为有效提升目标跟踪的精确度和实时性，设计了基于多模板匹配的双模型自适应相关滤波跟踪算法。对多模板匹配模型与核相关滤波跟踪模型参数进行初始化处理：多模板匹配模型选取得分函数作为模板与候选样本间匹配准则，通过候选样本得分获取最佳目标，更新多模板后，通过形变多样相似性实现多模板匹配；核相关滤波跟踪模型利用所采集目标样本数据建立循环矩阵，通过训练核化岭回归分类器获取核相关滤波器，并获取响应置信图，再利用响应置信图获取下一帧图像目标位置。通过自适应融合策略获取两个模型所估计目标位置，再采用金字塔尺度估计策略估计目标尺度变化，通过不断更新各模型参数实现目标精准跟踪。实验结果表明，在目标受遮挡或旋转、光照变化等复杂环境下，该算法的中心跟踪误差均低于 15 dpi，平均跟踪精确度均高于 98%，且目标定位时间低于 100 ms，说明该算法在跟踪精确度和实时性上具有明显的应用优势。

针对目前数码印花过程中颜色空间转换方法无法适应织物多样性引起的色差问题，提出一种改进的正则化极限学习机算法，实现L*a*b*到CMYK颜色空间快速灵活转换。首先，选用PANTONE纺织TCX色卡作为实验的样本数据，随机选取800个色块，这些色块的L*a*b*值作为输入，对应的C、M、Y、K值分别作为输出，训练网络，建立一个非线性映射，并根据岭回归模型的岭迹图观察法得出最优正则化惩罚系数，优化模型；随后，在TCX色卡剩余的色块中再随机选出100个色块作为模型的测试样本进行测试验证。实验结果表明，本文方法具有较高的转换精度和效率，最小转换色差为0.221，最大转换色差为6.965，平均转换色差为1.645，平均训练时间为1.489 s，能够满足数码印花色彩管理实际要求。

我国大科学工程项目LAMOST巡天计划每观测夜能获取多达数万条天体光谱数据, 天文学家通过对天体光谱的分析观察可以获取有效的天文信息用于天文学或天体物理学的研究。 而针对海量数据, 寻找自动方法分析天体光谱并进行天体各种物理参数的测量就具有重要研究意义和价值。 这一课题也吸引了许多学者进行研究, 但目前所尝试的算法和相应结果仍然需要进一步改进, 针对这一需求深入研究了核岭回归(KRR)方法在恒星大气物理参数(包括有效温度、 表面重力和金属丰度)自动测量方面的应用, 特别是在我国大科学工程项目LAMOST所释放光谱数据上的应用。 核岭回归是岭回归算法的进一步发展, 而岭回归是最小二乘方法的一种变形, 其具有解决高维多重共线性问题的能力。 所以KRR方法适合于处理高维的天体光谱信息, 从LAMOST的第五期释放数据中随机选择了2万条被识别为恒星的光谱数据用于实验测试, 该数据既包含低信噪比数据, 也包含高信噪比数据(g, r, i波段平均信噪比最低至6.7, 最高到793)。 首先, 本文对光谱进行预处理, 包括三个步骤: (1)利用小波变换对光谱数据进行去噪处理; (2)因为LAMOST采用的是后期修正的流量定标设计, 所以还通过流量归一化来避免部分光谱流量值不准确的问题; (3)由于每条光谱维数高达数千维, 利用主成分分析方法(PCA)对光谱进行了降维。 然后, 利用KRR方法建立了光谱数据和标准化后的三大参数值之间的回归模型。 最后, 通过设计进行不同的组合实验对KRR算法模型进行了测试分析, 并与经典算法支持向量回归(SVR)进行了对比。 综合所有实验结果显示KRR方法对应的有效温度、 表面重力和金属丰度的测试平均绝对误差分别为82.989 7 K, 0.185 8 dex和0.121 1 dex, 优于SVR的144.230 8 K, 0.188 6 dex和0.124 6 dex。 特别是KRR在温度测试结果上有较大优势, 由此表明KRR方法能够有效地应用于天体光谱特别是恒星光谱参数的自动测量处理中。

针对高光谱图像维度高、地物间非线性可分造成的分类精度低等问题, 提出一种基于多标签共享子空间和内核脊回归的空谱分类算法.该算法利用内核脊回归将地物相近像素在线性空间的不 可分特征映射到高维空间中, 实现分类特性在高维空间下的有效分离, 以提高地物相近特性的区分精度; 同时将高维样本数据映射到低维共享子空间中, 在低维环境下以多类标为指导, 引入低秩矩 阵建立类别标签与共享空间的预测关系, 挖掘多标签间的共同特性, 提高融合利用多类别间的共同属性提高高光谱图像的分类精度;最后利用奇异值分解迭代法求解目标函数, 一定程度上加速参数 求解.在Indian Pines和Pavia University两组高光谱数据集上进行仿真实验, 实验结果表明, 与其他同类算法相比, 在低样本比例下, 本文算法在总体分类精度、平均分类精度和Kappa系数等评价 指标上至少提高4.76%、4.24%和5.19%, 与非内核化的算法相比, 本文算法在基本不增加运行时间的情况下总体分类精度、平均分类精度和Kappa系数至少提高2.92%、2.8%和3.48%.

