容的视频检索需要对视频进行分析，对视频流进行镜头分割、关键帧提取和场景分割等处理，从而得到视频的结构化信息。
这种结构化信息特征用来度量视频内容的不连续性，如颜色特征、运动矢量特征、边缘特征等，作为一种检索机制存入视频数据库，最后根据用户提交的查询按照一定特征进行视频检索，将检索结果按相似程度交给用户。
当用户对查询结果不满意时可以优化查询结构，自动根据用户的意见灵活地优化检索结果。
2.2智能行为分析
智能行为识别[23,28-32]，可以根据人体运动特制识别其行为，如奔跑、越界、滞留、徘徊游荡、跌倒、偷窃、尾随、斗殴等，可用于在广场、公园、居民小区室外等区域监控老人意外跌倒、儿童失足落水异常事件等。
（1）徘徊游荡侦测
侦测画面或虚拟警戒区域内往复运动（徘徊/游荡行为）的目标，可设置徘徊/游荡持续一定事件产生报警事件。
（2）跌倒侦测
侦测画面或虚拟警戒区域内摔倒的人。
（3）移动侦测
侦测画面或虚拟警戒区域内的画面运动，对画面运动产生报警事件。
（4）尾随侦测
侦测到画面或虚拟警戒区域内的人员尾随行为即产生报警事件，可识目标主要是人。
（5）斗殴侦测
侦测到画面或虚拟警戒区域内的人员斗殴行为即产生报警事件，可识目标主要是人。
行为分析技术主要有两种：
一类实现基于前景物体检测，根据前景物体的运动路线来估计其速度，超过一定的数值就报警，这种速度估值的精度较低，而且无法克服摄像机近大远小的问题；同时，无法区分行人和自行车上的人，实用性不高。
第二类实现采用特征运动模式分析技术，用模式识别的方法对于场景各部分可能出现的运动模式和运动速度进行学习，不但可以侦测出异常加速，对于罪犯窜逃时翻越栏杆、矮墙等平时出现几率很低的行为，也能够识别。
该功能是其它如越界识别、人员徘徊滞留检测等功能的基础功能之一，设定目标的技术较为成熟，但是关于异常轨迹的界定比较模糊，业界没有公认的标准，因此相应的算法设计很难有针对性。
另外，监控范围内会出现多个人员，初始目标的锁定也需要预先对轨迹进行初步分析，因而锁定目标的成功率也不高。
2.3视频诊断
视频诊断系统支持两种图像的集中处理，一种是模拟视频监控图像（模拟矩阵、摄像机等输出的图像），另一种是数字信号（DVR、DVS等输出的数字图像）。
视频诊断系统通过视频诊断服务器以轮训的方式完成对所有的前端监控设备的检测，实现视频诊断功能。
视频诊断服务器一方面内嵌视频采集模块直接接入模拟视频信号，另一方面通过以太网接口接入数字视频信号，并对两种视频图像集中采集进行智能分析检测，检测内容主要包括以下方面[23]：
（1）视频清晰度异常检测
摄像机由于自动变焦功能故障或环境浑浊导致的图像清晰度异常时，出现的故障属于清晰度故障。
判定出现清晰度故障的依据为：
判定图像上比较锐利的轮廓，轮廓越多越强，图像就会越清晰，相反，轮廓越少越弱，图像就会越模糊。
（2）视频亮度异常检测
自动检测视频中由于摄像头故障、增益控制紊乱、照明条件异常或认为恶意遮挡等原因引起的画面过暗、过亮或者黑屏。
视频亮度过亮：
摄像机自动光圈功能故障或者环境光线过强时，导致出现亮异常。
判定出现过亮故障的依据是：
统计视频中所有像素点亮度平均值，值越大视频越亮。
视频亮度过暗：
摄像机自动光圈功能故障或者环境光线过强时，导致出现亮异常。
判定出现过暗故障的依据是：
统计视频中所有像素点亮度平均值，值越小视频越暗。
（3）视频噪声检测
自动检测视频图像中混有杂乱的“横道”、“波纹”等导致的图像扭曲、雪花、抖动或滚屏等噪声现象。
雪花：
传输信号线路受到干扰，或摄像机CCD故障导致图像出现雪花状干扰时，属于雪花故障。
判定出现雪花故障的依据为：
判断图像中所有像素点剧烈变化的平均程度，值越大，出现的雪花现象越容易被人眼识别。
条纹：
传输信号线路受到干扰，或摄像机CCD故障导致的图像出现条纹状干扰时，出现的故障属于条纹故障。
判断出现条纹故障的依据为：
统计图像中所有水平的线条的数目和强度，数目越多强度越大，判断为条纹的值越大，出现的条纹现象越容易被识别。
（4）视频偏色检测
摄像机CCD故障或线路干扰导致摄像机图像偏向一种颜色，出现的故障属于色偏故障。
