人脸识别和车牌识别是智慧安防领域的重要内容。人脸和车牌的特征尺度小、细节丰富, 对成像系统的空间分辨力有较高要求, 需要较大规模的探测器和高传函、小畸变的光学镜头。然而, 安防系统又要求广域监控, 需要使用视场大但具有一定畸变的广角镜头。因此, 设计既能精确识别人脸和车牌目标、又能广域监控的成像系统时, 应将精确目标识别作为约束来权衡高空间分辨力和大视场的性能指标以及估计识别距离。在这样的应用需求下, 本文提出了像素面密度对精确目标进行统一描述, 并提出了考虑广角镜头径向畸变的精确目标识别距离估算方法, 通过对存在旋转和平移的人脸和车牌目标进行计算验证, 结果表明: 考虑径向畸变后实际识别距离较理论识别距离近, 且人脸和车牌平移距离分别为 1m和 2m时, 实际与理论的识别距离差异高达34.2%和 27.5%。

传统的基于过渡区域提取的目标分割算法存在噪声敏感问题, 从而会影响到过渡区域提取的准确性。 与可见光图像相比, 红外图像特别是红外光谱图像, 受到探测器无法消除的热噪声影响, 传统的目标提取算法准确率普遍降低。 此外, 虽然通过边缘能够精确定位目标, 但是无法获取目标完整边缘。 而过渡区域的灰度分布特点是可以解决基于边缘的目标提取难题。 因此为了提高目标提取的抗噪性和准确性, 提出了一种将过渡区域提取与边缘检测结合的自适应红外目标提取方法。 首先利用像元空间邻域信息构造密度, 以此有效降低噪声影响和获取图像边缘信息。 然后基于像元密度信息最大分离目标边缘与背景, 得到有效边缘和过渡区域, 进而以此生长出目标。 将边缘与过渡区域结合, 可以很好地抑制噪声, 多幅复杂场景实验评估了该方法的抗噪性能, 结果显示, 提出的方法在噪声的干扰下能较好的提取目标。