针对现存行人重识别算法不能较好地适应光照、姿态、遮挡等变化的问题,提出一种基于特征融合与子空间学习的行人重识别算法。该算法对整幅行人图像提取方向梯度(HOG)直方图特征和HSV(Hue,Saturation,Value)直方图特征作为整体特征,再在滑动窗口内提取色彩命名(CN)特征和两个尺度的尺度不变局部三元模式(SILTP)特征。为了使算法具有更好的尺度不变性,对原图像进行两次下采样,再对采样后的图像提取上述特征。提取特征后,采用核函数分别将原始特征空间转换到非线性空间,在非线性空间内学习一个子空间,同时在子空间内学习一个相似性度量函数。在3个公开数据集上进行了实验,结果表明,所提算法可以较好地提高重识别率。

大气校正已广泛应用于区域生态植被的动态监测, 但是不同校正方法和模型对遥感影像光谱和森林碳储量估算结果的影响不得而知, 同时这种差异在多时相遥感监测与应用时经常被忽略。 以多期Landsat影像为数据源, 借助植被指数MNDVI和野外实地调查的马尾松林样方数据, 进行马尾松林碳储量反演。 然后采用几种常用的大气校正算法: 6S, FLAASH(fast line-sight atmospheric), IACM(illumination and atmospheric)和QUAC(quick atmospheric correction), 并结合地面同步实测的光谱数据, 以评估其对马尾松冠层光谱曲线、 植被指数以及林分碳储量估算的影响; 同时从遥感动态监测角度出发, 分析了相对大气校正（pseudo-invariant feature, PIF）对多时相影像植被指数与碳储量反演结果的校正效果。 结果表明, 经大气校正后的影像波段反射率与实测光谱结果较为接近, 其中近红外和短波红外波段光谱反射率明显上升, 同时可见光波段减弱, NDVI(normalized difference vegetation index)增加明显。 不同大气校正模型对研究区马尾松林碳储量的遥感反演结果影响较大, 其中IACM与6S模型分别具有较高的精度和较低的误差。 此外, 经过PIF校正后不同时相影像的NDVI相对偏差降低了85.16%, 同时马尾松林碳储量反演模型精度得到明显提升, 表明辐射归一化处理对于多时相遥感影像的应用十分必要。 研究发现ICAM与PIF的大气校正模型组合可较好纠正大气效应, 适用于多时相遥感数据的森林碳储量反演与监测研究。