针对核相关滤波(KCF)目标跟踪算法在目标发生尺度变化和受到遮挡时无法保证对目标长时间跟踪的问题，提出了一种尺度自适应抗遮挡的长时间目标跟踪算法。首先，将方向梯度直方图(HOG)特征和颜色(CN)特征进行融合并增加一个尺度滤波器用于估计目标的尺度;然后，引入平均峰值相关能量指标(APCE)进行遮挡判断，采用SVM分类器重新检测目标被遮挡后的位置; 最后，根据平均峰值相关能量和位置滤波器最大相关响应值选择模型更新策略。选取OTB100和UAV123两个数据集进行实验，结果表明，改进算法能有效地解决目标尺度变化和遮挡等问题，实现对目标的长时间稳定跟踪。

针对间歇采样转发干扰识别问题, 提出一种多域识别融合算法。首先分析了真实目标回波和间歇采样干扰(直接转发、重复转发、循环转发)4类信号在时域、频域和分数阶域的内部差异, 并对各域进行奇异谱分析(SSA), 得出的SSA结果可作为区分信号差异的依据; 其次构造时、频、分数阶域3个基分类器, 提取4类信号时、频、分数阶域奇异谱峰度与斜度作为基分类器的特征因子进行训练验证; 最后联合后验概率和局部可信度构造基本概率赋值函数, 对各基分类器识别结果进行DS融合判决。仿真结果表明, 融合识别方法能够平衡各基分类器识别结果, 当SNR为0 dB、JSR大于5 dB时, 平均识别率超过95%。

针对核相关滤波器(KCF)跟踪算法在目标跟踪中存在尺度变化、严重遮挡、相似目标干扰和出视野情况下跟踪失败等问题, 提出了一种基于KCF的长期目标跟踪算法。该算法在分类器学习中加入空间正则化, 利用基于样本区域空间位置信息的空间权重函数调节分类器系数, 使分类器学习到更多负样本和未破坏的正样本, 从而增强学习模型的判别力。然后, 在检测区域利用Newton方法完成迭代处理, 求取分类器最大响应位置及其目标尺度信息。最后, 对最大响应位置的目标进行置信度比较, 训练在线支持向量机(SVM)分类器, 以便在跟踪失败的情况下, 重新检测到目标而实现长期跟踪。采用OTB-2013评估基准50组视频序列验证了本文算法的有效性, 并与30种其他跟踪方法进行了对比。结果表明: 本文提出的算法跟踪精度为0.813, 成功率为0.629, 排名第一,相比传统KCF算法分别提高了9.86%和22.3%。在目标发生显著尺度变化、严重遮挡、相似目标干扰和出视野等复杂情况下, 本文方法均具有较强的鲁棒性。

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域，并对原图相应的位置进行标记和归一化处理，然后利用HOG特征提取标记区域的高维特征向量，用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类，识别目标和干扰。仿真实验表明，该算法具有良好的性能，在复杂海天干扰背景下能够有效地识别红外舰船目标。

本文提出一种新的融合 SIFT(尺度不变特征 )和压缩特征的目标跟踪算法以解决姿态变换、光照变化、旋转和运动模糊下目标的稳定准确跟踪问题。算法使用压缩特征对目标和背景进行描述, 通过在图像帧中采集到的正负样本在线训练和学习 SVM(支持向量机 )分类器, 将跟踪任务构建为一个二类分类问题。使用该分类器对下一帧的目标和背景进行分类, 从而获得精确的目标位置和区域。同时, 算法使用前后两帧的 SIFT特征点之间的对应匹配关系求解目标尺寸变化值, 实现模板大小的自适应调整。将算法与其他算法在某些图像序列上的跟踪比较显示, 该算法在有效性、正确性和鲁棒性上性能优越。

基于核函数的Fisher 判别分析(KFD)在人脸识别中通常采用高斯径向基函数做核函数，但核函数中参数σ的选取对分类效果影响较大。目前参数σ 的选取一般仅凭经验，且该方法在处理大样本时，速度较慢。针对这个问题，本文提出了一种融合小波变换和改进KFD 的人脸识别的方法。该方法首先用小波变换降低样本的维数；然后在用KFD 进行特征提取时，采用微粒群算法自动获取一个最优参数σ，增强分类效果；最后用SVM 分类器完成特征的识别。实验表明，该方法与传统的KFD 相比较，运算时间减少，而且识别率得到提高。