为了降低自由空间激光通信中对准难度, 本文提出了采用离焦的方法以增大接收视场角。以满足通信所需最低能量(-35 dBm)为基准, 理论推导了探测器接收能量、接收视场角(FOV)、离焦接收能量及离焦量之间的相互关系, 并通过Matlab仿真, 分析对比了离焦接收能量和离焦量对接收视场角的影响。结果显示, 当离焦量为05 mm时, 离焦接收能量从-209 dBm提高到-41 dBm, 接收视场角能增大027 mrad; 当离焦接收能量为-41 dBm时, 离焦量从02 mm扩大到10 mm, 视场角能增大1.75 mrad。通过对比表明, 提高离焦接收能量以及扩大离焦量都可以增加接收视场角, 且扩大离焦量的效果相对比较明显, 这对后续离焦系统的设计提供了理论指导依据。

为了客观评价图像质量, 本文提出联合颜色空间统计特征和权重局部二值模式(Local Binary Pattern,LBP)纹理特征的无参考图像质量评价模型。首先, 对失真图像进行亮度去均值对比度归一化(Mean Subtracted Contrast Normalized,MSCN)操作得到MSCN系数; 然后, 对MSCN系数提取其统计参数特征和权重LBP直方图特征, 其中统计参数由广义高斯模型获得, 权重为MSCN系数的幅度。另外, 还采用了Lαβ颜色空间下红绿和蓝黄分量的自然场景统计(Natural Scence Statistics,NSS)特征来增强基于颜色失真的描述, 并运用非对称广义高斯模型获得统计参数特征。最后, 运用SVR建立图像质量评价指标到主观质量得分的回归模型。在LIVE,CSIQ,TID2013和MLIVE数据库上的实验结果表明: 4个数据库加权平均Spearman秩相关系数为0.776, Pearson线性相关系数为0.821, 均优于其他方法; 图像大小为512×512时特征提取只需0.19 s。本文提出的方法与人眼主观感知具有良好的一致性, 并具有复杂度低等优点。

采用启发式、有监督的部位筛选方法组成了一种多部位集合的检测模型, 用于缓解遮挡和形变对人体检测造成的影响。该模型通过比较人体同部位上关节点间的Procrustes距离, 在训练集中获取有着相似姿态的同部位样本; 将梯度方向直方图(HOG)作为特征, 由典型部位分别训练出判别模型; 比较其在验证集上的检测效果, 从中筛选出检测率高的部位和未检出的图片, 再寻找对未检出图片检测率高的部位, 由这些部位组成混合模型。用混合模型检测时, 由Kullback-Leibler距离判断各部位在图片上的不同响应是否属于同一人, 以此来确定人体的外接矩形框。在INRIA人体库上的测试表明, 本文采用的模型在误检率(FPPI)为0.5时有81%的检测率, 高于有77%检测率的Poselets算法。本文基于Poselets, 结合HOG的特点采用了一套有监督的部位筛选机制, 使得模型成员数大幅度减少, 检测时间比原始方法下降了50%, 同时取得了优于Poselets的检测效果。

针对基于压缩感知的目标跟踪算法中存在的特征单一, 在目标纹理变化、光照变化较大时跟踪不稳定、易丢失目标的问题, 提出了多特征联合的实时跟踪算法。该算法以多个矩阵作为压缩感知中的投影矩阵, 将压缩后的数据作为特征来提取出跟踪所需的多种特征。在更新过程中, 针对不同特征在跟踪过程中的稳定性不同, 采取不同速度的更新方法, 使得在目标环境变化时跟踪的鲁棒性仍然很高。对不同视频的测试结果表明, 提出的方法在目标运动、旋转、纹理变化和光照变化的情况下跟踪准确, 在目标大小为70 pixel×100 pixel时平均帧速为23 frame/s, 满足实时跟踪的要求。与单一特征的压缩感知算法相比, 本算法在目标纹理和光照变化很大的情况下仍能完成稳定的实时跟踪。

针对被跟踪目标在发生严重遮挡时采用基于自学习方法的在线Boosting算法易导致错误累积而产生“漂移”甚至目标丢失的问题，提出了一种基于子区域分类器的在线Boosting算法。首先，将特征池划分为多个子区域分类器对应的子区域特征池; 然后，在跟踪过程中自适应地选取子区域分类器来组成强分类器以剔除被遮挡子区域对目标定位的影响; 最后，采用对子区域特征池进行部分更新的方法有效解决了特征在线更新时的错误累积问题。对不同视频序列测试的结果表明，当目标大面积被遮挡时本算法能准确定位目标，目标大小为36 pixel×40 pixel时的处理帧率为15 frame/s。与传统在线Boosting算法相比，本算法对发生严重遮挡的目标仍能进行准确跟踪。

针对传统Mean Shift跟踪算法在目标发生遮挡时容易跟偏甚至跟丢的缺陷，提出了一种新的抗遮挡跟踪算法。首先，对跟踪窗口内的目标进行分块；然后，对外围子块分别实施Mean Shift跟踪算法并检测遮挡的发生，当遮挡发生后即对所有子块实施Mean Shift跟踪算法；最后，引入一种子块置信度机制并仅用置信度最高的子块来确定目标的最终位置，从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。对不同的视频序列测试的结果显示，本算法能对发生遮挡的目标进行准确跟踪。当遮挡目标尺寸为70 pixel×100 pixel时，平均处理时间为38.6 ms/frame。结果表明，改进算法能够满足目标跟踪系统稳定性和实时性的要求。

传统的Mean Shift跟踪算法在目标发生形变时会因跟踪窗不能动态改变尺寸而导致目标跟偏甚至跟丢，因此本文提出了一种新的跟踪窗口大小和方向自适应的改进算法。首先，采用跟踪窗口内协方差矩阵主分量分析法来计算跟踪目标的方向和尺寸大小；然后，联合相似性度量和卡尔曼滤波器来更新跟踪窗口的大小和方向倾角，使之适应目标的变化。实验显示，本算法可对不断旋转和缩放的运动目标进行准确实时跟踪，当目标尺寸在35 pixel×17 pixel到176 pixel×80 pixel之间变化时,平均处理时间为17.45 ms/frame,表明改进的算法能够满足非刚体目标跟踪系统的要求。

针对传统Mean Shift 跟踪算法对伪装目标进行跟踪时容易陷入局部最大值导致跟偏甚至跟丢的问题，本文首先采用联合直方图来增强对目标特征的描述，然后在跟踪过程中以目标背景区分度为原则，动态更改目标描述模型和通过调整联合直方图各部分的权重来自适应背景的变化，以保证跟踪此类目标的鲁棒性。实验证明，针对与背景相似的伪装目标，改进的Mean Shift 算法仍能对其进行有效准确的跟踪。