为提高TLD算法在广泛场景下跟踪鲁棒性和实时性的问题,本文从跟踪模块和学习模块两个方面对TLD算法进行了改进, 提出引入样本删除机制的TLD粒子群目标跟踪算法。首先, 用基于颜色特征的粒子群目标跟踪算法替代TLD算法中原来的跟踪模块, 增强TLD算法在应对目标出现非刚性形变、尺度变化、旋转、遮挡等情况下的跟踪鲁棒性。接着, 针对TLD算法的学习模块引入样本删除机制, 在跟踪过程中为样本库中正负样本数量分别设定一个阈值, 当正负样本数都达到各自阈值时, 便会启动样本删除机制。然后, 对待分类进入样本库的图像块进行等级评价, 删除对正负样本表征能力都较弱图像块。最后, 将样本库中的正负样本与当前目标进行相似度匹配, 删除对当前目标表征能力低的样本。通过对OTB2013和OTB2015数据集中相关视频序列的实验结果证明, 本文算法的OPE精确度达到0.687, 算法的OPE成功率为0.488, 算法运算效率平均提高了25.71%。基本满足广泛场景下目标跟踪的鲁棒性, 并显著了提高算法运算效率。

针对红外成像探测器单元响应不一致等因素导致的图像非均匀性条带问题, 提出了基于直方图加权和Savitzky-Golay拟合的非均匀性条带校正方法。首先, 计算每列的归一化直方图函数并将其作为权值对图像进行加权运算;然后, 利用Savitzky-Golay滤波器对加权后的图像列均值和列方差进行拟合, 并将结果带入校正公式, 通过可调参数的迭代完成校正。实验结果表明: 该方法能有效地去除非均匀性条带, 保留图像的光谱辐射信息和纹理细节, 各项评价指标均提高10%。

针对粒子群优化算法应用在目标跟踪时，其惯性权重调节机制的局限性，提出了改进的粒子群优化目标跟踪方法。首先，对目标及粒子群算法中相应参数进行初始化; 接着，引入粒子进化率的概念，对惯性权重调节机制进行改进，根据每代每个粒子的不同状态及时调整惯性权重; 然后，在更新粒子的速度和位置的同时，更新个体最优解和全局最优解，进行下一次迭代; 最后，比较粒子的适应度，选择相似性函数值最大的区域为目标。实验结果表明，该方法与使用自适应惯性权重调节机制的粒子群优化目标跟踪方法相比，减少了获取相同适应度所需的迭代次数，运算效率提高了42.9%。实现了目标在相似性函数出现“多峰”情况下的准确定位，对目标出现部分遮挡的情况具有很好的适应性。

针对基于颜色传递的双波段(中波红外、可见光)图像融合时, 由于参考图像选择不当, 造成的彩色融合图像对比度差、图像边缘细节下降等问题, 提出了基于拉普拉斯金字塔分解及对比度可调的色彩传递图像融合算法。对待融合的两幅图像进行拉普拉斯金字塔三级分解, 每一级按照不同的融合规则进行融合, 以重构后的灰度融合图像作为融合结构的亮度分量Y, 将可见光与红外图像的差值图像作为U分量, 以红外图像为V分量。在颜色传递公式中, 加入可调的比例系数, 通过适当调节比例系数可调节融合图像的对比度。实验结果表明, 获得的融合图像较好地保留了可见光图像的细节, 既突出了红外目标同时又具有参考图像的颜色特征。图像评价结果表明, 融合图像的均值、方差、熵等评价指标均得到较大提高。