针对红外多尺度目标检测, 提出了一种轻量级的基于单级感受野增强的检测网络。检测网络采用简化的MobileNet V2作为骨干网络, 结合空洞卷积和空间注意力机制, 设计了单级感受野增强模块, 使单级特征图感受野范围得到扩大, 相邻像素点间的相关性得到增强。为提高模型反向传播效率、均衡正负样本, 采用自适应训练样本选择方法, 最终得到模型大小仅1.6×32 Mibit, 浮点运算量仅5.63GFLOPS的轻量级检测算法。在构建的MTS-UAV数据集上mAP达到89.6%, 在RTX2080Ti显卡上FPS达到105 帧/s。

针对现有基于深度学习的红外目标检测算法参数量大、复杂度较高、对多尺度目标检测性能较差等问题，提出了一种针对多尺度目标的轻量级红外目标检测算法。算法以 YOLOv3为基础，采用 MobileNet V2轻量级骨干网络、设计改进的简化空间金字塔结构(simSPP）、Anchor Free机制、解耦头和简化正负样本分配策略(SimOTA）分别对 Backbone、Neck和 Head进行优化，最终得到模型大小为 6.25 M，浮点运算量 2.14 GFLOPs的 LMD-YOLOv3轻量级检测算法。在构建的 MTS-UAV数据集上 mAP达到 90.5%，在 RTX2080Ti显卡上 FPS达到 99，与 YOLOv3相比 mAP提升了 2.60%，模型大小为 YOLOv3的 1/10。

针对局部二值模式采样不充分和对随机噪声及非一致性光照敏感的问题,提出一种改进梯度局部二值模式(IGLBP)的人脸描述方法。利用多半径和多方向的采样方式获取两组3 pixel×3 pixel的子邻域,其由2个半径8个方向的16个像素点组成;再将其用梯度局部二值模式提取特征,并将两组特征进行编码融合产生IGLBP值;将得到的IGLBP特征进行分块和统计直方图得到人脸的特征向量,并进行人脸的分类识别。在CAS-PEAL和AR人脸数据库的实验结果表明,该方法能够有效地提取特征信息,对人脸识别中的光照、表情、部分遮挡变化以及噪声等具有较好的稳健性。

针对单样本环境下传统人脸识别算法识别效果不佳的问题，提出一种结合改进中心对称局部二值模式和位平面分解的单样本人脸识别算法(ICSDBP)。采用改进中心对称局部二值模式算子提取人脸的特征信息得到两幅不同半径的纹理特征图像，将每幅纹理特征图像分解为4幅位平面图像，最后将8幅特征图像串联融合，使用最近邻分类器进行分类识别。在AR、CAS-PEAL和Extend Yale B人脸数据库上的仿真结果表明，该算法具有较高的识别率和较快的识别速度，对光照和表情等变化具有较好的稳健性。

为了在2维直方图上用Otsu方法更好地分割红外图像、提高抗噪能力, 提出了一种改进的方法。首先分析在2维灰度-邻域均值直方图上的分割存在不准确性, 采用2维灰度-梯度直方图, 且改进对邻域均值的求取算法;然后对Otsu法的阈值函数进行研究, 引入类内的分离信息改进阈值函数, 并简化该阈值函数以降低运算复杂度, 通过实验给出了相应的实验对比。结果表明, 改进的方法能更好地分割目标, 运行时间较少、抗噪性更强。