针对运动阴影检测时单一阴影特征难以完全将前景和阴影正确分离，提出一种多特征联合运动阴影检测方法。考虑运动阴影的光照、色度、纹理和区域统计特性，提出采用小邻域光照的对数比值不变性来判定阴影，接着联合阴影HSV 颜色空间特性和梯度方向小块合并的阴影区域统计特性来实现多特征联合运动阴影检测。为了客观评价方法性能，采用一种改进的量化方法，对不同光照和环境条件下的视频序列进行测试。实验结果表明，该方法效果好，前景检测率和阴影检测率高，可应用于智能视频监控的目标检测。

提出了NSA多尺度模型。该模型摒弃了LSA模型中不同尺度的图像间具有线性映射关系的假设。首先利用神经网络建立不同尺度图像间的映射关系；其次使用反向传播算法训练神经网络确定这种映射关系；最后根据该映射关系由低分辨率图像估计高分辨率图像。利用对比度相似性量化估计图像与目标图像间的相似程度。将该模型用于人脸识别，提出利用梯度算子进行图像分割提高识别的准确性。实验结果表明，以该模型分析得到的对比度相似性为95．3634%；以该模型为基础的人脸识别系统对光照具有很好的鲁棒性。

针对线性子空间模型在处理具有阴影的人脸图像时出现的不足之处，提出了GLS模型，并将其用于不同光照下的人脸识别。按照测试图像与正确模型间距离尽可能小的原则构造了一个确定最优分组数和子空间维数的标准；采用SVD方法和K平均聚类法将像素分组，并确定每个分组的线性子空间模型；计算测试图像到每个GLS模型中所有分组的线性子空间模型的距离之和，进而识别人脸图像。经假设检验统计表明，基于该模型的方法在处理不同光照下的人脸图像时，效果明显优于其他方法。

在计算机视觉与模式识别领域,人的视频身高肩宽范围检测与识别具有相当广泛的应用前景.本文提出一种新的方法从双目动态图像序列来获得人体身高肩宽范围.文中主要论述了该方法中对人体三维特征的重建部分,在无手工标注实现摄像机标定的基础上,应用人体特征三角形在双目摄像机投影下的几何意义,结合人体三维模型知识重建三维信息,决策身高肩宽范围.最后给出了实验结果及其在WMFVR(加权多特征视频识别)中的应用.

考虑近似图像信息和细节图像信息,提出了GNSA多尺度模型.该模型利用具有1个隐含层和50个隐单元的神经网络建立不同尺度图像间的映射关系;使用反向传播算法训练神经网络,确定这种映射关系;根据该映射关系由低分辨力图像估计高分辨力图像.采用亮度相似性和对比度相似性量化估计图像与目标图像间的相似程度.实验表明,以该模型分析得到的两种相似性分别为89.907%和96.196%;以该模型为基础的人脸识别系统对光照具有很好的鲁棒性.

提出一种身份识别模型WMFVR(加权多特征视频识别).模型分三层:先验层,建立识别群体视频样本库,通过数据发掘可识别
(区分) 的视频特征点,如身高、肩宽、人脸等,每个特征点聚类建立特征分布,如按身高聚为高、中、低三类;识别层,在相对静止背景下获取连续图像,检测跟踪运动目标,重建人体三维运动,按时间序列识别各个特征点,结合先验知识库,加权决策识别结果;后验层,根据识别结果,更新视频特征分布,刷新先验知识库.与传统视频身份识别相比,WMFVR充分利用连续动态图像下的视频特征,并引入后验机制,提高了视频识别的可应用性.基于WMFVR设计的视频考勤系统识别率为94.872%,表明在固定场景小范围人群的身份识别中具有良好的鲁棒性.