针对运动车辆目标识别问题提出了一种自然场景下车辆识别方法。首先采用图像差分技术对目标车辆的显著特征进行统计学习, 并将学习所得目标局部特征以及图像进行编码, 根据以上两个信息实现目标车辆的显著性检测。其次针对车辆运动的复杂性, 采用分块投影匹配方法进行全局运动估计和补偿, 并利用差分技术进行运动特征检测。然后将目标车辆的显著性特征与运动特征进行融合, 从而获得更精确的候选目标区域。最后对候选区域进一步使用视觉显著特征进行目标判别。实验表明该方法具有较好的目标判别性能, 能较好地解决自然场景下运动车辆的识别问题。

由于基于亮度变化函数(IVF)的跟踪算法能高效跟踪前视红外图像中刚性目标但无法满足行人跟踪鲁棒性要求，提出了一种新的基于多热点亮度变化函数的红外图像中行人跟踪算法。分析了分区域、多热点描述行人目标热信号的必要性，利用改进的亮度变化函数在帧间目标窗口内定位热点，建立目标窗口自适应更新机制解决尺度变化问题，最后基于热点的运动特征描述子剔除定位于背景的野值点。对复杂红外场景的跟踪实验结果表明，由于在原始算法的基础上省去了模板匹配步骤及缩小了搜索对象的矩阵维数，该算法获得了最优的实时性; 且多热点机制使该算法的鲁棒性优于多种其他视觉跟踪算法，能够胜任存在遮挡、尺度变化、低对比度等干扰因素的前视红外图像中行人目标的跟踪。