由于原始TSDF(Truncated Signed Distance Function, TSDF)模型仅考虑相邻时间上的关联, 误差将不可避免的累积到下一时刻, 无法构建全局一致的地图。为了实时精确的建立大场景稠密3D地图, 对TSDF模型进行了改进。首先, 构筑相机位姿模型和加权融合3D点截断信息的TSDF模型, 用于准确表示创建物体的表面。其次, 提出一种改进的回环检测方法, 并将其与随机蕨类彩色图像编码化相结合, 进而优化TSDF模型, 即混合优化位姿模型。最后, 使用g2o图优化库解算约束函数, 建立数据集间的优化边。实验结果表明: 混合优化位姿模型能识别曾到达区域, 特别在较大场景下使用可以得到更加准确的相机轨迹和地图。采用TUM数据集中的fr1/xyz、fr1/room、fr1/desk对所提算法进行检验, 结果表明该方法能够使相机轨迹的均方根误差分别下降0.59 cm, 3.14 cm, 0.94 cm。在室内环境和公开数据集上的实验结果证明了所提算法的有效性和准确性。

为了提高对视频序列中人体行为的识别能力, 建立了基于局部特征的动作识别框架。通过时空特征提取及编码和SVM分类器参数优化两部分对该框架所涉及算法进行了研究。首先, 采用Harris3D检测器获取时空兴趣点(STIP), 以方向梯度直方图(HOG)和光流方向直方图(HOF)对STIP进行描述, 并引入Fisher向量实现对特征描述子的编码; 由于固定参数下SVM动作分类模型存在泛化能力不足的问题, 将粒子群算法应用于各动作分类器参数寻优过程中, 针对种群多样性逐代变化的特点, 构建粒子聚集度模型, 并利用其动态调节各代粒子的变异概率; 最后, 利用KTH和HMDB51数据集对所提方法进行验证。结果表明, 所提自适应变异粒子群算法(AMPSO)能够有效避免种群陷入局部最优, 具备较强的全局寻优能力; 在KTH和HMDB51数据集上的识别准确率分别为87.50%和26.41%, 优于其余2种识别方法。实验证明, AMPSO算法收敛性能良好且整体识别框架具有较高的实用性和准确性。

针对由于待检测目标局部区域显著性差异过大造成的细微区域检测失败问题, 在贝叶斯理论框架下, 提出一种基于元胞自动机多尺度优化的显著性检测方法。首先结合暗通道先验信息和区域对比度在同一张图片的5个超像素尺度空间内分别构建原始显著性图; 接着, 利用元胞自动机建立动态更新机制, 通过影响因子矩阵和置信度矩阵优化每个元胞下一状态的影响力, 获得对应5个优化显著性图; 最后在基于贝叶斯理论的融合算法框架下得到最终的显著性图。在两个复杂度不同的标准图像数据库上将本文方法与10种主流显著性提取方法进行视觉效果和客观定量数据对比, 结果显示, 本文算法效果优于现有10种显著性提取方法, 其中在公认最具挑战的DUT-OMRON数据库的综合指标F-measure 值为0.631 4, 平均绝对误差(MAE)为0.132 5, ROC曲线下面积(AUC)为0.892 8, 表明本文算法具有较高的准确性和鲁棒性。