压缩跟踪算法作为一种新的算法, 具有简单、高效、实时的优点, 但该算法依然存在缺陷。首先, 在复杂背景或有遮挡等情况下, 容易较快的引进误差; 其次, 跟踪窗口保持不变, 使得不能正确跟踪目标位置且不能准确更新正负样本; 最后, 搜索样本数目大, 导致跟踪速度不理想。针对这些问题, 利用前后帧跟踪点的直方图对比来判断遮挡的发生, 并自适应的改变更新系数; 采用在原算法最优匹配点周围小范围多尺度搜索更优位置的方法, 来适应目标尺寸的变化; 引入粗精跟踪策略, 在不同阶段使用不同数量的子特征集进行匹配, 以筛选样本、减少计算量。这些改进避免了算法缺陷导致的跟踪失败, 提高了跟踪效率。实验证明, 改进后的算法比原算法具有更好的鲁棒性且跟踪速度更快。

针对无重叠视域中难以将运动目标与时空因素发生关联或关联后难以求解问题, 提出了采用最优路径的数据关联算法并用离散蚁群算法进行了求解。算法首先利用贝叶斯网络, 将目标外观匹配相似度、空间约束和时间约束三者融合, 把数据关联问题转换为网络中最优路径的选择问题; 其次, 把路径间样本对的平均相似度设为评价函数, 评价函数取最大值时的路径就是最优路径; 最后, 根据目标的出现在时间和空间存在离散性的特点, 用离散粒子群算法求解最优路径, 并用粒子编码记录目标运动路径。本算法在由五个摄像机构成的网络中对运动目标进行跟踪仿真, 结果表明能有效地求解多目标的最优路径集合, 获取了目标在网络中的运动轨迹, 实现了接力跟踪, 具有良好的鲁棒性。

针对传统帧间差分算法存在漏检、空洞和虚假目标等问题, 提出一种改进的帧间差分算法。对几种常见色彩空间的运动目标检测效果进行实验对比分析, 选取检测效果优良的色彩通道分量构建运动目标检测的混合色彩空间CbVb*。为充分利用帧间信息的相关性, 根据CbVb*空间的场景像素变化特性, 提出七帧帧间差分算法以获取运动目标的时域帧间差分; 采用自适应阈值的Canny 算子得到梯度域的运动目标边缘, 将时域帧间差分与梯度域目标边缘进行融合, 并对融合信息进行腐蚀和膨胀处理得到最终的检测结果。实验结果表明, 改进的算法可以更准确地检测出运动目标, 并具有较好的鲁棒性、适应性和实时性。

在空间较小的动平台上, 光电经纬仪在目标进近下滑段离飞行目标距离很短(小于200 m), 此时跟踪角速度大, 很容易丢失激光合作目标, 且会出现激光漫反射现象, 导致激光测距信息无效。为解决无激光测距无法使用原有方法进行轨迹测量的问题, 本文提出无激光测距的经纬仪单站精确测量方法, 其在经纬仪精确标定的基础上, 结合中线视频、经纬仪视频和平台运动姿态, 采用空间几何和共线条件的方法实现目标单站定位测量。试验结果表明该方法具有标定简易、定位精度高、可靠性强等优点, 动态条件下实际测量精度, 飞行方向优于0.3 m, 高程方向优于2.5 cm, 由中线视频获得的偏航精度优于5 cm, 满足测试需求。

针对粒子滤波跟踪算法中重采样所引起的粒子多样性缺失问题, 提出了一种自适应粒子滤波重采样方法。首先将粒子权值进行分类, 中等权值粒子保持不变, 大、小权值粒子进行权值优化组合, 其次对优化组合后的小部分粒子进行系统重采样。最后对粒子的权值及粒子的复制次数分别进行比较运算。试验结果表明, 改进后的粒子滤波算法不仅提高了机动目标跟踪的运算效率, 而且还有效提高了跟踪的稳定性, 目标跟踪更加准确。

针对传统mean-shift 算法核窗宽在跟踪过程中无法根据目标的大小变化进行相应调整问题。本文提出了一种基于分块的核窗宽调整mean-shift 跟踪算法。该算法在跟踪窗口中心与目标形心定位的基础上, 对跟踪窗进行分块, 根据候选目标跟踪窗和分块目标跟踪窗中心距离的变化, 对核窗宽的大小进行调整, 使得跟踪窗口始终与跟踪目标的大小相匹配。实验表明算法对跟踪变大和变小的目标均取得了较好的跟踪效果。

针对传统非参数变换测度的局限性, 提出了一种基于局部纹理加权项的非参数Census 变换测度, 并使用半全局匹配法聚合代价的立体匹配算法。根据图像纹理度量的方向性, 通过增加局部纹理反差值计算匹配窗口内所有像素的灰度均值, 将其与反差值的加权和作为现匹配基元。使用半全局匹配法计算8 邻域方向的匹配代价, 以最小代价为匹配条件选取初始视差值。最后, 利用图像分割法统计各分割区域的视差直方图, 以直方图主峰所对应的视差值作为最终视差值。实验结果表明, 该算法获得的视差精度优于当前多数局部算法, 处理立体匹配中幅度失真的问题效果明显, 能够很好地适应于真实场景测量。

