本文针对电力设备红外图像诊断中热故障特征提取和数字化表达难题，提出一种多属性融合的电力设备红外热特征数字化方法。通过对电力设备热故障特性和相关诊断文件研究分析，在对图像预处理的基础上，提取图像中关键发热区域的热点温度、热点温差、发热面积、位置信息以及热点群聚现象等热属性值，构建多属性信息融合的过热性故障特征值向量，实现热故障特征数字化描述。以断路器为例对该方法进行了验证分析，结果表明，该方法对典型红外故障图谱具有良好的描述能力，可用于后续大量复杂故障样本情况下的设备热故障智能分类与诊断应用中。

为了提高复杂环境下的红外弱小目标的探测能力，基于人类视觉注意机制，设计了差异直方图耦合显著性映射的弱小目标检测算法。考虑真实目标与其邻域之间的强度差异，通过采用DFT变换来计算红外图像的幅度与相位频谱，以计算二者之间的频谱残差，并联合高斯滤波方法，输出显著性映射，从而有效突出显著区域。分析目标与背景区域的梯度幅度和梯度方向之间的差异，计算红外图像的差异直方图，以充分抑制背景杂波和噪声。联合显著性映射与差异直方图，形成图像对应的融合特征映射。最后，引入自适应阈值分割方法，从融合特征映射中准确定位真实目标。多组测试数据表明，较已有的红外目标检测技术而言，所提算法能够更好地定位出弱小目标，呈现出理想的ROC曲线。

为了解决特征融合目标跟踪(Staple)算法在复杂场景中固定权重融合方式的局限性,在其基础上进行改进并引入通道置信度,提出了一种自适应特征融合与通道加权的抗遮挡相关滤波跟踪算法。先引入多维特征描述,根据每个通道上滤波模板的响应峰值,计算通道权重;再根据特征模型的响应结果,计算模型的可靠性,确定模型的融合权重,从响应结果的角度完成特征融合;最后根据历史帧的平均峰值相关能量,以及当前帧图像与前一帧图像的均方误差,来判断目标的遮挡情况,并进行模型更新。在OTB-2013和OTB-100数据集上进行实验,与Staple算法相比,所提算法的成功率和精确度均有所提高,并在多项具有挑战的属性上表现较佳。

针对当前动作识别技术中正确识别率不高, 易受到环境变化的影响等问题, 提出了一种基于受限玻尔兹曼机与密集采样特征迭代加权融合的动作识别算法。避免单个特征对图像序列的表达力不强, 引入了受限玻尔兹曼机(RBM)特征与密集采样(DT)特征分别对行为动作进行特征提取, 得到RBM特征和DT特征; 定义一种迭代加权函数, 将RBM特征与DT特征进行加权融合, 形成描述能力更强的RBM-DT特征; 基于K-近邻(KNN)算法, 对RBM-DT特征进行分类学习, 完成动作识别的决策判断。通过在KTH、Hollywood数据集上实验表明: 与当前动作识别技术比较, 提出的新算法能够有效识别各种行为动作, 对各类型动作均具有更高的正确识别率与鲁棒性。

针对基于手部几何特征的手形识别方法可利用的个体信息有限的问题, 提出了一种将手指轮廓特征与几何特征相融合的身份识别方法。该算法首先分离手指, 采用曲线拟合算法定位手指中轴线; 然后采用分步对齐方法规范化手指, 并提取手指轮廓特征和几何特征; 最后采用粒子群算法对手指截取系数和权值系数进行优化, 以进一步提高识别准确率。实验结果表明: 采用该方法后, 识别率可达98.61%。该方法手指定位更准确, 更充分地利用了手部信息, 且避免了特征点定位不准及手指根部不稳定轮廓特征对识别准确率的影响, 具有较高的识别率和良好的鲁棒性。