为进一步适应复杂环境及战斗机自身状态的变化，提高目标跟踪算法的跟踪性能，在TLD算法框架下对其进行改进。首先，将改进了的SIFT特征匹配算法与TLD算法中的光流法相结合，根据战斗机的不同状态及周围环境自适应地选择相应算法，提高算法的鲁棒性和对复杂环境的自适应能力; 其次，引入粒子滤波进行优化，实时预测战斗机状态并缩小检测范围，在降低计算难度的同时提高跟踪速度和持续性; 最后，设置置信度检测以有效解决误判问题，提高跟踪精度。实验结果表明，当战斗机处于复杂场景或自身状态变化较大时，改进算法取得了优于参考算法的跟踪性能，可以满足长时间鲁棒跟踪的要求。

为降低商标检索算法的误检率，提出一种结合Zernike矩(ZM)和尺度不变特征变换(SIFT)的商标检索算法，该算法由离线数据库构建和在线检索组成。分别从查询图像中提取ZM和SIFT特征；根据查询图像的特征集与数据库中存储的图像的特征集之间的ZM特征进行相似度度量，形成候选商标集；最后，利用SIFT特征对查询图像与候选图像精准检测，对相似距离进行排序，将结果返回给用户。实验结果表明：与当前流行的商标检索算法相比，该算法具备更好的检索性能，在缩放、平移、模糊、透视、斜切、扭曲等变换干扰下，仍呈现出更理想的Precision- Recall曲线以及F值。

以图像匹配技术为代表的弹载电视制导技术具有信息直观的特点, 作为非常优秀的图像匹配技术, SIFT算法受到了广泛的关注和深入的研究。针对传统 SIFT算法实时性差的问题, 本文提出了一种改进的 SIFT算法。在提取特征点部分, 通过 Laplace算子找出图像边缘区域并进行 Laplace加权处理, 然后利用 FAST特征点检测算法提取区域特征点; 在生成特征点描述子部分, 将传统的 128维 SIFT算子降为 48维, 利用改进的 SIFT特征描述算子为特征点赋予方向和描述符使其具有旋转不变性; 在特征点匹配部分, 利用欧式距离提取匹配点对, 并采用 RANSAC算法提纯匹配点对, 得到最优矩阵。实验结果表明改进的 SIFT算法在目标旋转、尺度变化等条件下匹配效果良好, 与传统 SIFT算法相比具有很高的实时性, 可以很好地实现图像实时匹配。

瞳孔定位的精确度很大程度取决于图片质量, 但实际应用中通常要在低质量图片下进行瞳孔定位。我们的目标是在图片质量不佳的情况下进行精确的瞳孔中心定位。对于这个目标, 本文提出一种基于改进SIFT特征和SVM分类器的瞳孔中心初始定位方法, 并通过一个大小可变的修正矩形框得到最终瞳孔中心位置。实验结果表明, 相比于其他国内外先进方法, 本文的方法可以在低质量(光照不均、表情变化等)图片上拥有更高的瞳孔定位精度, 定位结果在瞳孔区域内的精度为87.32%。

Mean Shift算法具有良好的实时性, 但是由于其缺乏有效的目标模板更新机制而易陷入局部最大值。在经典Mean Shift算法的基础上, 结合SIFT特征匹配提出一种新算法, 实现快速移动和遮挡等复杂情况下的目标连续跟踪, 既保证了算法的实时性, 又弥补了Mean Shift算法的不足。针对运动车辆目标快速运动和遮挡情况进行实验, 并与其他算法进行比较。结果表明, 新方法有效解决了目标遮挡和快速移动等情况下的跟踪问题, 对于复杂条件下的运动车辆目标跟踪, 既保证一定的实时性又具有很好的鲁棒性。

针对随机抽样一致性算法(RANSAC)计算量大、耗时长、匹配点选取不当会影响变换矩阵精度、阈值的鲁棒性较差, 以及不能完全去除误匹配等不足, 提出了一种基于SIFT特征和误匹配逐次去除的图像拼接算法。该算法首先提取图像的SIFT特征, 并利用近似的最近邻搜索算法(BBF)进行特征初始匹配, 然后利用一种误匹配逐次去除的迭代算法正确地估计图像间的变换矩阵。在这种误匹配逐次去除的迭代算法中, 采用预检测模型的方法, 减少了迭代运算的数据量, 提高了拼接速度; 采用匹配点按块随机选取的方法保证了变换矩阵的稳定性和精确度; 通过逐次筛选去除误匹配, 且在筛选过程中采用自适应阈值, 完全去除了误匹配。实验结果表明, 该算法在保证较高精度和鲁棒性的情况下, 缩短了拼接时间, 提高了拼接效率。

采用尺度不变特征变换( SIFT)特征匹配方法对双目相机图像进行立体匹配，同时匹配相邻两时刻的三维点，求解运动方程进行运动估计，得到机器人 2个时刻坐标变换的旋转和平移参数；使用每 2个时刻的旋转和平移结果进行机器人的路径反演，采用 GPU加速 SIFT特征提取与匹配，实现实时的视觉里程计系统，并采用 RANSAC算法用于运动估计剔除误匹配点干扰。实验结果表明，具有仿射变换较强不变性的 SIFT特征匹配算法能够得到较为精确的路径反演结果，采用 GPU加速 SIFT特征提取与匹配能达到实时的视觉定位效果。

：针对目标跟踪过程中目标可能出现的快速变化和严重遮挡等问题，提出了一种基于新的子空间表示的目标跟踪算法。采用距离不变量对尺度不变特征变换(SIFT)特征点匹配对进行提纯。用提纯后的特征点匹配对，通过线性拟合得到仿射变化参数。在粒子滤波的理论框架下，采用快速的迭代算法，建立目标的主分量(PCA)子空间表示，结合计算得到的仿射变化参数，构造有效的目标观测模型完成跟踪。同时，采用在线学习的方法对SIFT特征点和PCA子空间进行定时更新。大量实验表明，提出的算法能快速有效地完成对姿态和形状剧烈变化的目标的精确跟踪。

针对传统匹配算法对旋转和扭曲图像匹配效果不佳的问题, 提出一种基于蛋白点区域SIFT(Sale Invariant Feature Transform)特征的凝胶图像间蛋白点匹配算法。首先, 提取蛋白点区域SIFT特征; 然后, 根据SIFT特征实现蛋白点粗匹配, 并采用RANSAC(Random Sample Consensu)方法剔除误匹配特征点; 最后, 通过计算粗匹配点集之间的TPS(Thin Plate Spline)变换关系, 采用几何相关法完成蛋白点间的精匹配。通过对国际凝胶图和Bio-Rad公司测试图等不同图源的凝胶图像进行蛋白点匹配实验, 结果表明, 该算法具有较高的匹配精度, 其匹配误差小于2.2% , 对旋转和扭曲图像同样具有良好的鲁棒性。