针对现有目标跟踪算法对快速运动弱目标跟踪效果不佳的问题，提出了一种时空连续的多特征融合孪生网络算法。首先以全卷积孪生网络为基本框架；其次设计了一种从粗到细结合空间信息和语义信息的鲁棒性特征来表达快速运动弱目标，并添加了特征注意力；最后采用时空信息连续性模型对整体信息进行有效的更新，从而选定最佳跟踪目标。在快速运动弱目标跟踪序列中，与5种不同的特征选择及更新方式的算法进行对比，所提算法表现出良好的实时跟踪效果；并将所提算法与9种不同类算法和5种同类孪生网络算法进行了对比，所提算法综合性能表现优异。实验结果表明，所提算法具有较好的鲁棒性及实时性，能有效地对快速运动弱目标进行跟踪。

行人重识别(ReID)任务在提取身份相关特征时可能会丢失一些信息,导致判别依据减少并影响模型性能。为此,提出了基于双分辨率特征及通道注意力机制的行人重识别方法。首先,在ResNet基础上增加了高分辨率特征分支,通过在不同分辨率的特征图上应用池化层,生成了对应着8种不同区域的特征向量。然后根据特征向量的情况设计了一个通道注意模块,增强了其中有效部分的表达能力。最后利用批归一化处理来协调分类损失和度量损失。消融实验中,算法内各步骤的运用都有效提升了模型的性能。在Market-1501、DUKEMTMC-REID、CUHK03等数据集上进行的对比实验中,该算法相比近几年具有代表性的其他算法,平均准确率和Rank-1都有所提升。实验结果表明,该方法能结合更丰富的特征,提高行人重识别准确度。

光照或成像条件等因素会引起图像间的非线性变化灰度差异,导致图像的匹配效果较差。针对该问题,提出了一种基于栈式自编码(SAE)网络和结合圆形、线形邻域的局部二值模式(CL-LBP)特征描述子的非线性变化灰度差异图像配准算法。首先,结合改进的局部纹理算子与区域特征提取CL-LBP特征描述子并进行匹配。然后,采用监督学习分类的方式消除误匹配。最后,通过SAE网络对构建的匹配表示进行训练,提取匹配表示的深度特征并接入Logistic分类层进行分类。实验结果表明,该算法对非线性变化灰度差异图像的匹配精度较高,且在实际海冰图像中的匹配效果也较好。

针对合成孔径雷达(SAR)图像中普遍存在具有相干斑噪声、流冰区域浮冰接触紧密及小碎冰较多等背景复杂问题,提出了一种基于背景抑制显著性检测的SAR流冰分离算法。首先基于图像的显著性检测,通过学习随机森林回归量得到初步显著性图;然后通过超像素构建图像区域并进行离散傅里叶变换,提取区域频域特征并计算卡方距离;之后对边界背景进行抑制,生成背景抑制模块图;最后将两阶段的图融合得到增强显著性图。在SAR海冰数据集上对所提算法、7种显著性算法及3种海冰分割方法进行对比实验。结果表明,所提算法可以有效检测出孤立浮冰,抑制背景区域。

肺炎是一种严重威胁人类健康的疾病,及时、准确地检测出肺炎可以尽早帮助患者接受治疗。因此,提出了一种基于YOLOv3改进的Multi branch YOLO检测算法。用多分枝膨胀卷积输出的特征代替YOLOv3中不同层级的特征进行检测,在多分枝卷积神经网络中引入Boosting思想,并使用最大化熵方法优化网络。将每个卷积分枝视为一个弱分类器,通过最大化熵方法使每个分枝学习到相近的检测能力,避免多分枝卷积模型退化成单分枝卷积模型。基于北美放射学会提供的肺部X射线影像进行实验,结果表明,该算法在实验数据集上的检测准确率高于其他目标检测算法。

夜间环境下人车的检测与识别在自动驾驶，安防等领域具有重要意义。本文提出使用性价比较高的低分辨率红外热成像摄像机拍摄的图像来进行夜间的人车检测与识别，并根据图像独特的性质对Faster RCNN 网络进行了优化。增加多通道卷积层来适应热成像图像的灰度特性。使用全局平均池化层来适应较少的图像及类别数量，增加批标准化层来防止加深加宽网络后可能出现的梯度消失或爆炸。使用在城市夜间环境中采集的2000 张低分辨率热成像图像对网络进行训练与测试，平均准确识别率达到71.3%。相比于传统的检测手段，本组合方法在真实的场景中取得了较好的识别效果，同时提升了准确识别率，有效解决了夜间环境下人车检测与识别的问题，鲁棒性及应用价值较强。

