为了提高图像滤波时边缘的保持能力, 提出鲁棒自适应加权的引导滤波算法。首先利用一阶差分法判断高斯滤波处理后引导图像的边缘位置信息, 在去除噪声干扰的同时, 提高边缘信息提取的鲁棒性, 然后通过最大类间方差法(Otsu)分割边缘区域与非边缘区域, 提高区域阈值选取的自适应性, 最后利用改进的分段函数模型拟合理想权重因子, 控制不同区域的平滑程度, 实现鲁棒自适应引导滤波, 达到保边平滑的目的。通过图像平滑实验与抠图实验对所提算法性能进行了验证, 与引导滤波算法及另外2种改进算法相比, 所提算法的保边平滑性能更强。

为了提高随机抽取一致性算法(RANSAC）的效率和精度，提出了一种基于采样优化的随机抽取一致性算法。首先通过匹配点的相似性度量计算匹配点先验概率，根据先验概率随机抽取最小子集估计模型，在全部数据上检验模型，依次迭代找到次优模型；然后以次优模型对应的内点集作为采样的初始集，随机抽取最小子集估计模型，并在全部数据上检验模型，若模型更好则更新采样初始集，依次迭代找到最优模型；最后，选择最优模型获得符合该模型的内点和最终的模型参数。选取多对不同变换的图像作为实验数据，从算法运行效率和模型精确度两方面对算法进行了测试实验。实验数据表明，本文算法的迭代次数约为标准RANSAC算法的20%，运行时间约为标准RANSAC算法的25%，标准误差降低了30%左右。本文算法充分利用了匹配点的先验知识和模型检验结果对采样模式进行优化，算法的运行效率和精度都有较大提高。

针对多目标跟踪技术中常出现的目标尺度变化、形变和遮挡问题，提出了一种具有良好鲁棒性的新算法。本算法采用改进的SVM分类器进行在线学习，将跟踪问题看作是一种最大间隔的结构化学习问题并对其更新方式进行改进，来寻找最优权重。同时对在线更新分类器的机制进行了调整，一定程度上减少了误差积累，使在线学习能够更好地发挥其长处。此外，算法采用相关滤波器自适应调整跟踪框大小，并提出遮挡处理和数据关联机制，使被遮挡后重新出现的多个目标编号不发生交换。经过实验验证，本算法提高了跟踪精度，在复杂的背景环境中能够较好地完成多目标跟踪任务。

提出了一种通过置信度判别将模型更新方法和尺度变化加入相关滤波器中的目标跟踪算法。在跟踪过程中常会遇到较多遮挡及相似干扰的情况,如果持续更新模型参数极易导致误跟或跟丢,因此采用置信度参数定性地判别跟踪质量,置信度低时停止更新,防止引入误差,提高正确率。确保准确跟踪后,再对尺度大小进行检测和更新,提出了较为快捷的尺度更新方式,简化冗余代码,使跟踪更精确的同时降低时间代价。实验证明,本文算法在精度和正确率方面分别比原算法提升了38%和33%,且性能优于几种现有算法,应对遮挡和尺度变化的情况具有更高的稳健性。

针对提高无人机侦察视频的拼接速度与效果的问题, 提出一种改进模型估计的无人机侦察视频快速拼接方法。首先, 基于自适应鲁棒性尺度不变的特征检测子对视频各帧进行基于点的特征匹配。其次, 提出改进的随机抽样一致性算法进行模型估计, 并去除误匹配点。最后, 提出侦察影像快速拼接算法, 计算各影像变换到正射拼接图的单应性矩阵, 完成视频序列拼接。实验结果表明: 改进的随机抽样一致性算法在保证鲁棒性的同时, 提高了执行速度; 侦察影像快速拼接算法提高了拼接速度, 同时改善了拼接效果。

特征检测子是近年来计算机视觉领域的研究热点。在宽基线匹配、特定目标识别、图像及视频检索、机器人导航和数据挖掘等多个领域均得到了广泛应用。为总结特征检测子目前存在问题及指出可能的发展方向, 对比分析了当前普遍使用的特征检测子的鲁棒性与速度。首先综述了尺度不变特征检测子(SIFT)、快速稳健特征检测子(SURF)、二进制稳健尺度不变性特征检测子(BRISK)、定向的基于加速段检测子(ORB)、风式特征检测子(KAZE)以及快速风式特征检测子(Accelerated-KAZE), 然后按照特征检测步骤深入分析了各种影响检测子性能与速度的方法, 最后利用Mikolajczyk 05标准测试图集测定并分析了检测子的复现率与耗时实验。实验结果表明, 快速非线性尺度空间、基于加速段的特征检测子(FAST)与长距离对迭代法的综合性能较好。

传统稀疏编码模型特征选择能力较弱, 稀疏系数向量中负系数的存在导致维数偏高、信息冗余, 不利于目标识别。针对这个问题, 提出了一种基于自适应弹性网络的稀疏编码模型。该模型首先利用融合尺度空间的AGAST检测子提取特征点, 经过FREAK算子描述, 采用能够自适应选择强相关性特征的自适应弹性网络回归模型求解稀疏系数向量, 最后通过分类器实现对目标的分类识别。实验结果表明,特征检测算法对于图像中尺度、视角、光照和旋转等变换具有更强的鲁棒性, 在自适应弹性网络的约束下, 模型具有较好的识别性能。

为了改善无人机侦察视频配准效果与速度, 提出一种基于景象匹配的无人机侦察视频快速配准方法。首先提出基于AGAST-Difference与FREAK的特征匹配算法对视频帧之间配准, 然后提出匹配区域搜索方法在数字卫星地图上找到视频帧匹配区域, 最后将视频帧与匹配区域配准, 根据匹配区域二维关系计算单应矩阵完成拼接。实验结果表明,基于AGAST-Difference与FREAK的特征匹配算法在尺度、旋转、视点等变化及运行速度上存在很大优势, 匹配区域搜索方法避免了定位定向系统带来的误差与引入控制点, 提高了纠正精度与速度。本配准方法对像素大小为810×612的视频拼接速度达到25 帧/s, 在离地约1000 m的空中, 二维定位精度可达7.87 m。