基于深度学习的目标跟踪算法由于其良好的性能已经成为目标跟踪领域的主流算法之一。其核心思想是进行前后帧的相似性学习从而完成模板帧与搜索帧的匹配。其中, 相似性学习是影响跟踪算法性能的关键一环。以孪生网络的相似性学习为切入点, 对现有的深度互相关(DW-XCorr)的相似性学习方式进行改进, 提出了一种多尺度相似性学习的目标跟踪算法。该算法在SiamRPN的基础网络框架下, 构造多尺度互相关(Multi-Scale Cross Correlation, MS-XCorr)模块, 对原有的互相关操作进行多尺度的改进, 从而增加学习特征尺度的多样性, 提高了跟踪网络相似性学习的效率, 最终使得算法跟踪性能有进一步提升。在实验部分, 将改进后的算法与其基线进行了对比实验, 该算法在成功率(Success Rate)、精度(Precision)及平均精度(Norm Precision)上均有提升, 成功率提高了4.3%, 精度提高了4.4%, 平均精度提高了4.0%。实验表明, 多尺度互相关模块相较于深度互相关模块具有更强的相似性学习能力, 提出的多尺度相似性学习的目标跟踪算法在目标光照、形态变化、遮挡以及干扰等复杂场景下具有更好的跟踪性能。

在计算机视觉领域, 深度学习一直有着良好的表现。基于深度学习的目标检测方法在红外图像检测识别方面具有巨大的潜力。针对红外图像场景多变, 尺度变化范围大, 可用特征不足等问题, 提出了一种Dende-Yolov5的网络结构, 该网络融合了DenseNet网络和Yolov5的特点, 基于充分利用feature, 保护目标边缘的思想, 将Yolov5s中的Resunit模块替换成了自定义的密集连接型Denseblock模块, 并对Dense-Yolov5与原Yolov5网络在自建的红外数据集上进行了对照实验。改进后的Dense-Yolov5网络对各目标检测的召回率, 精度, mAP值均有提升, mAP提高了1.92%, 召回率提高了1.59%, 精度提高了0.99%。检测结果表明, 该网络对于红外目标, 尤其是特征不明显的小目标的识别效果更好, 对于未来**领域的红外目标识别、跟踪具有参考价值。

神经网络已被大量应用于图像去雾领域，并取得了较好的效果。但是一般用于去雾的神经网络的深度较深且结构复杂，不利于其在嵌入式平台上的部署。提出了一种基于基础块堆叠的架构，BP-Net(Block Piled Network)。并分别尝试用残差块与信息蒸馏网络(IDN)的信息蒸馏块作为网络中的基础块。此外，采用感知损失函数进行网络训练。训练结果在SOTS测试集上的平均PSNR与SSIM值分别达到了33.15 dB与0.977 2。此外，在大幅缩减基础块数量后，网络去雾效果也有良好表现。

与传统的成像技术不同, 赝热关联成像基于强度涨落统计测量, 仅采用一个不具有空间分辨率的桶探测器可以实现目标场景图像的采集, 具有探测灵敏度高、抗干扰能力强等优势。在实验室赝热关联成像验证的基础上提出了远场赝热关联成像系统样机, 系统主要包括激光光源、赝热场调制系统、散斑远场发射系统以及高灵敏度强度涨落探测系统等。由于该成像技术需要多次测量后进行重构计算, 为了提升系统信息采集效率和图像重构效果, 提出了基于非局部均匀滤波的图像重构算法, 充分利用先验信息, 有效提高图像复原的效果。最后通过仿真测试和实际成像试验验证了该方法的可行性, 试验结果表明提出的系统能对远程目标进行清晰成像, 并且在相同的采样次数下能够获得更好的复原效果。

为实现扫描振镜驱动电路的自主化，使其具有维修性和互换性，对高速扫描振镜的伺服控制理论进行了研究，并对反射镜进行了ANSYS有限元谐响应分析。在理论研究和仿真的基础上，完成伺服控制电路设计，其设计仿真结果可满足热像仪的应用需求。与国外同类扫描伺服控制电路性能进行了对比测试，响应时间小于2 ms，跟随稳定。测试结果表明，自主设计的扫描振镜伺服控制电路性能能够达到热像仪的使用要求。

辐射度定标是时间调制型FTIR数据处理中非常关键的一个环节,定标的好坏直接影响着其在应用中性能的优劣。根据光谱仪响应函数(线性或非线性)的不同,辐射度定标方法可分为线性定标和非线性定标; 根据定标中采用的点数的不同可分为两点定标和多点定标。首先用MATLAB对光谱仪采集的数据进行线性度分析与仿真,然后用C++编程分别实现线性定标和非线性定标。实验结果为两点法的误差为0.1118,抛物线法的误差为0.1684,四点线性的误差为0.0599。结果表明多点线性的定标方法效果最好。采用四点线性的方法进行定标将大大提升光谱的准确度,为后面的光谱识别工作打好基础。

传统的时间调制型傅里叶变换红外成像光谱仪的激光采样通过采用单个激光探测器探测激光干涉强度变化生成采样脉冲,其采样原理简单易实现。但该方法无法判断动镜移动的方向,也难以实现高频采样。对时间调制型傅里叶变换红外成像光谱仪的采样方案进行了对比分析,并针对快扫描采样方法提出了具体的实施方案。从原理和光路设计上介绍了一种适用于时间调制型傅里叶变换红外成像光谱仪的新的采样方法。该方法在传统引入参考激光的基础上,采用偏振的手段将参考激光分为具有固定相位差的两束光,并利用这两束光实现动镜移动方向的判断,以及干涉图样的4倍过采样。从原理上综合考虑了各个光学元件的偏振特性,并将该方法从基于正入射的平面镜推广到斜入射的中空角锥反射镜,扩大了该方法的适用范围,从原理上论证了该方法的可行性。

提出了一种基于场景的红外图像非均匀性校正算法。该算法结合了两点定标校正算法和基于场景的改进的恒定统计算法,将两点校正算法的校正系数作为恒定统计算法的系数初值,并引入阈值进行运动状态检测,对运动场景和非运动场景分别进行系数更新。实验表明,该算法可以实现对红外图像非均匀性的校正,对于本文实验中的视频图像,在100帧时算法收敛,其收敛时间优于其他传统基于场景的非均匀性校正算法,并一定程度上抑制了“鬼影”现象。

主要提出了一个新的正规自适应超分辨率算法.正规项只惩罚图像中可能包含有大量噪声的低频部分，同时保护图像中可能包含有锐利边缘的高频部分，其中，惩罚阈值自动地被一个线性函数决定.对于正规参数的选择，这里不采用固定的正规参数而是提出一个对数函数在每次迭代时自适应地选择正规参数.该算法经过仿真实验和真实的红外图像测试，实验结果显示该算法鲁棒性好，可以有效复原图像细节.

基于亮度-对比度传递技术提出了一种红外和彩色可见光图像的融合方法,该算法通过对红外图像和可见光图像在HIS空间进行二次融合,保留了可见光图像的颜色特性,并获得一幅具有良好亮度和对比度效果的融合图像。实验结果表明该方法融合噪声小、细节缺失少、融合速度快。