针对增量运动恢复结构（SFM）算法在重建大规模无人机影像数据集时效率低、易产生场景漂移的问题，提出一种可并行化处理的增量SFM重建算法。首先，利用词汇树图像检索结果约束图像特征匹配的空间搜索范围，提高图像特征匹配的效率。其次，综合考虑特征匹配数量和无人机平台获取的全球定位系统（GPS）信息构建无向加权场景图，并选用归一化割算法将场景图划分为多个相互重叠的子集。然后，将每个子集分布在多核CPU上并行执行增量SFM重建算法。最后，基于子集间公共重建点和强相关子集优先被合并的策略实现子集合并。此外，结合GPS信息为光束法平差（BA）代价函数添加位置约束项，有效消除每次执行BA优化引入的误差。为了验证所提算法的有效性，在3个无人机数据集上进行实验，实验结果表明，所提算法相比原始增量SFM重建算法不仅显著提高了位姿估计和场景重建的效率，而且合理优化了重建结果的精度。

目前, 视频跟踪正向大范围长时间目标跟踪研究方向发展。重现行人识别是对行人目标进行大范围长时间持续跟踪的关键技术, 是后续行为分析的基础。本文提出了一种基于非稀疏多核支持向量机的重现行人识别算法。首先, 该方法提取跟踪行人视频图像序列的多层 SIFT视觉单词树特征和多层颜色直方图特征。接着, 利用高效的非稀疏多核支持向量机算法在线融合多层 SIFT视觉单词树特征和多层颜色直方图特征得到行人外观模型。最后利用存储的行人外观模型库对重现行人进行识别。该方法可应用于多摄像机视频监控中同一行人目标的跨摄像机跟踪以及单摄像机监控中行人目标重新出现的识别。实验结果表明, 该方法能快速训练人体目标外观模型, 能获得很高的识别率。

在非重叠多摄像机或单摄像机视频监控中, 识别跟踪目标的再次出现很重要。针对传统支持向量机方法在特征融合方面的缺陷, 本文提出了一种新的基于在线多核学习的人体目标再现识别方法。该方法对跟踪目标视频前景图像序列提取具有互补性的视觉单词树直方图和全局颜色直方图二种特征, 再采用多核学习方法在线训练人体目标视觉外观, 从而得到多核特征融合模型。实验结果表明, 该方法能快速训练人体目标外观模型, 满足视频监控的实时要求, 多核融合模型获得了比单一特征模型和单核支持向量机方法更高的识别性能。

摄像机间目标关联是无重叠视域多摄像机目标持续跟踪的关键.提出了一种只利用人体目标外观，完全不依赖于空时关系的人体目标再识别算法，利用识别结果直接进行跨摄像机间人体目标关联，而不依赖于目标的捕获时间和路径限制.对跟踪视频前景图像序列提取互补性视觉单词树直方图和全局颜色直方图二种特征，采用支持向量机增量学习在线训练二种特征的人体外观辨别模型，再利用多类线性规划增强算法对二种特征的支持向量机模型进行在线自适应融合.实验结果表明，本文算法具有较强的在线学习能力，能增量式表达人体目标辨别性外观模型，特征融合后的模型区别性更强，有效地降低多方面条件变化的影响，获得了高识别率，且能够实现快速实时实现，相对于现有方法有了明显提升.