针对行人重识别场景复杂引起的局部特征不对齐，以及在背景杂乱情况下难以提取出具有不变性行人特征的问题，提出一种基于人体姿态估计算法和相似度矩阵引导的多尺度融合网络。网络引入姿态估计算法构造对齐的行人特征，通过多分支结构将低层局部特征和高层全局特征进行融合提升网络的表征能力；此外特征相似度矩阵将全局特征分割出相似度引导的背景、前景分支，再利用区域级的三元损失函数，提取出对复杂背景鲁棒的行人特征。在Market-1501、DukeMTMC-ReID、CUHK03和MSMT17四个主流数据集上的实验结果表明，本文提出的方法均能达到甚至超过当前主流算法的水平。在最具挑战的MSMT17数据集中，与目前精度领先的算法相比，首次命中精度提高了1.4个百分点，平均精度均值提高了3.4个百分点。

为了更好地设计和评估图像拼接算法,提出一种面向颜色校正的拼接图像质量评价方法。该方法利用现有的颜色校正算法和拼接算法建立了含有5种色差的拼接图像库;分别从拼接前图像序列和拼接图像中提取4个特征,将4个特征进行融合后,通过支持向量回归算法建立特征与质量之间的关系模型,预测色差拼接图像质量。实验结果表明,所提方法可以有效评估色差拼接图像的质量。

针对基于特征相似性的图像质量评价方法(FSIM)在检测图像阶跃边缘时存在的局限性, 提出一种将FSIM与对阶跃边缘敏感的对称相位一致性(SPC)相结合, 并利用各向同性Sobel算子计算梯度幅值的新方法--对称特征相似度(SFSIM)。该方法利用SPC通过相位相邻像素响应的符号确定对称相位的特性和更加准确的各向同性Sobel算子加权系数, 能够很好地检测和定位尖锐的图像边缘特征。对不同失真类型的图像进行仿真实验, 结果表明, 在保留原始方法优良性能的基础上, SFSIM对比较尖锐的图像边缘特征和高斯模糊图像具有更高的敏感性。

针对采用核加权直方图的方法计算目标模板与候选区域目标特征无法实现对运动目标的准确定位这一问题, 提出了一种利用改进背景加权增强直方图显著性的鲁棒Mean-Shift跟踪算法。在传统Mean-Shift的框架下, 通过计算目标和背景特征直方图bin值, 得到两者特征显著性大小, 将其代入传统相似性度量中, 定义新的背景加权系数, 进而更好地提高目标与背景的区分度, 减少背景信息对目标定位的干扰。通过算法改进前后的实验结果以及跟踪误差和正确跟踪率的比较发现,跟踪效果得到明显改善。

在分析激光干扰图像整体特征、目标局部特征和干扰光斑分布特性的基础上, 提出了一种加权特征相似度(WFSIM)评估算法来评估激光干扰效果。该方法首先利用亮度、对比度和边缘清晰度等图像整体特性与局部特征点保持度这一目标识别特征来得到图像特征评估模型。然后, 根据光斑的大小、强度和位置等特性计算饱和像素率、信噪比和光斑视觉区域重要性等加权因子, 利用这些因子对评估模型进行加权, 最后得到归一化的评估指标。利用激光主动成像识别系统对设定目标进行了照明成像识别实验, 同时使用不同干扰功率的激光对识别系统进行干扰, 并采集不同背景强度和光斑位置的干扰图像。基于本文提出的WFSIM算法对获得的激光干扰图像进行了评估。结果表明, 与传统的均方误差(MSE)、峰值信噪比(PSNR)及结构相似度(SSIM)等评估方法相比, 提出的WFSIM算法对不同背景强度、光斑位置和杂波干扰下的图像都给出了合理的评估结果, 其评价结果更符合人类的主观视觉感受。

针对粒子滤波算法中粒子退化问题，提出一种基于粒子分组优化的自适应跟踪算法。在传统粒子滤波算法的基础上，分别从特征直方图的建立和粒子重采样策略两个角度进行改进。综合考虑目标与背景的特征显著性和相似性两个因素建立比值关系进行量化分析，选取能够最大程度区分前景目标和背景的特征，并以此区分度作为权值确定直方图中所选特征的区间数。通过实时分析粒子间相对空间分布位置，建立一种新的粒子重采样策略，采用复制、线性组合、淘汰等不同形式对粒子的数量和分布位置进行自适应调整, 使得粒子性能得到优化。实验仿真结果验证了所提算法的有效性。