提出一种新的快速激光条纹中心提取算法,该算法具有较好的抗噪声或冗余点能力。该算法在传统重心算法的基础上结合轮廓跟踪算法,根据激光条纹在图像中的分布特点,通过阈值轮廓跟踪算法避免了对图像中不包含激光条纹区域的扫描,以此提高了提取速度,不用对整幅图像完成一次扫描即可计算出激光光条中心。所提算法具有复杂度低、计算简单、程序运行时间少等优点。实验结果表明:该算法能够实现对光条中心的快速提取,比Steger算法提速将近70.37倍,比传统重心算法提速将近4.48倍;对光条图像增加噪声(冗余)点后发现,所提算法具有优良的抗噪效果。

提出一种基于直方图二值化和改进的轮廓跟踪的瞳孔检测方法。首先对采集的瞳孔图像计算直方图, 根据直方图特征取出合适的阈值进行二值化, 再对二值化后的图像进行轮廓跟踪, 得到精确的轮廓边界, 进而得到直径、中心等信息。对前一帧瞳孔图像进行瞳孔信息计算后, 后一帧图像以该瞳孔中心为中心, 缩小检测区域进行直方图二值化及瞳孔轮廓跟踪, 得到该帧图像的瞳孔信息, 减少运算, 加快检测速率。该算法鲁棒性高, 速度快, 可满足 300帧/s的实时检测速度。

为解决已有线段表转换为链码表算法的缺陷, 在原有算法基础上对其进行完善和改进。根据线段表中不同线段的特性, 原有链码转换算法提出 6种类型的线段并分别给出转换方法, 但是这只能针对普通情况, 当有特殊情况如目标宽度只有一个像素时, 将会出现不属于上述分类的线段而使程序运行出错甚至崩溃。在已有算法对线段分类的基础上添加单像素顶线和单像素底线这两种线段类型以弥补原方法的不足, 并给出他们的具体转换过程。测试结果表明, 改进后的方法可以完美的实现二值图像的轮廓链码提取。

坐标测量机中传统的间接定位方法对微小特征定位不够精确, 为了提高微小特征的定位精度, 采用机器视觉技术对微小特征本身直接定位的方法, 进行了理论分析和实验验证。根据红宝石轴承材料的光学特性, 设计了视觉自动定位系统, 通过图像算法提取轴承内孔的图像中心, 并使用测量机的测针端部作为靶标对相机进行标定, 取得了相机图像坐标系与测量机坐标系的转换系数数据。结果表明, 该系统的定位精度达到0.01mm, 这一结果对提高微小特征的定位精度是有帮助的。

提出一种车载红外视频快速彩色化方法，利用轮廓特征点跟踪获取每帧物体类别的轮廓区域，采用类别特征色彩对各区域传递色彩。构建各景物样本特征色彩集，以各类景物在自然彩色图像中表现出来的特征色彩作为红外图像中对应景物的色彩；利用改进的高效K-Means方法对红外关键帧进行聚类，得到分割区域，提取轮廓特征点；通过KLT算法跟踪特征点，得到其在下一帧中的位置并同时修正，采用B样条插值进行轮廓复原，得到该帧的各类别轮廓区域；最后将特征色彩按类别赋予各区域，从而给各帧图像着上合适的颜色，实现红外视频序列的快速彩色化。实验结果表明, 该方法与基于运动估计的算法相比可提高近5倍的处理速度，并且能够得到与自然景物色彩较接近的彩色化视觉效果。

针对跟踪目标尺度变化问题，提出了基于灰度对数似然图像分割的快速主动轮廓跟踪算法。改进的主动轮廓跟踪算法将根据以目标与背景的颜色差异而建立的对数似然图对图像进行阈值分割和数学形态学处理，再将Kalman滤波器结合到主动轮廓跟踪算法进行目标跟踪。改进的主动轮廓跟踪算法对目标分割准确，轮廓特征显著，跟踪效果稳定，算法能很好地适应跟踪目标尺度变化。通过Kalman滤波器对目标位置点的预测减少了主动轮廓跟踪算法收敛的迭代次数，使算法的运算效率提高了33%左右。

为了提高动态图像序列中人脸轮廓跟踪时梯度矢量流(GVF)Snake算法的实时性，同时解决人脸跟踪中的遮挡问题，提出了GVF Snake和单变量一阶灰色模型GM(1,1)相结合的人脸轮廓提取方法。该方法首先利用人脸运动信息和肤色模型粗略地检测出运动人脸轮廓，然后采用GVF Snake算法将人脸轮廓精确地提取出来，从而有效解决GVF Snake算法的初始化问题。根据人脸轮廓运动的整体性，利用GM(1,1)模型预测人脸轮廓质心的位置，并以预测位置作为GVF Snake的迭代依据，同时将GVF Snake提取的人脸轮廓质心位置作为下一帧图像GM(1,1)模型的预测依据。存在遮挡时，则以GM(1,1)模型预测保持跟踪的连续性。实验结果表明，该算法跟踪的平均时间仅为GVF Snake算法的8.0%，平均跟踪误差仅为GVF Snake算法的31.2%，而且能更好地反映人脸轮廓的运动规律，跟踪实时性强，鲁棒性好。

针对受自然光照影响的手形图像难以准确提取手形轮廓的问题，本文基于手形边界像素在垂直于边界方向上存在灰度突变的特性，提出了一种基于方向梯度极值的手形轮廓跟踪算法。该算法首先找到手形轮廓的起始点，然后按照一定的搜索方向和规则，在局部区域内计算候选点集中梯度极大值所在的点，并逐点跟踪极大值点，得到手形轮廓。将该方法在实验室自采图库及香港科技大学(HKUST)的手形图像库两个数据库中进行轮廓跟踪实验，结果显示，自采图库的跟踪准确率为100%，香港科技大学手形图像库的跟踪准确率为85.8%，该库中符合本文算法限制条件的图像的跟踪准确率为99.4%。实验结果表明，该方法能在灰度图像上直接跟踪出准确、连续、完整的手形轮廓，尤其适合于受光照不均影响的手形图像的边缘提取。

本文将跟踪看作是二分类问题，提出了一种基于Adaboost 集成学习和快速水平集的轮廓跟踪算法。该方法首先在线地训练一个弱分类器的集合用以区分目标和背景，而通过Adaboost 将集合中的各弱分类器组合成一个强分类器，并用于标定下一帧中的各像素的类别属性，从而确定快速水平集算法的速度函数，然后采用基于动态邻近区域快速水平集来演化目标边界曲线以实现目标的轮廓跟踪。为适应目标和背景的变化，在跟踪过程中在线训练新的弱分类器，而时间相关性则通过更新包含新弱分类器的集合来实现。实验结果表明，在摄像机运动、光照变化、部分遮挡或目标尺度变化等情况下，能实现刚体或非刚体目标的轮廓跟踪。

针对视频序列中的人脸轮廓跟踪问题,提出了一种将改进水平集方法引入到粒子滤波框架中的轮廓跟踪算法。此算法使用零水平集函数对人脸轮廓进行表示,通过水平集函数的演化对人脸轮廓进行逼近。为了解决人脸遮挡问题,将形状先验加入到演化过程中来约束曲线的演化。算法在粒子滤波的框架下可以同时跟踪人脸区域的仿射运动和人脸轮廓的形变。实验结果表明,所提出的方法可以对人脸轮廓进行精确的跟踪,并对外界的光照变化,背景干扰,人脸部分遮挡有较强的鲁棒性。