提出一种基于轮廓曲率去噪和仿射不变矩的目标识别方法, 适用于激光主动成像这样的高噪声复杂应用场合。通过计算每个像素及其邻域的轮廓曲率, 判断像素携带的信息量大小, 据此对像素点进行分类。对分属不同类别的像素点, 使用不同滤波参数的 Lee滤波器进行滤波。对滤波后的图像再次提取出轮廓, 计算轮廓的仿射不变矩, 训练分类器进行目标识别。实验结果表明, 本文算法在噪声环境下对目标的仿射变换具有较高的识别率, 并且满足激光主动成像识别系统对于实时性的要求。

针对机载光电探测设备对位于地面背景下的运动目标检测虚警率高、实时性低的问题, 提出了一种基于航姿信息的运动目标检测算法。首先, 提取图像中的疑似目标点；然后利用疑似目标点在图像中的位置和载机的航姿信息解算得到目标在惯导坐标系下的位置信息, 并根据目标在惯导坐标系下的位置变化, 将目标分类为背景目标和备选目标；最后, 通过计算备选目标与背景目标的角度变化关系确定备选目标是否运动。通过半实物仿真的方式对算法进行验证。

提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗, 计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值, 在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后, 采用Naive Bayes框架进行特征融合, 并训练分类器。 在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值, 初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征, 再根据训练好的分类模型计算各个窗口的后验概率。最后, 挑选出局部高分值的候选区域并进行判断合并, 得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示: 4类特征在单独描述3类目标时表现出的性能各有差异, 最高检测准确率为74.21%~80.32%, 而融合方案能够综合考虑目标自身特点, 准确率提高至80.78~87.30%。与固定数量滑动窗方法相比, 准确率从约80%提高到约85%, 虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%, 测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。

本文针对城市建筑物的特点，提出融合 Hessian-Affine和 MSER的仿射协变区域检测方法，利用重复误差筛选高度相关的不同类型区域，根据仿射匹配性分值选择性删除冗余区域，并采用平均重复率、平均匹配区域数进行综合评价分析。实验结果表明，提出的算法将两种检测子互补使用，对于各种仿射变换下的建筑物检测准确率较高，冗余少，适用于城市遥感的实际应用中。Urban Remote Sensing Images

前视红外目标识别是精确制导**的关键技术。实际应用中，模板和实时图存在尺度和角度的差异，易导致误匹配。为克服上述问题，提出了一种基于边缘仿射不变坐标的前视红外目标识别算法。以边缘曲线的区域质心为基准点建立局部坐标系，在此坐标系下，边缘点的坐标值具有仿射不变；将边缘的坐标集合作为描述子，利用平均hausdorff 距离度量边缘的相似性；最后结合边缘的相对位置剔除误匹配，实现前视红外目标的稳健识别。通过三组实验，与基于灰度模板和基于边缘模板的识别算法相比，识别率和稳健性均有所提高。

针对全局曲线匹配在闭塞目标识别中不再可行，提出了一种用于闭塞目标识别的部分对部分曲线匹配方法。首先，构造了一个目标轮廓局部形状特征描述子称之为仿射不变曲线描述子 (AICD)，它基于一个曲线仿射不变量及其无符号积分，具有仿射不变特性；其次，结合 AICD和基于曲率零交叉点的仿射不变曲线分割方案，给出了一个仿射变换下的曲线匹配算法。实验表明该算法对于存在仿射变形和部分闭塞的目标识别有效且优于现有的曲线匹配方法。

基于仿射高斯尺度空间理论，提出了一种完全仿射不变特征 (FAIF)提取算法。 FAIF算法针对仿射高斯尺度空间难以构造的问题，提出了将仿射高斯尺度空间转化为尺度空间的思路。以图像特征区域的协方差矩阵作为特征区域各向异性程度的度量，将各向异性的特征区域通过旋转压缩的方式变换为各向同性区域，最后在各向同性区域上提取完全仿射不变特征点。实验结果表明， FAIF算法可以适应大的视角和尺度变换，并且在立体场景的图片中也有足够多的匹配点，其性能优于现有的仿射不变特征提取算法。

本文对二阶微分矩阵仿射不变量特征描述问题进行了研究，构造了一种既考虑图像微分特性，又考虑图像积分特性的仿射不变量。算法首先计算二阶微分矩阵及其特征向量和特征值；其次是进行仿射变换的紧化，构造出一组由二阶微分矩阵特征向量和特征值决定的同心椭圆；再次是证明了一组同心椭圆的仿射不变性质，并利用该性质构造一组仿射不变量；最后将该仿射不变量应用于 SAR图像配准，取得了良好效果，验证了算法的有效性。仿真结果说明该算法具有较强的抗相干斑噪声干扰和适应较大视角偏差的能力。

激光成像雷达距离像与目标表面物理结构特性密切相关，体现目标的本质特征，是目标识别的主要研究方向。采用组合矩的神经网络方法进行了相干激光雷达距离像目标识别仿真研究。用Hu不变矩和仿射不变矩两者的低阶矩组合表示距离像目标区域特征，利用反向传播(BP)神经网络识别不同方位角的车辆。当视场角不变时，训练10个目标，每个目标取3~19个样本，在不同载噪比(CNR)情况下，分析Hu不变矩、仿射不变矩和两者组合矩的识别率。理论分析和仿真实验表明利用组合不变矩进行距离像目标识别性能优于单独利用其中一种不变矩。

提出一种新方法，解决了红外图像中目标每个面的准确分解问题，通过分解假目标图像综合数据评价假目标红外的示假效果。利用目标可见光曲率图像边界信息的易获得性分解目标图像，获取目标可见光图像各面的边界坐标，确定对应的目标红外图像各面边界。使用仿射不变矩实现对三维多面体假目标红外示假效果的综合量化评价。车辆目标评价实验表明，该方法具有很好的有效性、可操作性和稳定性