当图像中的背景发生波动时,修正的背景加权直方图(CBWH)算法在目标跟踪过程中存在波动跟随现象,从而产生波动误差。为了改善背景波动下算法的跟踪效果,减小波动误差,在CBWH算法的基础上提出了一种背景梯度修正直方图(BGCH)算法。利用相邻帧的背景梯度信息对目标模型进行二阶加权修正,提前阻断了CBWH算法的波动跟随过程。实验结果表明,本算法可以减小CBWH算法的波动误差,且对目标形变、模糊的情况,也表现出了更好的鲁棒性。

为了实现对两幅图像进行同步加密, 降低传输负载并提高密文的抗明文攻击能力, 提出了离散分数阶随机变换与加权像素混沌置乱的双图像加密算法。将2个分阶参数引入到Tent映射中, 设计了新的Tent映射; 根据明文像素值, 构建加权像素直方图模型, 联合位外部密钥, 生成改进的Tent映射的初值; 再利用初值对分数阶Tent映射进行迭代, 输出2组随机序列, 对2幅明文进行位置交叉混淆, 获取2个置乱密文; 基于DWT(discrete wavelet transform)技术, 对2个置乱密文进行稀疏表示; 根据混沌序列, 定义随机循环矩阵, 联合稀疏表示, 获取2个置乱密文对应的测量矩阵。根据随机掩码与调制相位掩码, 建立数据融合模型, 将2个测量矩阵组合为复合矩阵; 基于离散分数阶随机变换, 对复合图像进行扩散, 获取密文。测试数据显示: 与已有的多图像加密方案相比, 该算法的抗明文攻击能力与用户响应值更理想, 密文的NPCR、UACI值分别达到了99.83%、34.57%。该算法具有较高的加密安全性, 能够有效抵御网络中的外来攻击, 确保图像安全传输。

针对 Shearlet变换在提取特征数据时存在冗余性以及无法对全局特征进行稀疏表征的缺点, 提出了一种 Shearlet多方向特征融合与加权直方图的人脸识别算法。首先, 对原始图像采用 Shearlet变换得到多尺度多方向的人脸特征, 然后按照两种编码方式将同一尺度下不同方向的特征进行编码融合, 并将融合后的尺度图像划分为若干大小相等的不重叠矩形块, 利用 Shannon熵理论对各子模式进行加权融合。在 ORL、FERET和 YALE人脸库中做了多组实验, 充分证明该算法相对于传统 Shearlet滤波器在分类识别上更具有优势。

CamShift算法是一种利用颜色信息对移动目标进行跟踪的算法，当目标快速运动或者受到干扰时容易导致跟踪失败。因此提出了一种结合CamShift与扩展卡尔曼滤波的移动目标跟踪算法，使用扩展卡尔曼滤波对目标运动速度和空间位置进行预测，同时采用目标加权直方图改进CamShift算法。所研究的算法能有效地克服目标背景干扰，存在干扰目标或目标部分被遮挡的情况下，仍能实现有效跟踪。实验结果表明，所研究的方法能够对移动目标持续稳定地跟踪。