针对压缩域跳频信号参数估计方法需借助测量矩阵寻找压缩采样数据的数字特征, 造成运算复杂度高, 且存在基不匹配的问题, 提出一种压缩域数字特征和原子范数的跳频信号参数估计方法。建立块对角化的测量矩阵, 实现信号分段压缩, 分析压缩采样数据的数字特征, 实现跳变时刻粗估计; 分离出未发生频率跳变的信号段, 利用原子范数最小化方法实现跳变频率的精确估计; 最后依据精确估计的跳变频率, 设计原子字典, 并在压缩域实现跳变时刻的精确估计。基于该算法的跳变频率估计性能高于基于压缩感知的跳变频率估计, 亦能精确估计跳频信号的跳变时刻。仿真结果显示, 在信噪比高于 -2 dB, 压缩比高于 0.5时, 基于该算法的归一化跳变频率估计误差低于 10-4, 归一化跳变时刻估计误差低于 10-2。

为了在非协作情况下，对跳频信号的频率跳变时刻进行精确快速估计，提出一种基于压缩采样值的跳频信号跳变时刻快速估计算法。该算法首先通过压缩感知技术以远低于奈奎斯特采样定理要求的速率对跳频信号进行整周期滑动采样，然后根据不同时刻相邻两跳信号窗函数的特点，重构信号在傅里叶正交基上的2 个权值最大的稀疏系数，并由此对前后两跳持续时间进行判断，从而对跳频信号的跳变时刻进行参数估计。仿真结果显示，该算法能有效地估计跳频信号的跳频转换时刻，且实时性优于现有时频估计类算法。

最小二乘匹配(LSM)对全局灰度和几何畸变有较好的适应性, 得到了广泛应用和重视。但是该方法存在计算量大, 难以实时应用, 以及不能适应局部光照变化等问题。提出了不变系数光照不变最小二乘匹配, 通过固定法方程式系数, 大幅减少了单位迭代计算量。在实际中, 由于成像场景和光照条件的复杂性, 传统的以整体灰度变换模型近似图像间灰度变化往往会存在较大误差, 由于真实灰度畸变模型不易获取和计算, 该问题一直没有得到很好解决。提出了用光照不变描述替换原始灰度描述的方法, 实现了对局部灰度畸变的适应, 并将最小二乘匹配的迭代维数由8维降为6维, 进一步提升了计算速度。理论分析和真实数据实验表明, 该方法较之传统方法计算速度提升6.18倍; 几何变化和局部光照变化仿真实验证明了此方法对局部光照变化有较好的适应性。

中轴线法是靶场试验中常用的目标三维姿态测量方法，但该方法求出的俯仰角和偏航角所描述的目标姿态可能与目标实际情况相异，必须进行人工修正。提出一种自动对姿态判读结果进行修正的方法，将目标共线方程与中轴线方程联立求解，可快速地求出角度修正量。实验证明该方法可对中轴线法求解结果进行自动修正，得到正确的目标三维姿态角，提高了姿态判读的速度和可靠性。

提出一种用图像对标定摄像机参数的新方法。传统自标定方法需要先由图像特征计算基础矩阵，该方法则是从图像中提取一组未知长度和长度比的平行直线，以图像中心坐标为主点初值，利用直线的射影不变性先求得摄像机焦距、旋转矩阵和平移向量的初值；再由图像对固有的极线约束来优化摄像机的参数，从而得到高精度的主点、焦距、旋转矩阵和平移向量。使用该方法对图像目标进行三维重建，仿真实验表明：该方法对场景要求较少，原理简单，方法易行，标定摄像机参数精度较高。

目标的最佳描述区域对于建立目标特征、目标跟踪、目标轮廓求取具有非常重要的意义。针对这类问题，提出了一种目标区域最佳椭圆描述确定方法。新方法首先根据目标和背景的差别确定出目标区域，然后利用尺度空间理论计算出目标的最佳椭圆描述。实验表明：新算法可以有效、准确地确定出目标包含区域的大小和方向。

小目标检测是计算机视觉领域的一个研究热点。当仅对图像中不同尺度目标中的某些特定尺寸目标感兴趣时，传统方法将无法做出正确判断，而且当目标接近摄像机时图像上目标的尺度通常会发生较大变化，传统方法也难以适应。针对这一问题，提出一种基于正负LOG^[1]算子的小目标实时检测系统。新算法首先根据目标在短时间内所作的近似直线运动，利用Top－Hat^[2]算法在初始几帧图像中检测出真正的目标点，然后根据目标特性确定正负LOG算子的参数，最后利用确定的正负LOG算子对后续帧图像进行连续检测，确定真实目标位置。实验证明，该检测方法在实时性、检测准确性及抗干扰性上均有较好的表现。

针对运动目标检测问题,该文提出了一种基于Gabor特征描述的像机运动自动补偿方法,为检测出和像机存在相对运动的目标提供了基础。新方法首先通过尺度空间理论检测出兴趣点,然后根据其特征尺度和特征方向对每个兴趣点建立特征描述,接着利用交叉匹配得到初始匹配结果,最后通过随机采样一致性算法鲁棒地估计出两幅图像之间的变换参数。实验结果表明,新方法可以有效地检测出变化背景中的运动目标。

针对靶场试验中目标三维姿态测量的问题,研究了一种全自动测量轴对称目标三维姿态的新方法。首先对靶场目标成像模型进行分析,其次采用几何主动轮廓模型(GAC)和改进的Hough变换算法高精度提取图像上目标的中轴线,在此基础上利用目标成像的共线方程对传统中轴线法求出的俯仰角和偏航角进行自动修正,消除了传统中轴线法求取目标姿态结果的二义性,得到了符合实际情况的目标三维姿态参数。实验证明,该算法能高精度地提取目标中轴线,并可快速求解真实的三维姿态角。

针对复杂背景下运动目标跟踪这类问题,提出了一种显著性加权最小二乘图像匹配跟踪算法。新方法首先根据目标上不同区域和背景的差别大小,给每个目标区域赋予不同的权值。然后将权值与最小二乘图像匹配算法结合起来对目标进行跟踪。实验中将本文算法与三种经典跟踪算法进行比较,实验结果表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标,而经典算法均出现问题。新算法的单帧处理时间也可以满足实时处理要求。