傍晚至清晨的照度低,成为交通意外、安全事故、犯罪事件的高发时间段。将适用于低照度环境下的热成像摄像机安装于移动平台,实现了监控区域的扩展。首先框选热成像图片中的行人及背景区域,然后提取亮度特征和方向中心对称-局部二值模式纹理特征进行随机蕨分类器的训练及分类;利用检测到的目标扩展训练样本库,更新分类器的后验概率分布,实现了分类器的在线自主学习。通过仿真测试,得到该算法对车载视频的运算速度为242.18 s,误检率为9.53%;对无人机视频的运算速度为14.93 s,误检率为4.52%。该算法的误检率低、分类速度快、便于移植,适用于对实时性要求较高的应用场合,具有一定的实际工程意义。

实现稳健的目标跟踪，建立有效的目标在线模型至关重要。针对现有在线学习跟踪算法缺乏对目标观测信息是否有效的判断，提出了一种简单且高效的解决方法。利用正负样本构建目标在线模型，基于压缩感知理论从多尺度图像特征空间提取特征信息完成目标表征之后，由随机蕨分类器进行分类并通过一种特征置信度度量策略来确定在线更新速率，最后由目标在线模型判断输出置信度最高的样本，此外还建立了一种遮挡反馈机制来决定是否更新目标在线模型。实验结果表明，该方法在目标被长时间遮挡、光照变化等情况下均能完成稳健跟踪，在320 pixel × 240 pixel 大小的视频序列中处理速度保持在30~50 frame/s左右，可以满足实时应用的需求。

复杂背景下进行舰船目标的跟踪时，在某些帧可能会有目标丢失。为了克服这个问题，采用联合检测-学习-跟踪的 TLD算法。其过程是通过训练一种在线可更新的随机蕨分类器对目标跟踪结果进行检测，并使用一种基于时空约束的 PN学习策略对分类器进行学习和更新，最后融合跟踪得到的结果对目标进行判别和确定。试验结果表明，该跟踪算法可适用于目标外形改变和遮挡的情况，鲁棒性强，识别率高，误检率低，同时实时性也较好，可以满足一般的在线跟踪系统的要求。

为实现光电成像末端制导中的自适应目标初始化, 针对末端制导景象匹配中图像存在尺度、旋转、灰度和3D视角差异, 及传统方法运算量较大的问题, 基于随机蕨分类器构造了一种新的景象匹配算法。算法首先利用基准图像进行分类器训练, 然后基于该分类器对实时图像进行特征匹配。为剔除误匹配特征对, 对初始匹配特征对中的对应区域分别进行尺度不变特征变换(SIFT)特征描述, 基于马氏距离准则进行误匹配特征对剔除。根据顺序抽样一致性算法(PROSAC)对剩余的匹配特征对估计两图像的外极几何关系, 最终根据外极几何关系求得目标在实时图像中的位置和尺寸信息。仿真结果表明, 该算法能够在光电成像末端制导过程中实现稳定的目标初始化, 在极端条件下的稳定性优于原随机蕨分类器算法。