针对金属化陶瓷环缺陷面积小、可利用信息少的特点和缺陷检测精度低的问题，提出一种目标检测与图像分类网络融合的金属化陶瓷环缺陷检测方法。首先，使用针对小面积目标检测特点改进的Faster-RCNN目标检测网络实现对缺陷的初步识别与定位。接着，使用插值方法将定位到的缺陷区域放大，利用图像相邻像素之间的信息关联，增加缺陷检测的特征信息量。然后，使用ResNet图像分类网络对放大后的区域进行缺陷类别判断。最后，融合目标检测网络和图像分类网络的结果，获得最终的缺陷检测结果。实验结果表明，所提方法能在保障缺陷检测查全率的同时有效提升查准率，且能准确定位缺陷区域。

针对传统稀疏表征分类器只有在训练样本足够多时才会对特征变化不敏感的缺点, 提出一种 Shearlet多方向自适应加权融合的稀疏表征人脸识别算法。为了提取局部方向信息并降低特征维数, 首先利用 Shearlet变换对图像进行多尺度、多方向分解, 获得子带系数矩阵, 然后根据子带系数矩阵方差的大小对同一尺度的方向子图按主方向排序, 利用子带系数矩阵的能量和均值特征对排序后的人脸子图进行加权融合, 最后为了使得表征系数矢量具有更为显著的稀疏性, 进一步利用融合特征构造字典。在 ORL、FERET和 YALE人脸库中做了多组实验, 结果表明, 该方法能增强对外界环境变化的鲁棒性, 同时可以提高人脸的识别率。

针对智能视频监控的需求, 提出一种无监督学习的异常行为检测方法。首先, 采用混合高斯模型建模提取出运动目标, 对运动区域进行标记; 然后提取运动区域内的光流信息, 将其归一化成特征矩阵, 并建立实时更新的特征矩阵观测序列; 最后利用二维主成分分析(2DPCA)的重构原理对观测序列进行分析, 根据重构特征矩阵与原特征矩阵的能量比来判断是否存在异常行为。基于不同数据库下的视频序列实验结果验证了所提方法的有效性。

针对 Shearlet变换在提取特征数据时存在冗余性以及无法对全局特征进行稀疏表征的缺点, 提出了一种 Shearlet多方向特征融合与加权直方图的人脸识别算法。首先, 对原始图像采用 Shearlet变换得到多尺度多方向的人脸特征, 然后按照两种编码方式将同一尺度下不同方向的特征进行编码融合, 并将融合后的尺度图像划分为若干大小相等的不重叠矩形块, 利用 Shannon熵理论对各子模式进行加权融合。在 ORL、FERET和 YALE人脸库中做了多组实验, 充分证明该算法相对于传统 Shearlet滤波器在分类识别上更具有优势。

针对现有边界提取方法用于复杂工业环境的不足，提出了一种应用像素邻接特性分析的光斑边缘图像修复方法。首先，通过对边缘图像的距离变换和连通分量标记得到一张标号图像，该图像把与最近边缘距离低于某一数值的背景像素标注为边缘候选点，其他背景像素标注为独立的连通区域。然后，依据真实边缘的邻接特性对候选边缘候选点重标号，实现断裂边缘的连接。最后，从邻接特性的角度对噪声进行分类并去除，从而完成激光边缘图像的修复。实验结果表明：该方法能有效修复8 pixel的边缘缝隙并去除较大的噪声; 引入的中心定位均方根(RMS）误差为0.05 pixel ，峰值(PV)误差为0.086 pixel，稳定地保持在较低的水平; 单次图像修复耗时小于130 ms,实时性较好; 能用于工业在线中心定位检测。

针对 LPQ算子提取的纹理特征易受光照、噪声影响, 提出了一种在 Shearlet变换幅值域内提取局部相位量化标记直方图的人脸描述方法。首先采用 Shearlet滤波器提取其对应不同方向、不同尺度的多个 Shearlet幅值域图谱, 然后按照平均值融合法将相同尺度不同方向的幅值域图谱融合到一起, 并对融合图谱进行分块, 分别采用 LPQ算子标记幅值域图谱, 最后由这些标记直方图形成的序列来描述人脸。在 ORL、FERET和 YALE人脸库中做了多组实验并分别取得了 98%、95%及 97.33%的识别率, 充分验证了该方法的有效性。

针对目标跟踪中如何有效地描述目标, 以适应跟踪环境变化的问题, 提出了一种基于分布域描述算子的视频目标跟踪算法。首先, 采用分布域描述算子来建立目标模型; 然后选择粒子滤波算法进行目标状态估计实现目标跟踪; 在跟踪过程中, 采用在线更新模型的方法, 降低了光照变化以及部分遮挡带来的影响, 从而提高跟踪的准确率。在常用的视频序列上进行了实验, 并与目前常用的算法进行了比较。实验结果表明该算法具有较好的跟踪效果, 能实现复杂场景下的目标跟踪。

视频序列中的行为分析与识别已经成为当前计算机视觉领域的研究热点。为了更加有效地提取人体行为序列中的轮廓特征的信息，提出了一种基于局部二值模式 (Local Binary Pattern，LBP)特征的人体行为识别的算法。通过背景差分法从视频中提取完整的人体运动序列，利用 LBP算子计算运动序列的 LBP特征谱，组成样本的 LBP轮廓特征空间，接着将特征空间通过 K-means聚类的方法生成行为特征。最后，采用隐马尔可夫模型 (HMM)对特征进行识别。实验过程中，分别在两个公共行为数据库上进行了测试实验，平均识别率能达到 85%以上，并且在两个数据库的交叉实验结果表明了本文算法具有一定的鲁棒性。

针对 PHOG特征在描述人脸形状时容易受到梯度强度突变及噪声干扰的缺点，提出了一种基于改进 PHOG特征的人脸识别算法。首先对仅适用于描述清晰人脸轮廓形状的 PHOG特征进行了改进，使其对人脸局部结构描述更加精细化，并通过改进的归一化方法达到对噪声的抑制，最后通过 KPCA变换将改进的 PHOG特征非线性映射到高维核空间中，进一步选择区分能力较强的特征分量，用最近邻分类器进行分类。在 ORL、FERET和 YALE人脸库中做了多组实验分别取得了 98%、95%及 98.67%的识别率，实验证明: 该算法在抑制轮廓噪声提高识别率方面达到了较好的效果。

针对基本 LBP算子提取的特征不够完整，不能全面地表达出人脸局部特征的问题，提出了基于分块的完备局部二值模式 (CLBP)人脸识别算法。首先对原始人脸图像进行分块处理，对每一分块的图像进行局部差异值和中心像素灰度值分析，用 Su2CLBP(8,2) 、 Mu2CLBP (8,2) 和 CCLBP(8,2) 算子分别提取每一分块的直方图统计特征。然后将所有分块的 CLBP直方图序列连接起来，得到人脸图像的 CLBP特征，将其作为人脸的鉴别特征用于分类识别。最后利用 Chi平方统计法计算直方图的不相似度，用最近邻准则进行分类。所提出的算法分别在 ORL、 FERET、YALE数据库中进行实验，分别取得了高达 99.5%、92%、98.67%的识别率，与分块 LBP算法相比识别率分别有 2.5%、8%、2.67%的提高。实验结果表明，完备 LBP提取的特征比较全面且具有较强的鉴别能力，在 ORL、FERET、YALE人脸库中均能获得较好的识别率。