全景视觉是计算机视觉领域中的关键技术之一, 而投影模型在全景技术中又起到了非常重要的作用。为了减少柱面投影带来的水平直线畸变以及保证不同摄像机之间图像接合处的平滑性, 本文针对多摄像机全景系统提出了基于柱面的多平面全景投影技术, 该技术首先通过对每个摄像机图像平面做柱面投影来实现柱面全景图像。然后在根据柱面全景中的内容进行水平二次划分为几个子图像。最后, 对划分后的子图像再按照反柱面投影模型进行一次多平面投影就得到水平直线畸变较小的全景图像。实验结果表明该方法校正后的全景图像中水平直线的曲率不大于0.002, 同时还保证了不同图像平面接合处的平滑性。

针对立体视频传输中右视点整帧丢失, 提出了一种基于结构相似度(Structural Similarity, SSIM)的立体视频右视点整帧丢失错误隐藏算法。首先, 提出了时域SSIM 和视间SSIM 的概念。然后, 根据视频序列的时域相关性, 将前一时刻右视点图像宏块的预测方式作为丢失图像宏块的预测方式。接着, 将前一时刻右视点图像以宏块为单位进行时域和视间匹配, 求取其以像素为单位的时域SSIM 映射图和视间SSIM 映射图。最后, 计算并比较前一时刻右视点图像每个宏块的时域SSIM 和视间SSIM 值, 得到每个宏块的预测方式, 将其预测方式作为丢失帧中宏块的预测方式, 从而使用运动补偿预测或者视差补偿预测的方法进行恢复。实验结果表明, 与传统的算法和Pang 的算法相比, PSNR 值分别提高了2.76 dB 和3.43 dB, 且本文算法主观效果较好。

针对红外云图分辨率低的问题, 提出一种基于耦合过完备字典的超分辨率方法。在分析红外云图成像退化模型的基础上, 建立了采用稀疏表示理论的超分辨率重构框架, 首先随机抽取大量高、低分辨率云图的图像块, 组成训练样本, 经过字典学习获取针对高、低分辨率云图块的两个字典Dh 和Dl, 为保证对应的高、低分辨率云图块关于各自的字典具有相似的稀疏表示, 提出一种耦合字典学习算法, 该算法改变了字典对的更新策略, 通过在每一步迭代中交替优化Dh 和Dl, 得到耦合的过完备字典对; 最后对输入的低分辨率红外云图, 采用最优正交匹配追踪算法(Optimized Orthogonal Matching Pursuit Algorithm, OOMP), 得到满足重构约束的高分辨率云图。实验结果表明, 本文方法与其他方法相比, 红外云图重构质量有较为明显的改善, 而且比同类方法具有更高的计算效率。

利用随机矩阵相乘是最近提出的一种求解零空间线性鉴别分析的算法, 但是此算法需要对一个n×n 的矩阵进行特征值分解(n 指的是训练样本数), 使得其算法复杂度依然较高。为了进一步提高零空间线性鉴别分析算法的求解速度, 本文提出了一种新的利用随机矩阵相乘的求解零空间线性鉴别分析的快速算法。本文的算法不需要对n×n 的矩阵进行特征值分解, 使得其算法复杂度比现有的零空间线性鉴别分析求解算法要低得多。理论分析和在人脸数据库上的实验表明, 本文算法的计算速度远比现有的零空间线性鉴别分析求解算法要快, 但是其识别率与现有的零空间线性鉴别分析求解算法相同。

针对传统局部二值模型(LBP)算子容易受到周围噪声点的干扰的缺点, 提出了首先对图像进行Gauss 滤波预处理, 去除图像中的干扰噪声。针对传统LBP 算子无法提取出非局部特征信息, 提出一种新的基于多尺度加权的改进LBP(MWLBP)算子。MWLBP 算子以不同大小的方型邻域为研究对象, 将不同大小区域的LBP 直方图进行加权求和。MWLBP 比传统 LBP 算子提取的特征范围更大, 在提取了局部特征的同时, 保留了一定的非局部特征。相对于Gabor 和其它特征提取方法, MWLBP 算子在保留了多尺度特征的同时, 能控制计算量大小。在ORL 和Yale 人脸数据库上的实验表明, Gauss 滤波预处理确实能去除图像中的干扰噪声, 提高识别准确率; MWLBP 算子比传统的LBP 算子、Gabor 和其它特征提取方法减少了计算量, 加快了分类器训练和人脸识别的速度, 提高了准确率。

针对经过多次范例推理后范例库不断增大而导致占用存储空间大、检索速度慢等问题, 本文提出一种基于支持向量的范例约简算法, 其核心思想是找到范例库中的支持向量并确定出三个边界, 然后保留支持范例, 约简对求解新问题不起什么作用的冗余范例。实验结果表明, 该方法在牺牲很小的分类准确率的情况下, 大大减少了范例库的占用空间和检索复杂度。

传统的光电成像跟踪系统中, 通常采用固定尺度的滤波器对图像中的小目标进行检测。由于目标与系统距离的改变, 通常会带来其成像特征尤其是大小的不断变化, 这种特点导致传统的固定尺度检测器难以适应目标大小的改变, 无法获得最优的提取结果。针对这一问题, 提出了一种尺度自适应的小目标检测方法。基于拉普拉斯尺度空间理论, 利用对尺度归一化的拉普拉斯图像的分析, 达到了目标信号增强的同时抑制背景杂波的效果, 分别在空间与尺度上求得了最优的目标特征参数, 完成了对不同尺度最优的小目标检测。通过仿真与外场试验表明, 该方法显著提高了系统对小目标尤其是大小不断变化目标的检测能力。