针对红外图像检测与分割任务中颜色信息缺失,特征细节模糊并带有噪声,当目标数量较多时传统方法提取过程速度较慢等问题,提出一种用于远红外图像的优化YOLO检测与分割网络模型。提出的两个优化点分别为:综合分析实验使用的两种远红外数据集后使用K-means++聚类算法寻找多尺度预测标记锚点框尺寸;使用局部检测位置自适应阈值分割方法对检测目标进行像素级实例分割。本文优化算法在FLIR公开数据集与本文数据集中的检测速度分别为29 frame/s与28 frame/s,保证了实时输出的要求;行人检测准确率分别达到75.3%与77.6%,分割结果平均交并比达到70%~90%。实验结果表明,本文算法具有良好的稳健性和普适性,在远红外图像中可快速有效地检测行人并生成实例掩模。

为了克服核相关滤波(KCF)只根据目标外观模型追踪时准确性低的不足,融入运动模型,计算了检测目标框和预测目标框的交并比(IOU)。通过匈牙利算法,确定了目标间的最优关联。KCF和IOU模型都具有快速响应的特点,因此算法可满足在线处理数据的要求。在公开的2DMOT2015、MOT16数据集上进行实验,将所提方法与其他优秀方法相比,在保证30 frame/s以上处理速度的同时,追踪准确性提高10%以上。

光谱解混是高光谱技术中的关键部分, 对地物成分的定量分析至关重要。 线性光谱解混方法在计算端元丰度时, 大多需要涉及矩阵求逆或方阵行列式的计算, 导致软件实现的计算复杂度高, 且硬件实现困难。 同时, 当端元数量增加时, 算法的计算量也会随之呈指数级快速增长。 论文基于传统的正交子空间投影方法, 利用正交原理, 提出了一种新的光谱解混方法——正交向量投影。 该方法首先利用Gram-Schmidt过程计算每个端元的最终正交向量分量, 并将其作为代表端元的投影向量。 然后对于任意的待解混光谱向量, 直接将其投影到该正交向量上。 最后, 计算得到投影分量的长度与正交向量的长度比, 即为该正交向量所代表端元的无约束丰度。 该过程避免了正交子空间投影和最小方差方法中计算复杂、 实现困难的矩阵求逆运算, 更便于并行计算的设计和硬件实现。 通过理论的推导分析, 证明了该算法与正交子空间投影和最小方差方法是完全一致的。 另外, 由于算法避免了矩阵相乘和求逆运算, 简化了解混过程, 通过对不同算法复杂度的具体分析, 也证明该算法相对其他算法可以对端元数量降低一个量级。 最后, 在模拟数据和实际图像上分别进行实验测试, 结果的分析和比较, 也说明了算法的有效性。

为探索激光诱导时间分辨荧光光谱技术应用于海洋悬浮溢油原位探测的可行性, 对来自胜利油田六个不同井区不同密度的原油样品的时间分辨荧光光谱进行了探测分析。 结果发现, 各原油样品荧光发射的持续时间基本相同, 从ICCD中数字延时发生器(DDG)的输入延时52 ns开始, 到输入延时82 ns左右结束, 各原油样品的荧光峰强度随时间变化曲线的半高宽约10 ns; 不同原油样品的最强荧光峰位及其衰减寿命不尽相同, 并且与样品密度有一定相关性, 密度相近的原油具有相近的最强荧光峰位和相似的荧光寿命。 对比六种原油样品的时间分辨荧光光谱发现, 在荧光增强时, 原油荧光光谱峰位不变, 当荧光从最大强度开始衰减时, 六种原油样品的荧光光谱峰位均出现了不同程度(17~30 nm)的红移现象, 这一定程度上反映出原油中各荧光组分的荧光衰减速率存在差异, 或者存在荧光组分之间的能量传递。 所观测到的原油密度相关的时间分辨光谱信息和荧光峰红移现象可望成为水下悬浮溢油识别的有效特征之一。