针对SIFT（Scale Invariant Feature Transform）算法中使用固定对比度阈值提出了改进方法。当红外图像纹理特征不明显时，算法所能提取的特征点数量会大量减少，影响后续利用特征点进行如图像匹配、目标识别等处理。而人工改变对比度阈值具有局限性，不适用于很多场合。因此提出了一种基于纹理特征的自适应对比度阈值的SIFT 算法。所使用的纹理特征提取方法是灰度共生矩阵，鉴于灰度共生矩阵并不能直接应用的特点，因此提取了特征参数。在图像纹理的特征参数如角二阶矩较大时，调低对比度阈值，使得特征点数量得以提高。此算法经验证表明能够在图像纹理特征不明显的情况下依然提取出大量的SIFT 特征点。

提出了一种新颖和鲁棒的红外图像序列中的目标跟踪方法.由于H无穷滤波器在系统噪声源不能确定或是未知的情况下具有较好的预测性能,所以以其估计得到的预测信息来分配粒子滤波算法的粒子.为解决粒子滤波的"采样枯竭"问题,正则化了H无穷粒子滤波器的观测矢量.同时,通过计算每个目标的亮度和局部标准差分布构成级联核的目标模型,以用于计算粒子集中各个粒子的加权值.对于目标的尺寸和表观信息变化的情况,以目标区域像素灰度值零阶矩的函数来调整跟踪窗口的大小,模型更新则通过更新目标模型的每个量化阶来实现.实验结果证明了所提出的红外图像目标跟踪方法是有效的,并且优于所比较的算法.

针对图像灰度变化和遮挡问题,提出一种增量符号相关的景象匹配方法.介绍了增量符号相关算法的理论基础,基本原理为将二维图像变换为一维向量,再将一维向量按照某种编码规律进行编码,得到由0、1组成的特征字符串,对由实时图和基准图上同样大小的基准子图变换而来的特征字符串求相关,相关系数最大者即为最佳匹配区.将此算法与绝对差算法和归一化积相关算法进行实验对比,在对算法进行定量分析的基础上,证明增量符号算法对灰度变化和遮挡有较好的鲁棒性,为图像匹配导航与制导提供了新的思路.

根据H∞滤波理论,提出了基于H∞滤波预测技术的红外图像小目标运动预测和跟踪方法,为了降低模型阶数以加快图像处理速度,滤波过程被分解在水平和垂直两个方向上分别进行,即将滤波器分解为x、y方向上两个子滤波器.H∞滤波器是一种基于最优化最坏情况下的滤波技术,它对噪声源的要求不高,能较好地应用在复杂场景下的目标运动预测与跟踪.实验证实了在噪声源不能确定或是未知的情况下,它比Kalman滤波器对红外小目标的运动预测更加准确并具有更好抗扰动性.