针对当前微光视频图像采集与处理系统中数据处理量与系统实时性之间的矛盾，设计了一种基于现场可编程门阵列（Field Programmable Gate Array，FPGA）的实时信号采集与预处理系统。该系统以高性能Xilinx A7系列芯片为主控芯片，使用两片第二代双倍数据率同步动态随机存取存储器（Double-Data-Rate Two Synchronous Dynamic Random Access Memory，DDR2 SDRAM)作为核心存储器件，并定制超感光互补金属氧化物半导体（Complementary Metal Oxide Semiconductor，CMOS）传感镜头作为视频图像采集器件。完成系统的硬件设计之后，通过Xilinx Vivado平台以及Matlab进行软件系统的工程设计与仿真分析，实现了微光环境下视频图像的采集、存储、处理与显示的全过程。实验结果表明，该系统采集的微光视频图像实时性好、动态画面流畅。

移动测量系统可同时采集三维激光点云、影像纹理及位置姿态数据，但使用影像照片与激光点云配准融合难以满足高效率和高重叠度的需求。针对这一问题，提出一种在移动测量下使用视频影像与激光点云配准的方法。利用定位定姿系统（POS）传感器提供的位置姿态数据，结合共线方程模型得到视频影像关键帧与激光点云初始配准值；利用基于Robust估计的选权迭代法提高初始配准值精度，确定配准参数的精确值；自视频影像生成立体密集匹配点云，并与三维激光点云进行最邻近迭代配准。实验结果表明，视频影像与车载激光点云的配准方法是可行的，配准精度高，能满足城市街道三维重建、部件采集、目标提取等量测应用需求。

为了更加方便快捷地获取能见度并且实现对能见度的长期观测, 基于暗通道先验的理论基础对于视频图像的能见度提取方法进行了分析和研究。通过对观测获得的全天不同时刻的目标图像进行亮度分析从而得到对应的大气透过率和能见度, 并进一步将能见度提取结果与相同条件下实测激光雷达能见度数据进行了对比。研究结果表明, 提取的能见度结果与实测数据吻合度较高, 相关系数达到 0.96616。

针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。

视频图像中的小像素目标难以检测。针对城市道路视频中的小像素目标，本文提出了一种改进YOLOv3 的卷积神经网络Road_Net 检测方法。首先，基于改进的YOLOv3，设计了一种新的卷积神经网络Road_Net；其次，针对小像素目标检测更依赖于浅层特征，采用了4 个尺度检测方法。最后，结合改进的M-Softer-NMS 算法来进一步提高图像中目标的检测精度。为了验证所提出算法的有效性，本文收集并标注了用于城市道路小像素目标物体检测的数据集Road-garbage Dataset，实验结果表明，本文算法能有效地检测出诸如纸屑、石块等在视频中相对于路面的较小像素目标。

现今的特征点轨迹稳像算法都是基于网格变形达到稳定视频的最终目的, 而保证结果不扭曲失真且稳定的网格变形需要由一定数量的长特征轨迹通过相应最优算法来实现。目前所提出的算法无法在保证良好时间性能下达到这一要求, 针对这个问题, 提出一种基于特征点轨迹增长的视频稳像算法。首先提取特征轨迹, 为避免算法优先选择较长轨迹而导致轨迹分布过于集中造成局部抖动的问题出现, 将特征点位置分布与轨迹长度相结合作为选择策略使特征点轨迹分布更加均匀; 接着利用低秩矩阵迭代逼近原理生成虚拟轨迹来实现轨迹增长; 最后利用网格变形生成稳定帧。将本文的算法与另外两种典型的特征点轨迹稳像算法相比较, 其中包括基于对极几何点转移的稳像算法以及基于三焦点张量重投影的特征点轨迹稳像算法。实验结果表明, 本文算法的特征点分布均匀且轨迹利用率高, 与基于对极几何点转移的稳像算法相比, 稳像效果更稳定并且时间复杂度更低, 与基于三焦点张量重投影的特征点轨迹稳像算法相比, 在保证稳像效果的同时时间复杂度更低。

汽车夜间会车滥用远光灯会造成晕光现象，对逆向车辆司机的视野造成干扰，导致无法看清路况极易诱发交通事故。本文从视觉观察角度出发，利用可见光和红外图像成像特点的互补性，提出HSV 色彩空间变换结合小波变换的方法对图像进行融合，解决夜间行车晕光问题，提高行车安全性。通过对融合结果的主客观分析，本文算法有效消除了晕光，同时图像均值接近120，信息熵为7.1768，基本达到最佳视觉观察效果。

帧间差分法是运动目标检测最为常用的方法之一, 具有算法简单、数据处理量小、易于实现等优点, 因而得到广泛应用。而帧间差分法通常是根据单一的光照条件设定的固定阈值以判断是否有运动物体, 因此限制了其在不同光照条件下的应用。针对上述情况, 以色度、饱和度、亮度(HSL)颜色空间中的亮度值为依据, 建立光强-亮度-阈值表, 从而以动态的阈值调整拓展了帧间差分法在不同光照条件下的应用。通过仿真和FPGA实现了该目标检测系统, 并搭建了验证测试系统。实验结果表明, 当光照强度为90 W/m2时, 在3.0 m/s和0.5 m/s速度下, 自适应阈值的检测正确率分别达到93%和95%, 与固定阈值设定较大时的检测结果相近; 在0.59 W/m2的低光照条件下针对上述运动速度, 检测率分别达到84%和92%, 与小固定阈值检测结果相近。

针对移动机器人跟踪人体目标时目标因角度大幅变化引起外观改变造成的跟踪无效, 提出了多模板回归加权均值漂移跟踪方法。该方法通过建立目标的多模板模型, 应用均值漂移算法实现目标跟踪。首先, 根据前一帧均值漂移结果和当前帧头肩粗定位结果确定目标模板集, 使其包含目标人体的位姿和角度改变。然后, 采用多模板回归加权均值漂移实现目标的精确定位。在多模板均值漂移中引入回归模型实现颜色纹理特征与目标模型相似度之间的映射, 从而控制模板数量, 保证目标检测的实时性。最后, 分别在视频图像和机器人目标跟踪平台上对所提方法进行实验验证。结果显示, 图像处理平均时间为86.4 s/frame, 满足机器人跟踪的实时性要求。该方法解决了目标特征在跟踪过程中发生变化的问题, 提高了机器人跟踪时对目标人体特征变化的鲁棒性。