通过双目观察与匹配心理物理学实验，对金属漆颜料制品在两种几何条件下进行了视觉评价，随后将金属漆颜料制品的视觉平均数据分别与基于双向反射分布函数（BRDF）数据和基于PR715分光辐射计测量结果的色貌模型预测结果进行最小二乘法线性拟合。实验结果表明，在不同几何条件下，BRDF数据均可以用来对金属漆颜料制品进行色貌预测；对于三属性预测而言，在明度和彩度方面，基于BRDF数据的色貌模型预测精度不如基于PR715分光辐射计数据的色貌模型预测精度，而在色调角方面，基于BRDF数据的色貌模型预测精度则高于基于PR715分光辐射计数据的色貌模型预测精度。

传统的稀疏表示旨在通过字典的线性结合构建跟踪目标的表观模型,忽视了目标的分层结构特征,因此难以处理复杂的跟踪环境。针对该问题,提出一种新颖的基于卷积的稀疏跟踪算法(CSTA)。在目标区域中提取局部图像块作为局部描述子,依据稀疏表示从中选取一组图像块作为固定卷积核与输入的图像进行卷积运算,能够有效保留跟踪目标的层次化结构特征;同时提出一种新的选择性在线模型更新机制,有效避免错误模型更新导致跟踪结果漂移的问题。所提CSTA在公开数据集中与现有稀疏表示算法进行定量、定性的分析比较,结果表明,CSTA的准确度、鲁棒性均优于现有的稀疏跟踪算法。

传统表情识别往往是基于单一图像进行特征提取、训练及识别,缺乏在动态时间上的细微表情变化提取。利用时间前后的人脸表情变化信息,提出了一种基于概率协作表示的多视频序列融合表情识别方法。先采用主动外观模型(AAM)定位出人脸表情的68个特征点,利用提出的融合策略将相邻3帧表情图像的AAM特征进行融合,最后利用概率协作表示的分类优势进行识别。实验结果表明,在CK+表情数据库上,所提出的方法能够把握表情的时间变化信息,相比于近几年的表情识别算法,在识别率上取得了较好的效果。

为提高光照变化下目标跟踪算法的精度和鲁棒性, 基于稀疏表示理论, 提出一种光照补偿和多任务稀疏表示联合优化算法。该算法首先根据目标模板与候选目标的平均亮度差异对目标模板光照补偿, 而后利用候选目标构建过完备字典以稀疏表示光照补偿后的目标模板, 并将所得问题转化为一个多任务优化问题, 然后利用所得稀疏编码矩阵快速剔除无关候选目标, 最后基于重构误差对剩余候选目标进行局部结构化评估, 进而实现目标的精确跟踪。实验结果表明, 与现有主流算法相比, 剧烈光照变化情况下, 所提方法可显著改善目标跟踪精度及鲁棒性。

针对长时间目标跟踪检测不准确问题, 提出一种结合运动场景的超像素分割与混合权值的AdaBoost多目标检测(ABSP)算法。首先在动态模型中, 计算AdaBoost算法的混合权值, 检测运动目标, 确定搜索区域, 提高多目标跟踪检测能力; 在训练阶段, 采用SLIC分割与Mean-Shift聚类形成超像素图块, 构建目标外观模型; 在跟踪阶段, 结合超像素特征池生成模板直方图与置信图, 构建观测模型与运动模型, 采用粒子滤波与贝叶斯模型, 计算最大后验估计, 实现遮挡运动目标检测。结果表明: 能够有效处理数目变化多目标检测与遮挡问题, 提高了检测的实时性。

为了解决跟踪漂移问题, 提出了一种利用黑洞原理改进的稀疏外观模型目标跟踪算法,用来提高目标跟踪的鲁棒性。利用黑洞原理从目标模板中搜索聚类中心来降低目标模板数量。通过学习分类器用于构造目标特征; 用黑洞原理获取模板字典表示目标; 采用高斯分布运动模型获取目标样本, 在贝叶斯框架下根据观测模型获取最优目标位置实现跟踪。不同视频序列被用于改进的稀疏外观模型跟踪算法和其他先进目标跟踪算法进行仿真实验。实验结果表明, 实现了目标跟踪的目的, 有效地降低了目标局部遮挡问题的影响, 提高了目标跟踪精度。

为了增强目标跟踪算法在被跟踪目标发生运动位移、遮挡、形变、相似物体干扰等情况下的鲁棒性, 提出利用超像素构建目标外观模型, 将外观模型与候选区域进行匹配, 获取候选区域当中目标超像素, 并用Meanshift算法确定目标中心点的跟踪算法。仿真实验选取Benchmark库当中在运动位移、遮挡、形变、相似物体干扰方面具有代表性的视频Girl和FaceOcc1。该算法在视频Girl中的跟踪成功率和跟踪精度为0.601、0.856, 比对比实验的经典算法当中跟踪效果最好的KCF算法的成功率和精度分别高0.059和0.084; 在视频FaceOcc1中跟踪成功率和精度仅次于KCF。表明该跟踪算法在受到相似物体干扰和目标遮挡时具有良好的鲁棒性。

针对视觉跟踪中的表观模型更新问题，在粒子滤波视觉跟踪的框架下，提出了一种基于粒子信息判据更新的自适应模型更新策略，通过挖掘粒子间的相关信息，判断跟踪状态和表观模型变化，进而构建模型更新的模糊规则表。采用著名的视觉跟踪评价数据集与经典粒子滤波视觉跟踪的模型更新方法相比较，实验结果证明了所提算法的有效性。

高动态范围图像原始数据在获取和合成过程中会出现异常值, 进而影响色调映射后的低动态范围图像显示效果。为了解决此问题, 提出了一种基于图像引导滤波的图像色貌模型(iCAM06)色调映射算法。该算法使用具有较强平滑作用的引导滤波代替双边滤波, 将输入数据分成细节层和基本层, 分别对细节层和基本层进行处理。为了使映射后的图像更加符合人眼感知效果, 对色适应矩阵CAT02进行了调整。实验结果表明, 与相关算法相比较, 该算法减少了由于数据异常造成的显著噪声点, 避免了伪影和偏色现象, 使细节得到了较好的保持。信息熵、方差和清晰度等客观指标也证明了该算法的有效性。

为了模拟人类视觉系统成像机制, 真实再现人眼对外界场景的视觉感知, 为机器视觉提供符合生物视觉特性的理想图像,从色度学的角度研究了彩色图像的真实影像再现技术。针对色貌模型存在图像模糊、对比度低的缺点, 在iCAM色貌模型的基础上, 引入了人工神经网络的非线性Sigmoid函数, 提出了基于Sigmoid-iCAM色貌模型的真实影像再现算法, 并给出了该模型处理不同类型图像的控制参数统计规律。与基于CIECAM02、iCAM色貌模型的真实影像再现算法相比, 该算法在对色调失真图像实现颜色复原的同时, 有效地提高了图像的对比度和局部细节, 很好地实现了视觉系统的颜色恒定性。