红外图像成像特点：
由于红外图像是通过“测量”物体向外辐射的热量而获得的，故与可将光图像相比：
分辨率差
对比度低
信噪比低
视觉效果模糊
灰度分布与目标反射特征无线性关系
局部不变特征
目前绝大多数景物匹配算法提取的都是全局不变特征，它能很好解决同一目标的一致性判决问题，但很难消除图像的成像畸变。当图像之间的成像畸变很复杂时，利用全局信息进行匹配非常困难，特别是存在局部遮挡时，全图特征会随之变化。
基于以上特点，红外图像的匹配识别与跟踪一般都是基于特征的方法，一般都是采用局部不变特征来对红外图像进行处理识别。
局部特征提取，即，将图像整体分割成若干个组成部分，对每一部分提取全局特征。此处的分割并不是我们直观认为的分割，理想情况下，人们总希望局部特征对应客观世界的物体的一部分，但是这是不现实的，往往需要借助图像处理技术对高层场景进行理解。
局部稳定特征有：
角点特征
边缘特征
直线特征
纹理特征
基于以上特征构建的特征
特征提取步骤：
局部不变特征检测：检测特征的位置————检测子算法
局部不变特征描述：定量化数据描述方法——描述子算法
不变特征检测算法
- 角点检测算子
Harris
SUSAN
CSS
FAST（features from accelerated segment test） 等
- 斑点检测算子
DoG（高斯差分算子）
Multi-Scale Harris
SIFT
SURF等
- 区域检测子
Salient Region
EBR
IBR
MSER
Hessian-Affine
Harrise-Affine等
特征描述算子
特征描述算子是一种图像局部结构特征的定量化数据描述，它应该能充分反应特征点附近图像的形状和纹理结构特性。
一个理想的特征描述子应该具有以下特征：
鲁棒性：仿射变换/密度变换/噪声干扰下具有稳定工作的能力
独特性：局部结构发生变化时，具有捕获和反应这一变化的能力
匹配速度：相似性比较时的运算速度，特征空间维数越高，速度越差
描述子分类：
基于图像梯度分布（SIFT）
基于空间频率
基于微分和不变矩
红外图分割
红外图信息量少，根据红外图明显的亮度特征，可以考虑阈值分割
