研究了行车环境下激光条纹图像中心线快速、准确且可靠的提取方法。基于ENet深度学习模型实现了激光条纹的多区段快速分割;通过统计各区段内光条梯度方向的直方图来确定各分段光条的法线主方向,并构造了相应的方向模板;利用分区域多模板匹配的灰度重心法实现了光条中心的亚像素坐标提取。研究结果表明,该方法可以有效克服室外行车环境中各类干扰信息对光条中心提取的影响,单幅钢轨轮廓图像的光条提取时间仅为2.1 ms,误差均值约为0.082 pixel,标准差为0.047 pixel,兼顾了光条中心提取的时效性和准确率。

针对跟踪过程中出现的遮挡、尺度变化、光照变化等问题, 文章基于多模板提出深度核相关滤波算法。首先, 多模板算法选取最佳滤波参数优化分类器训练样本的能力, 多特征算法利用多种特征优化目标外观模型提高了跟踪过程的鲁棒性; 其次, 利用深度图信息计算跟踪过程中目标重叠率, 判断目标的遮挡情况, 遮挡时重新定义目标搜索区域, 并判断是否重新跟踪目标, 降低遮挡情况下的算法漂移问题; 最后, 根据目标遮挡情况判断是否更新分类器参数和目标外观模型, 提高模板更新的可靠性。利用Princeton数据库测试算法, 成功率和精度分别达到85.1和98.6, 比第二名算法分别提高了7.04%和4.67%。实验从成功率、精确度方面说明基于多模板的深度核相关滤波算法优于传统算法, 有一定研究价值。

针对目标跟踪中的目标尺度变化、遮挡、光照变化、相似目标混淆等问题，本文提出多特征融合的协同相关跟踪算法。首先，本文用多种特征构建目标外观模型，提高目标模型的鲁棒性，增强跟踪的抗形变能力和抗光照变化能力。然后，利用定点优化策略，解决多模板滤波优化问题，获得最佳滤波参数，通过多模板相关滤波算法估计目标位置，利用改进的尺度池方法解决目标尺度变化问题。最后，利用目标置信度判别跟踪目标是否发生遮挡，当目标发生遮挡时，利用CUR滤波模块重新检测目标，解决遮挡情况下跟踪任务。本文利用OTB-2013数据集中的方法测试本文算法，实验表明本文算法的整体成功率和精确度为0.622和0.830，本文算法在目标发生尺度变化、遮挡、光照变化、相似目标混淆等问题情况下，能准确、可靠地跟踪目标，具有一定研究价值。

针对移动机器人跟踪人体目标时目标因角度大幅变化引起外观改变造成的跟踪无效, 提出了多模板回归加权均值漂移跟踪方法。该方法通过建立目标的多模板模型, 应用均值漂移算法实现目标跟踪。首先, 根据前一帧均值漂移结果和当前帧头肩粗定位结果确定目标模板集, 使其包含目标人体的位姿和角度改变。然后, 采用多模板回归加权均值漂移实现目标的精确定位。在多模板均值漂移中引入回归模型实现颜色纹理特征与目标模型相似度之间的映射, 从而控制模板数量, 保证目标检测的实时性。最后, 分别在视频图像和机器人目标跟踪平台上对所提方法进行实验验证。结果显示, 图像处理平均时间为86.4 s/frame, 满足机器人跟踪的实时性要求。该方法解决了目标特征在跟踪过程中发生变化的问题, 提高了机器人跟踪时对目标人体特征变化的鲁棒性。

针对粒子滤波跟踪算法中粒子多样性退化问题，将改进的遗传算法应用到粒子重采样中，改善了样本的多样性。在改进的遗传算法中，使用了多项式重采样进行优选复制；以特定区间的随机数做交换率进行样本交叉繁殖；使用了马尔可夫链蒙特卡罗移动加高斯白噪声做样本变异繁殖并使用快速MH 抽样算法选取样本。改进后的粒子滤波跟踪算法不但保持了较高的运算效率，而且还较好地提高了跟踪的稳定性。试验表明，改进后的粒子滤波跟踪算法目标跟踪更加稳定，目标定位更加准确。

针对票据水印多目标检测过程中误检率和漏检率高的难题，提出了一种基于先验信息和多模板匹配的票据水印检测算法.该算法采用分级匹配的思想，首先选取初始水印模板进行单模板、粗匹配运算；然后利用票据水印的先验信息计算水印散布区间；接着在水印散布区间内进行多模板、细匹配运算；最后利用先验信息校验已检测到的水印位置，并估算未检测到的水印位置，降低水印检测的漏检率和误检率.仿真实验证明本算法误检率和漏检率低，可以有效地检测票据水印.