判定出现色偏故障的依据为：
判断所有像素平均的色偏值，色偏值越大，呈现的色偏现象越容易被识别。
（5）视频信号缺失检测
自动检测因前端摄像机工作异常、损坏、人为恶意破坏或者视频传输环节故障而引起间发性或者持续性视频缺失现象。
（6）画面冻结检测
自动检测有误视频信号以及由于视频传输调度系统故障引起的视频画面冻结，避免遗漏真实视频图像。
判定出现冻结故障的依据是：
判断图像中变化的像素点的个数，变化个数越大，越容易被判定为冻结。
（三）红外热成像技术
红外成像技术[51]主要是指通过对物体发出的红外辐射进行探测，并且通过信号处理形成被测物体“热图像”的技术。
其基本原理如下图所示：
物
体
光学系统
红外探测器
红外热图
红外辐射
电路处理
图2.红外成像原理图
（1）红外辐射
1800年英国的天文学家Mr.WilliamHerschel用分光棱镜将太阳光分解成从红色到紫色的单色光，依次测量不同颜色光的热效应。
他发现，当水银温度计移到红色光边界以外，人眼看不见任何光线的黑暗区的时候，温度反而比红光区更高。
反复试验证明，在红光外侧，确实存在一种人眼看不见的“热线”，后来称为“红外线”，也就是“红外辐射”。
在光谱中，参见下图，我们把0.75～1000m波段的电磁波定义为红外辐射，其按照波长不同又可以分为：
近红外0.75～3µm；中红外3～6µm；远红外6～15µm；极远红外15～1000µm。
图3光谱图
与可见光相比，红外辐射具有以下特性：
①红外辐射存在于自然界的任何角落，一切温度高于绝对零度的有生命和无生命的物体时时刻刻都在辐射红外线；
②人眼对红外辐射不敏感，需要对红外辐射敏感的红外探测器才能感测到；
③红外辐射的波长比可见光长，具有更显著的衍射效应，利于在大气、薄雾等环境中传播；
④红外辐射的光子能量比可见光小，与分子、原子的热运动能量相当，因此更容易被物质吸收或发射，且具有明显的热效应。
因为红外辐射具有的上述特性，就如同照相技术意味着“可见光写入”一样，利用了红外辐射的热成像技术也就意味着“热量写入”,所生成的图片也被称作“温度记录图”或者“热图”。
（2）光学系统
光学系统是红外成像技术中的重要组成部分，其很大程度上决定了红外成像质量。
红外成像系统中的光学系统主要是指接收红外辐射的透镜系统，即红外镜头。
目前常用的红外镜头材料主要有锗单晶、硒化锌晶体和硫系玻璃等。
其中锗单晶是制造红外光学镜头以及红外光学窗口的主要材料，60%以上的中低端红外光学镜头和50%的高端红外光学镜头均由锗单晶制造；而硒化锌材料由于其基本上不存在杂质吸收，散射损失极小，现在也被广泛应用在红外夜视装置中。
然而，由于锗单晶和硒化锌材料都比较稀有昂贵，并且加工为非球面、衍射面的难度高，效率低。
近年来，硫系红外玻璃作为一种非晶物质，其转变温度达到250℃以上，可以采用热压方法加工成任意形状，从而大大降低成本，因此硫系玻璃作为一种能够替代锗单晶和硒化锌的极具性价比的透镜材料备受关注。
（3）红外探测器
红外探测器是红外成像技术的核心部分，其工作原理是利用红外辐射与敏感材料相互作用产生的各种效应进行工作，所说效应指敏感材料的某些物理量，例如尺寸、温度、电阻等会随着红外辐射强度的不同而发生相应的变化，根据这些物理量的变化，就可以对红外辐射进行探测。
依据探测原理的不同，红外探测器可分为热探测器（即非制冷型红外探测器）和光子探测器（即制冷型红外探测器）。
由于光子探测器需要工作在77k的低温条件下，需要配备笨重且昂贵的制冷设备，高成本和难以小型化的缺点制约着其向民用领域的应用。
而热探测器，尤其是测辐射热计因为与当前的Si基半导体工艺兼容，成本低，并且单一像元灵敏度低、分辨率低得缺点可以通过制作焦平面阵列的方式弥补，因而在报警监测、产业检测等民用领域得到了飞速发展。
（4）电路处理
电路处理是指在红外探测器吸收红外辐射并引起敏感材料的变化后，通过读出电路获取响应信号，并对该信号进行处理而形成图像信息的过程。
其中，对信号的处理包括校正、增益放大、补偿、去噪等，对信号进行图像处理的过程包括测温、目标识别、增强、显示等。
