行人检测是模式识别及机器学习领域的研究热点之一，广泛应用于智能监控、辅助驾驶等领域，而行人候选框的生成是识别及跟踪行人目标的一项重要的前期工作。针对静态监控场景以及特定情况下的车载监控场景，提出了一种基于在线高斯模型的行人检测候选框的快速生成方法(OL_GMPG)。该方法采用高斯模型拟合行人尺寸分布，可以通过生成较少数目的行人候选框达到较高的检测率；并可通过高斯模型的学习与更新过程，获取场景中行人频繁出现的位置以及对应的目标尺度信息，为后续的行人识别及跟踪过程提供辅助。

提出采用小波域多尺度信息融合的方法建立数字半色调尺度相关的误差测度函数。利用尺度间小波系数的自相关性融合层间的小波细节系数，采用加权最小平方法建立边缘误差测度函数。应用改进的K-means 聚类法将原图像分割为几个区域，利用各区域方差倒数做为权重，建立区域误差测度函数。应用改进直接二值搜索方法最小化初始图像和半色调图像的误差，得到最优的数字半色调图像。模拟结果表明了提出算法的有效性。

A multiscale information measure (MIM), calculable from per-pixel wavelet coefficients, but relying on global statistics of synthetic aperture radar (SAR) image, is proposed. It fully exploits the variations in speckle pattern when the image resolution varies from course to fine, thus it can capture the intrinsic texture of the scene backscatter and the texture due to speckle simultaneously. Graph spectral segmentation methods based on MIM and the usual similarity measure are carried out on two real SAR images. Experimental results show that MIM can characterize texture information of SAR image more effectively than the commonly used similarity measure.