提出了一种应用于噪声环境下的多尺度卷积神经网络 (CNN)在线地震前电磁异常检测模型。该模型在 CNN强大特征提取能力的基础上, 通过多尺度机制协同长短期地空电磁频谱特征, 多维度、多视角地开展对地震前电磁的异常检测。同时引入自适应变分模态分解 (VMD)降噪方法提取观测信号中的有效信息, 最后配合在线学习策略, 实现对地震前电磁异常模式可能变化的持续学习。仿真结果表明, 多尺度模型在低信噪比下能够保持较高的准确率, 在线学习策略能够有效缩短模型更新时间, 由此证明了模型的有效性。

针对非线性动态系统的扩张状态观测器(ESO)参数整定问题, 建立了基于BP神经网络的参数整定模型。采用在线梯度下降法进行网络训练以保证对动态系统的学习能力,并引入了IDBD算法,利用输入数据的信息和学习过程中的经验实现学习速率的自适应调整, 以改进在线梯度下降法的适应性。数字仿真表明, 该参数整定模型较传统的参数整定模型具有动态性能好、精度高等优点, 能够提高非线性系统扩张状态观测器参数的动态整定精度, 进而在一定程度上改善自抗扰控制器的系统控制性能。

通过调整模块的工作参数,提出了一种对距离选通成像系统性能进行在线优化的方法。将眼图参数视为一个随系统可调参数变化的随机变量,采用高斯过程回归方法拟合此变化关系,并在学习过程中引入参数优化步骤,从而在更快速地从高维参数空间中学习到随机过程变化特征的同时优化系统参数。实验结果表明:所提方法可在线优化系统参数配置,提高距离分辨能力,揭示模块参数配置对距离分辨能力的影响,可为成像系统的设计提供一定依据。

针对多目标跟踪技术中常出现的目标尺度变化、形变和遮挡问题，提出了一种具有良好鲁棒性的新算法。本算法采用改进的SVM分类器进行在线学习，将跟踪问题看作是一种最大间隔的结构化学习问题并对其更新方式进行改进，来寻找最优权重。同时对在线更新分类器的机制进行了调整，一定程度上减少了误差积累，使在线学习能够更好地发挥其长处。此外，算法采用相关滤波器自适应调整跟踪框大小，并提出遮挡处理和数据关联机制，使被遮挡后重新出现的多个目标编号不发生交换。经过实验验证，本算法提高了跟踪精度，在复杂的背景环境中能够较好地完成多目标跟踪任务。

傍晚至清晨的照度低,成为交通意外、安全事故、犯罪事件的高发时间段。将适用于低照度环境下的热成像摄像机安装于移动平台,实现了监控区域的扩展。首先框选热成像图片中的行人及背景区域,然后提取亮度特征和方向中心对称-局部二值模式纹理特征进行随机蕨分类器的训练及分类;利用检测到的目标扩展训练样本库,更新分类器的后验概率分布,实现了分类器的在线自主学习。通过仿真测试,得到该算法对车载视频的运算速度为242.18 s,误检率为9.53%;对无人机视频的运算速度为14.93 s,误检率为4.52%。该算法的误检率低、分类速度快、便于移植,适用于对实时性要求较高的应用场合,具有一定的实际工程意义。

近年来目标跟踪技术的研究已经有了很大的进展, 但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先, 利用可变形模型对跟踪目标进行表达, 该模型将目标分为若干子块, 目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来, 给出了对目标的一个统一的相似度度量函数。然后, 在线训练一个结构化输出支持向量机作为分类器, 该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标, 完成跟踪。通过实验比较, 该算法的跟踪性能优于其他主流跟踪算法, 尤其在目标发生遮挡和形变的时候仍能准确跟踪。

针对许多评价方法都需要大量有效的训练样本离线学习得到特征提取器的问题, 同时考虑到人脑能自然感知数据的内在低维特征, 这种感知恰以流形方式存在, 提出了一种采用在线流形学习的彩色图像质量评价方法。实验结果表明, 所提出方法在LIVE、CSIQ和TID2008三个数据库的平均Spearman秩相关系数(SROCC)达到0.91。相比于其它方法, 在线流形学习的彩色图像质量评价方法与主观视觉感受吻合度更高。

针对目标跟踪中目标框发生偏移、消失等问题，于在线学习机制下提出一种基于几何模糊的跟踪检测学习的目标跟踪方法。以跟踪-检测-学习为框架，利用Lucas-Kanade 算法，获得目标的初步跟踪结果。运用几何模糊的匹配思想代替传统检测手法，有效校正跟踪偏移，避免误差累计。整合器比较跟踪、检测结果与上一帧结果的相似度，通过计算正负样本与检测子区域的归一化相关系数比求得置信度，得到目标的精准定位。其结果通过学习器进行在线学习，从而进行下一帧的跟踪。实验结果表明，将该检测思想应用于快速移动目标跟踪时，在背景相似度较高的条件下，表现出了良好的性能，与其他新的方法比较也有较高的定位精度。

针对在线学习跟踪算法中目标模型更新错误而导致跟踪漂移的问题，提出了一种简单但高效的解决方案。在目标区域均匀采样点跟踪器，基于纹理描述对前后两帧点跟踪器进行置信度评估并以此完成目标初步定位，由多维特征时空上下文模型输出目标位置置信图以完成目标精确定位，同时结合置信图决定模型更新速率并给出了一种多尺度更新机制。实验表明，该方法在背景干扰、快速运动、遮挡、光照变化及尺度变化下均能完成稳健跟踪，在320 pixel×240 pixel的视频序列中平均跟踪速度为55.1 frame/s，可以满足实时应用的需求。

：针对目标跟踪过程中目标可能出现的快速变化和严重遮挡等问题，提出了一种基于新的子空间表示的目标跟踪算法。采用距离不变量对尺度不变特征变换(SIFT)特征点匹配对进行提纯。用提纯后的特征点匹配对，通过线性拟合得到仿射变化参数。在粒子滤波的理论框架下，采用快速的迭代算法，建立目标的主分量(PCA)子空间表示，结合计算得到的仿射变化参数，构造有效的目标观测模型完成跟踪。同时，采用在线学习的方法对SIFT特征点和PCA子空间进行定时更新。大量实验表明，提出的算法能快速有效地完成对姿态和形状剧烈变化的目标的精确跟踪。