提出一种共享型轻量级卷积神经网络(CNN),用于自动识别车辆颜色和型号。基础网络采用改进的SqueezeNet,在训练集上比较具有不同“瘦身”程度的SqueezeNet的分类性能。讨论完全共享型网络、部分共享型网络及无共享型网络的特征。实验结果表明,完全共享型轻量级CNN在减少参数量的同时实现了对车辆外观多属性的高精度识别。在开放数据集Opendata_VRID上进行实验,车辆颜色和车型识别的准确率分别达98.5%和99.1%。在一台无GPU配置的个人计算机上,单张图片的识别时间仅为4.42 ms。共享型轻量级CNN大大减少了时间和空间成本,更有利于在资源有限的环境中进行部署。

为提高图像在数据集中的检索准确度，设计了基于加权距离与多元极谐变换的图像检索算法。在查询图像的色调－饱和度－亮度(HSV)空间内，提取其颜色特征；并引入贝塞尔K分布与非下采样Shearlet变换(NSST)方法得到查询图像的纹理特征，改善其对模糊与亮度变换等操作的稳健性；借助四元极谐变换(QPHT)机制，将图像的QPHT模系数视为形状特征，提高对噪声与几何变换的鲁棒性。通过融合这3种特征，分别计算查询图像与数据库图像之间对应的特征距离，并赋予三者对应的权重，以测量两幅图像之间的相似度，从而准确输出检索结果。测试数据显示，与当前基于内容的图像检索技术相比，所提算法具备更高的检索准确度和鲁棒性，在多种几何变换攻击下，仍可以准确检索出目标。

对区域的边界和物体边缘像素使用聚焦操作来计算区域显著特征,采用全局颜色显著性计算全局显著特征,基于卷积神经网络(CNN)融合区域显著特征和全局显著特征,获得最终的显著图,同时采用循环结构网络,多次参考周围环境信息,剔除噪声特点。在MSRA图像库和ECSSD图像库中测试所提算法,其平均精度和平均召回的调和平均值、平均误差均优于当前流行算法。

为了解决尺度变化对目标跟踪的影响, 本文在颜色特征跟踪算法的基础下提出了一种多尺度目标跟踪算法。该算法通过训练位置和尺度两个相关滤波器以实现自适应尺度跟踪。首先通过最小二乘分类器学习获得位置相关滤波器, 采用主成分分析法对颜色特征进行降维, 计算响应的最大值作为下一帧目标中心位置; 接着根据设定的尺度因子在中心位置周围形成多个大小不一的矩形区域, 并计算每个区域的颜色特征; 学习每个区域的颜色特征, 获得尺度相关滤波器, 并采用正交三角分解对尺度相关滤波器进行降维; 然后根据响应的最大值确定跟踪目标的尺寸; 最后对目标的位置和尺寸进行更新。通过对13组挑战性的视频序列进行测试, 结果表明, 本算法不仅对目标尺度变化具有一定的适应性, 而且对光照变化、快速运动、运动模糊等复杂情况下, 均具有鲁棒性, 多项性能指标均优于目前跟踪性能先进的算法。

利用CSK算法从图像碎 片中提取运动目标的一个最小二乘分类, 引入多通道颜色特征标定运动目标, 通过当前图片碎片中的核函数周期性假设循环结构, 一定程度拟补CSK算法使用目标灰度特征描述能力的不足。采用PCA降低特征维度并去除特征冗余信息, 提高分类器参数更新速度, 解决了CSK算法分类器参数更新线性化、无法适应目标发生较大变化时的运动目标跟踪问题。利用benchmark测试平台的算法集与测试数据集进行了实验, 目标颜色核相关跟踪算法(TCKCT) 的实验结果表明, 对光照变化、背景杂乱、目标形变、目标运动速度较快、目标运动幅度较大的情况下, 算法都有较好的跟踪效果。无人机跟踪遥控小车的物理实验结果, 进一步验证了TCKCT算法特性, 良好的实时性能够满足无人机目标跟踪要求, 具有良好的实际应用前景。

目标特征表示是视觉目标跟踪领域中的一个热点话题。近年来,核相关滤波器因其时效性在目标跟踪中得到广泛应用, 但简单的灰度特征表示难以应对复杂环境中的目标跟踪问题。基于此,融合颜色特征提出了一种实时的目标跟踪方法。实验结果表明, 颜色信息可以有效提高目标跟踪的整体性能, 该方法能够适应姿态变化、光照变化等多种目标外观变化, 平均跟踪速度为62.1帧/s, 可以满足实时应用的需求。

由于光照、距离变化以及背景复杂等原因, 传统基于单一特征的车牌定位算法很难获得满意的效果。为完成复杂背景下车牌定位, 提出融合字符纹理特征与 RGB颜色特征的定位算法。利用车牌区域背景底色与字符颜色互补特性, 通过寻找图像车牌区域颜色点对, 结合字符纹理特征反馈校验, 能快速准确定位车牌。对复杂背景下获取的 12 581幅彩色图片进行实验, 结果表明, 定位准确率能够达到 99.4%, 验证了该算法的有效性。

为了解决利用单一特征对彩色遥感图像进行分类效果不理想、普适性不强等问题, 提出了一种基于颜色和纹理特征组合的支持向量机彩色遥感图像分类方法。该方法尝试将彩色遥感图像的颜色信息和纹理信息相结合作为支持向量机算法分类的特征向量, 据此对遥感影像进行分类, 并进行了实验验证。结果表明, 颜色和纹理特征组合的支持向量机分类方法能够取得较高的分类精度, 其分类效果优于传统的单一颜色或纹理特征分类, 是一种有效的彩色遥感图像分类方法。

提出了一种利用多光谱图像的颜色特征对土壤酸碱度(pH值)进行快速无损检测的方法。 首先，利用2 CCD多光谱成像仪获取每个土壤样本的R、G、B、NIR图像各一幅，并对多光谱图像进行颜色空间转 换，即从RGB色彩空间分别转换到HSV颜色空间和Lab颜色空间；然后提取不同颜色空间中多光谱图像的颜色特征； 最后，分别将提取的颜色特征作为模型的输入变量，建立PLS和LS-SVM算法的土壤酸碱度预测模型。实验结果表 明，利用多光谱图像技术对土壤酸碱度进行检测是可行的。预测模型的最佳结果如下：决定系数(R2)为0.91，预测均 方根误差(RMSEP)为0.34。

在目标模型的建立过程中,将积分直方图引入到粒子滤波跟踪框架中,提出了一种快速的颜色直方图计算方法,极大地提高了粒子滤波跟踪算法的实时性。为了进一步提高算法的鲁棒性,引入了一种基于邻域颜色特征的匹配搜索机制,当跟踪精度下降时,能够对跟踪结果进行优化,减小跟踪误差。实验结果表明了该算法的有效性。