视频中人体跟踪存在复杂性, 尤其是对复杂背景下的人体上、下肢区域进行识别与跟踪时, 传统算法存在一些问题。本文在传统 Kalman滤波跟踪算法基础上, 提出一种基于可变测量协方差的离散 Kalman滤波人体识别算法。通过初始化测量协方差, 用递归的方法从新获取的观测数据中计算出新的测量协方差估计量, 通过离散 Kalman滤波器进行跟踪。在实际的视频图像中, 表现出良好的跟踪效果, 并且对上肢、下肢及整个人体的区分以及部位跟踪方面都有很好的表现。相对于传统的 Kalman滤波算法, 本算法没有丢失跟踪目标的现象, 跟踪速度适中, 与人体行进速度保持一致, 基本为 1.5 m/s, 特别适用于对视频中的人体行为进行跟踪及分析处理。

为了快速高效地对星图进行识别，准确地完成天文导航任务，提出了一种基于剖分特征集星识别方法。首先使用星表数据建立数据库，三角剖分该数据库建立特征星库，再获取待识别星图剖分特征与已建立的特征星库相比较实现星识别。在改进海明相似度与Euclid相似度等相似方法基础上，提出了一种新的剖分特征集星识别法，使用该方法可以快速地找到一个很小的可能星集合，重复该方法再获得相邻星的可能星集合，两个星集合中赤经与赤纬最相近的就是识别星。实验显示使用剖分特征集星识别法，准确率可以达到97%以上，能够准确地完成星图识别任务。

由于恒星星图的噪声滤波对保持星点的边缘细节要求较高, 本文以塔基(Tukey)扩散模型与改善的PM(Perona-Malik)模型为基础, 提出了一种基于正则化影响函数扩散模型的星图噪声滤波方法。该方法通过导数算子提取边界点集, 利用图像中原始像素和噪声像素的空间分布特性对图像进行噪声滤波处理, 并通过给定边界条件恢复图像边缘。由于避免了方差稳定(VS)变换, 该方法可以直接处理高斯噪声。对普通图像和添加高斯噪声星图进行了仿真测试,并与普通扩散函数算法进行了比较。实验结果表明:提出的算法表现出了较好的噪声滤波能力,同时有效地保持了特征图像的边缘。相对于普通扩散函数算法其平均绝对误差降低了13.6%, 峰值信噪比平均提高了6.1%。得到的数据显示, 本方法的滤波能力优于普通的扩散函数方法, 特别适用于星图的噪声滤波处理。

星图识别算法的关键是识别效率高、花费时间短。过去的几十年里，人们致力于建设搜寻数据库的方法，而且确实找到了大量的搜寻方法。为了减少星图数据库的搜寻时间，提出了一种将不同恒星星等分层分类的新技术。同时，采用这种准确快速的搜寻方法提出了全新智能快速星识别算法。基于台式机的仿真结果显示这种星识别方法和数据库搜寻方法具有较高的准确性和效率。通过数据库搜寻星特征的时间复杂度为0(n)。除此以外，因为星图像的质量决定了星图识别算法准确性的改进，因此提出一种模糊边缘检测技术来解决图像的预处理问题，这种方法对于噪声消除、星特征提取、数据库建设和匹配有重要意义。