为了兼顾算法的跟踪速度与精度,提出了一种基于双核模型上下文的流形正则相关滤波跟踪算法。其中,结合上下文相关框架与相关滤波算法的主模块承担主要跟踪任务,可弥补相关滤波学习模型中余弦窗过滤的背景信息。对上下文相关样本进行流形正则处理,可达到惩罚上下文相关框架、优化主模块模型的目的。辅助模块则结合了核相关滤波算法与卷积特征,当跟踪目标发生遮挡、形变或超出视距等情况,跟踪置信度低于经验阈值时启用辅助模块,防止主模块模型发生漂移。由于主模块的跟踪速度快、精度低,而辅助模块跟踪速度慢、精度高,两个模块可在速度和精度方面优势互补。在OTB2015和VOT2016数据集上的测试结果表明,本算法在精度和鲁棒性方面均超过了其他相关滤波算法。

针对吸收马尔可夫随机游走方法未能充分抑制显著图的中心背景区域和丢失位于图像边界的显著目标的问题,提出一种基于流形正则化随机游走的图像显著性检测方法。首先以超像素作为节点对输入图像构造全局图,通过吸收马尔可夫链随机游走算法计算得到初始显著图,再对初始显著图利用自适应阈值分割获得稳健前景查询节点。其次,为有效利用图像全局信息和局部信息的互补性,构建局部正则图以获得局部最优相似度矩阵。最后,将获得的局部最优相似度矩阵和前景查询节点信息应用于流形正则化框架中得到最终显著值结果。在公共数据集上进行实验验证,结果表明,运用本文算法的显著性检测在查准率和查全率等评价指标方面均有提升。

为改善荧光分子断层成像的重建结果，本文采用联合稀疏-流形正则模型进行光源重建, 该联合稀疏-流形正则模型能同时利用重建光源聚集性和稀疏性的先验信息。为有效求解该联合稀疏-流形正则模型，本文通过重新推导变量分离近似稀疏重构算法对其进行求解。为加快变量分离近似稀疏重构算法求解联合稀疏-流形正则模型的速度，本文在光源重建过程中采用了热启动策略。实验结果表明，相比变量分离近似稀疏重构算法求解范数模型，变量分离近似稀疏重构算法求解联合稀疏-流形正则模型将重建结果的对比噪声比从6.45 提升至9.18。另外,相比没有采用热启动策略，采用热启动策略的变量分离近似稀疏重构算法求解联合稀疏-流形正则模型的时间从101.84 s减至50.10 s。本文方法显著提高了光源目标重建的精度和速度，取得了更优的重建结果。

针对传统高光谱影像低秩表示去噪方法无法保持影像多元几何结构信息的问题, 提出一种基于局部超图拉普拉斯约束的高光谱影像低秩表示去噪方法。在低秩表示模型中增加超图拉普拉斯正则项, 保持数据间多元几何流形结构; 并对低秩模型系数矩阵增加稀疏和非负约束条件, 进一步提高模型对影像局部信息的保持能力, 使得模型不仅能够恢复具有低秩性质的影像信号分量, 而且可以很好地保持影像的多元几何流形结构。在AVIRIS影像和ProSpecTIR-VS影像上的对比实验表明, 所提方法更好地保持了影像的空间和光谱信息, 有效地改善了高光谱影像去噪效果。

提出了一种基于核主分量分析(PCA)正则化的机器人实时定位算法。此算法以半监督学习完成离线训练,首先,以机器人在其预置运动路径上采集到的畸变图像中的稀疏目标面积为观察数据,将部分标定数据的坐标作为其标签,然后以核PCA所揭示的低维视觉流形为正则化约束条件,运用最小二乘方法估计无标签数据坐标。在线定位阶段,利用调和函数估计在线采集到的数据坐标,从而实现基于无标定单目视觉传感器的机器人在线定位。实验结果表明,和其他常规的定位方法相比较,提出的实时定位算法的计算复杂性小、定位精度高、实时性强,能够满足工业机器人和医疗服务机器人等方面的实时定位要求。