土壤中的重金属含量较少, 难以在光谱曲线上表现出明显的特征, 现有的土壤重金属反演实验多是通过统计的方法寻找重金属的敏感波段, 不能准确解释土壤重金属的反演机理, 难以建立土壤重金属反演的普适性模型, 通过分析铁锰氧化物、 有机质、 粘土矿物在土壤光谱曲线上的吸收特征, 深入研究了土壤重金属对可见光近红外光谱的影响, 分析了褐土中的重金属反演机理。 以徐州试验田为例, 共采集80个土壤样本。 首先, 利用ASD地物光谱仪测定土壤样本的光谱反射率, 并采用电感耦合等离子体质谱仪检测土壤样品中的Cr, Cd, Cu, Pb和Zn的含量。 然后, 土壤光谱经过包络线去除处理, 与重金属相关的吸收峰在480, 1 780和2 200 nm附近, 所显现的吸收峰主要受土壤中的铁锰氧化物、 有机质、 粘土矿物的影响。 在吸收峰位置提取了光谱吸收特征的四个参数： Depth480, Depth1 780, Depth2 200和Area2 200, 分析了它们随五种重金属含量变化的增减趋势, 发现四个参数数值与五种重金属含量有很强的相关性。 分析单个变量反演重金属发现, 参数Depth480反演Cr和Pb的效果较好, 参数Area2 200, Depth1 780反演Cd, Cu和Zn的效果比较好。 同时使用四个光谱吸收特征参数, 利用最小二乘法、 岭回归法、 支持向量回归法求取回归系数, 建立的五种重金属含量的反演模型比使用单变量建立的反演模型预测能力强且稳定, 五种重金属Cr, Cd, Cu, Pb和Zn反演效果最好的验证集决定系数分别是0.71, 0.84, 0.92, 0.80, 0.89。 结果表明, 在此研究区域Cr和Pb容易被铁锰氧化物吸附, 而Cd, Cu和Zn更容易被有机质、 粘土矿物吸附。 此研究为探究土壤光谱特征与土壤重金属含量之间的关系提供了参考。

天文光谱线指数数据能够较好地保留着恒星的物理特征信息, 为此借助线指数特征数据构建多参数模型, 有利于更好地回归分析数据的共变关系及谱线的内在规律。 世界上光谱获取率最高的施密特天文望远镜LAMOST发布的观测光谱都已经过标记, 利用天文可视化工具分析这些标记的恒星光谱线指数会产生预测因子自相关, 多元线性回归时因变量存在共线性, 导致方差较大、得到最小二乘回归系数不稳定, 虽不影响使用回归的有效性, 但较难从回归方程中得到独立预测因子的评估系数。 利用LAMOST巡天光谱数据中A型恒星Lick线指数为数据源, 选取有效温度Teff为7 000～8 500 K, 取信噪比大于50的光谱特征值实现回归分析恒星参数Teff值, 经箱线图呈现DR5星表中, A型光谱86 097条具备Teff值大样本光谱数据的整体分布, 统计分析26种线指数的特征值后, 选取分布相似且带宽为12 的kp12, halpha12和hgamma12字段, 减少解释线指数变量的数目, 优化冗余变量方差膨胀因子(VIF)系数。 实验选取两两变量间观测数据集, 局部拟合回归散点、 同样的数据源使用散点图的总体轮廓生成高密度散点图, 利用色差透明性突出显示数据密集区域。 结果表明多元线性回归和岭回归算法都能从低分辨率光谱中确定A型恒星的有效温度, 但经过共线性数据分析有偏估计实验, 使用岭回归分析寻找最佳模型, 能更准确地确定恒星有效温度, 进而得到预测A型恒星有效温度及谱线回归特性。

研究了稀疏孔径镜面硬点与边缘传感器布局对稀疏孔径相对位姿控制精度的影响。利用离散孔径镜面几何特性, 建立了一个由7个圆形子孔径组成的主镜模型, 并推导了子孔径间相对位姿控制矩阵。鉴于控制矩阵条件数大这一特点, 采用广义最小二乘法求解, 引入岭估计并给出了控制矩阵误差函数上确界, 分析了128种边缘传感器与硬点布局以及几何距离对控制矩阵条件数的影响。仿真结果表明: 硬点和边缘传感器的几何布局与系数矩阵存在内在联系; 离散孔径相对位姿控制系数矩阵存在严重的复共线现象,法矩阵出现严重病态; 硬点布局与改善系数矩阵病态性弱相关; 在硬点布局一定时, 增大相邻两边缘传感器间距, 控制矩阵条件数明显减小。针对控制矩阵病态问题,采用岭估计通过选择合适的岭参数病态特征得到了有效抑制, 该方法更能有效利用冗余的边缘传感器结构, 实现数据融合并保证测量系统的稳定可靠。

颜色属性跟踪算法使用的核脊回归分类器对于背景信息的利用过少, 导致算法在目标快速运动、局部遮挡和背景相似物干扰等情形下容易发生漂移。针对此问题, 首先, 通过计算响应矩阵峰值旁瓣比确定干扰峰所在位置; 然后, 在核脊回归分类器上引入对应的背景约束项来加强分类器对背景信息的利用; 最后, 使用构建尺度空间滤波器的方法实现对多尺度变化的支持。在Visual Tracker Benchmark数据集上的对比实验结果表明, 该方法在不过多损失算法速度的前提下, 能够有较高的跟踪精度。