3.1热探测器（非制冷型）
非制冷红外探测器，即热探测器[52-53]利用红外辐射的热效应，由红外吸收材料将红外辐射能转换为热能，引起敏感材料温度上升，随着温度上升，敏感材料的某个物理参数伴随温度上升也发生变化，再通过某转换机制将该物理量的变化转换为电信号或可见光信号。
根据敏感单元的类型将热探测器分为以下五类：
（1）测辐射热计（热敏电阻型探测器）——利用热敏物质吸收红外辐射后，温度升高，阻值变化的效应来探测辐射的强弱，目前研究的主要材料有非晶硅、VOx、钛等；
图4测辐射热计结构
（2）热释电探测器——利用晶体材料吸收红外辐射后的自极化强度变化，在垂直于自发极化方向的两个晶面出现感应电荷，通过测量感应电荷量或电压的大小来探测辐射的强弱。
目前使用的主要材料包括PZT、BST、钽酸锂等热电-铁电体。
图5热释电探测器结构
（3）热电堆探测器——利用逸出功不同的两种导体材料组成闭合回路，其中一种材料吸收红外辐射后温度变化，由于温度梯度使得材料内部的载流子向温度低的一端移动，在温度低的一端形成电荷积累，回路中产生热电势，这种现象称为塞贝克效应（即热电效应），而该两种材料构成的回路称为热电偶，一系列的热电偶串联称为热电堆，见图，通过测量热电堆两端的电压变化，探测红外辐射的强弱。
用于形成热电堆的热电偶主要有Si-Al、Pt-Si材料。
图6热电堆探测器结构
（4）二极管型探测器——利用半导体PN结具有良好的温度特性，其敏感单元为单晶或多晶PN结，与CMOS工艺兼容，易于单片集成。
图7二极管型探测器结构
（5）热电容型探测器——利用热膨胀系数不同的两种材料的薄膜黏合在一起形成双材料薄膜，它随着温度的变化而发生弯曲，从而电容发生变化，通过CMOS读出电路测出电容的改变而探测红外辐射的强弱。
例如金属铝和氮化硅薄膜形成的双材料微悬臂梁。
图8热电容型探测器
整体而言，热探测器因为不需要额外的制冷装置，因此尺寸小，重量轻且功耗低，能够提供更宽的频谱相应和更长的工作时间，尽管在灵敏度方面和响应速度方面仍存在一定限制，但随着其在民用领域的广泛普及，已经吸引了大量的投资涌向该领域，将来在建筑业、环境业、交通业等民生领域都将成为最重要的检测监测手段。
3.2光子探测器（制冷型）
光子探测器[54]基于敏感材料吸收红外辐射后产生的光电效应，探测单元吸收光子后发生电子状态的改变所引起的电学现象。
通常按照电导、电势的变化将光子探测器分为两类：
光导型光子探测器——包括HgCdTe半导体、量子点/量子阱探测器、超晶格探测器；
光伏型光子探测器——包括InSb探测器、肖特基结探测器、PN结探测器等。
3.3红外图像处理与分析
受限于红外探测器的制作工艺难度和材料纯度影响，同时由于红外图像表征景物的温度分布，是灰度图像，没有彩色或阴影，因此红外图像主要存在如下几个共性问题：
第一，红外成像受非均匀性及无效像元的影响，实际温度分辨率不高，造成视觉效果模糊；第二，外界环境的随机干扰和热成像系统的不完善，给红外图像带来多种多样的噪声，这些分布复杂的噪声使得红外图像的噪声大、图像对比度低、灰度范围窄等。
因此为了使红外图像更适于人眼观测、适用于后续目标识别及跟踪处理，增强红外图像目标，降低噪声等操作是必不可少的；而且经过增强处理后，可以突出红外图像中的某些信息，削弱或除去某些不需要的信息，同时再对红外图像进行合适的分割处理，可以确定不易辨认的目标物，为后续的识别与智能控制等奠定基础。
图像增强技术就是利用不同的图像处理方法改善图像的质量，也就是针对原始图像的模糊状况以及它的不同应用场合，有目的的增强图像整体和局部特性。
图像增强的最终目的就是提高观察者对红外图像的视觉效果和增强图像中的有用信息、抑制无用信息，来突出观察者感兴趣的区域和目标特征信息。
红外图像增强有以下几种经典的处理方法[55-56]：
一、灰度级修正
灰度修正是对红外图像在空域进行预处理的简单而有效的方法。
它是把原图的灰度函数f（x,y）经过一个变换函数T（i）变换成一个新的图像函数g（x,y）为：
g（x,y）=T[f（x,y）]，通过变换，达到对比度增强的效果，在变换的过程中，对每
升级会员 