针对基于测距的无线定位技术中位置解算算法精度不高、计算效率低的问题，提出一种基于Chan与改进麻雀搜索算法的协同定位算法。首先，将Chan算法运用于到达时间（TOA）定位模型估算位置初值；其次，采用SPM复合混沌映射初始化、黄金正弦策略、自适应权重因子、柯西-t扰动以及弹射边界处理改进麻雀搜索算法，有效提高算法的全局搜索能力和收敛精度；最后，在位置初值进行改进麻雀搜索算法迭代计算得到最终位置估计。仿真和实验结果表明，所提算法可提高无线定位精度和定位速度。

为提升半全局匹配（SGM）算法效率，提出一种基于改进匹配代价计算和路径优化策略的立体匹配算法。代价计算阶段，通过对角线取点方式对局部二值模式（LBP）算子进行优化，降低时间复杂度和数据规模；代价聚合阶段，根据聚合逻辑选择5个方向进行扫描线优化，结合灰度相似性约束和距离约束条件，对聚合路径进行自适应权重赋值；再通过赢者通吃（WTA）策略计算初始视差值，通过左右一致性检测和二次多项式插值算法对视差图作进一步优化。最后算法在Middlebury 2.0和3.0数据平台上进行匹配效率验证，实验结果表明，所提算法相比SGM算法在不损失匹配准确度的情况下，代价计算阶段用时减少63.1%，代价聚合阶段用时减少39.3%，算法整体效率提升54.2%，达到效率提升的目的。

现有图像去雾算法在复原含明亮区域的雾天图像时，存在色彩失真、偏色、亮度低等问题。针对现有算法的不足，提出一种基于指数映射与自适应权重能量函数的单幅图像去雾算法。首先结合图像暗通道值的统计规律，利用指数函数衰减特性，构建清晰图像暗通道与有雾图像暗通道的指数映射模型，并根据所获得的暗通道估计值求解出透射率估计值；其次，根据图像的马尔可夫性，构建基于马尔可夫网的自适应权重能量函数，对透射率进行优化，并使用降采样方法降低算法复杂度；最后，利用优化后的透射率估计值与局部大气光值复原出无雾图像。实验对比结果表明，该算法复原结果视觉效果清晰、色彩保真度高，并且多项客观评价参数在实验对比中取得了最高值，其中直方图相关系数达到了0.4521，高出对比算法的平均表现67.3%。综上所述，该算法较好地解决了包含明亮区域的有雾图像复原问题。

为了有效地对红外与微光图像进行融合, 在获得良好的融合视觉效果并实现熵增的前提下, 同时尽量减少算法复杂度, 提出了一种基于细节增强的自适应权值融合方法, 根据红外微光图像特点, 进行自适应权值矩阵计算, 并进行一次融合, 再结合细节图进行二次融合。经过在MATLAB中采用三种常见算法和本算法对五类典型场景进行了仿真分析, 结合主观和客观评价机制对比, 本文的算法具有较好的标准差和熵增, 主观融合效果也相对较优。最后, 在嵌入式FPGA平台中进行了验证, 实现了50 Hz图像的实时融合输出, 在批量化生产中得到了应用。

针对传统变分水平集分割算法对灰度不均匀图像分割效果较差以及对初始轮廓敏感的问题，提出了一种基于局部和全局信息耦合的自适应活动轮廓模型。通过权函数调整局部区域拟合能量和全局区域拟合能量的占比，给出了一种随轮廓演化自适应更新的权函数。在合成图像、真实图像以及自然图像中的实验结果表明，该算法对噪声具有较强的鲁棒性，且对轮廓的初始位置不敏感。

夜间有雾环境中拍摄的图片具有光照不均、对比度低且模糊的现象。本文通过分析夜间有雾图像的成像特点, 提出一种有效的夜间图像去雾方法。首先, 在估计大气光时使用加权差分图像作为参考进行引导滤波来估计含轮廓信息的大气光; 使用拉普拉斯锐化灰度图像作为参考引导滤波来估计补充细节的大气光, 然后将算出的两种大气光融合得到最终的大气光。最后, 基于广泛使用的雾霾场景成像模型, 本文算法结合暗通道和亮通道构建了双通道联合优化的透射率函数, 在计算透射率的过程中加入了自适应权重系数、限制对比度自适应直方图均衡化和引导滤波来提高透射率函数的精度。实验结果表明, 在测试图片上计算的信息熵平均值为7.587 2, 对比度均值为23.809 7, 和对比算法相比均有一定提升。所提算法去雾结果视觉效果良好, 在去雾的同时可以有效减少细节的损失。

传统的基于RGB和骨骼特征的行为识别算法,普遍存在两种特征互补性不足及视频关键时序性不强等问题。为解决这一问题,提出一种自适应融合RGB和骨骼特征的行为识别算法。首先,面向RGB图像和骨骼图像,联合双向长短时记忆(LSTM)网络和自注意力机制提取两者的时空特征;然后,构建自适应权重计算网络(AWCN),并以两者的空间特征为输入计算出自适应权重;最后,利用自适应权重得到上述时空特征的融合特征,实现了最终的动作分类。通过在Penn Action、JHMDB和NTU RGB-D人体行为数据集上与现有的方法进行比较,实验结果表明,本文算法有效地提高了行为识别精度。

针对夜间图像整体亮度低、图像细节多集中在较低灰度级范围内的特点, 本文提出了一种像素级自适应融合的夜间图像增强方法。首先, 通过高通滤波的方式滤除图像的大部分暗背景信息, 以整体增强图像各区域灰度细节; 然后, 将滤波后的图像与原始图像进行像素级自适应加权融合, 其中每个像素点对应的两个权值取决于滤波图像内对应像素值与目标模糊集、背景模糊集的接近情况: 越接近目标模糊集, 滤波图像对应像素权值增大, 同时原始图像对应像素权值减小; 越接近背景模糊集, 则相反, 以此来进一步增强图像的全局对比度, 增强视觉效果。实验结果表明: 增强后的夜间图像在灰度细节和全局对比度方面都得到了显著提高。对于320×256分辨率的灰度图像, 在CPU主频为3.0 GHz的硬件环境下, 处理时间小于10 ms。 采用本文方法处理的夜间退化图像的成像质量得到了明显改善, 且其良好的实时性能够更好地满足工程应用需求。

提出了一种基于深度学习自适应权重分配监控视频行人再识别方法。基于验证损失所反映的行人属性训练难度,结合行人属性与行人类别对应关系的信息熵,求解属性对分类的贡献率,自适应求解行人属性多任务分类的训练损失权重,解决多任务分类时分配相同的损失权重造成的负转移问题,以提高每个任务学习器的泛化能力以及对行人类别判别的泛化能力。利用已有数据集中行人属性与行人类别的映射关系,根据已训练好的模型求解属性概率,结合条件概率判别行人类别,克服全局行人再识别中无法识别网络视角变化造成的行人外观剧烈变化的问题。与同类方法在不同公开数据测试集上的客观定量进行对比,结果表明所提方法有效、可行。