高光谱图像分类的有效特征提取仍然是遥感中具有挑战性的研究课题。为了解决这个问题，提出一种基于自动阈值属性形态剖面的光谱空间特征框架用于高光谱图像分类。它包含两个阶段：1）将高光谱图像灰度值转化为树形结构的属性形态剖面，利用所提自动阈值方法进行过滤树操作，以创建最终的扩展多元属性形态剖面，获得空谱特征数据。这种方法不需要自定义任何阈值，仅需要少量的过滤操作就可以获得最大的空间信息。2）将获得的空谱特征数据通过训练的光谱角度映射堆叠式自动编码器网络来创建有效的分类器，得到最终的分类结果。通过在两个真实的高光谱图像数据集上应用这种改进方法并将结果与现有方法进行比较，证明了该方法的有效性。

现行可见光定位技术采用各类传感器以及混合复杂算法实现定位，操作难度大且易受干扰，导致系统的定位精度不稳定。为提高可见光室内定位的精度与稳定性，提出将迁移特征学习与生物启发网络相融合的方法并将其应用于可见光室内定位中，在可见光环境下采集图像，利用改进的小波阈值去噪法去除图像噪声对深度特征的影响，提取可见光图像的深度特征并建立指纹库，构建天牛须搜索算法优化的神经网络模型，进行训练与定位测试。结果表明：在实测定位阶段搭建的0.8 m×0.8 m×0.8 m实验环境中，预测坐标的平均误差为4.26 cm，其中，误差小于4 cm的预测点数量占总坐标点数量的63.4%，误差小于6 cm的预测点数量占总坐标点数量的78%。所提方法为室内定位提供了一种稳定可靠的方法。

为满足矿井视频监控需求，针对现有图像融合算法获取的融合图像存在伪目标、模糊目标、晕光遮挡目标等问题，提出了一种基于多尺度和自适应高斯差分变换，结合修正非线性单元和VGG-16的矿井双波段图像融合算法。设计了基于多尺度和自适应高斯差分变换的源图像分解模型，将红外和可见光图像分解为基础图像和细节图像；构造了一种修正非线性单元函数，使红外基础图像的权值随可见光基础图像的灰度自动调节，并采用“加权平均”的基础图像融合策略，以获得消除光源干扰的融合基础图像；利用预训练的VGG-16网络模型提取细节图像的4层网络深度特征，获取4对具有不同网络深度特征的融合图像后，通过“极大值选择”方法得到融合细节图像；对融合基础图像和融合细节图像进行重构，获取最终的融合图像。实验结果表明：所提算法能够消除矿井下人工光源干扰，得到场景清晰、特征显著的融合图像，更符合人的视觉特性；同时，改善了异源图像的融合效率，有利于图像的进一步分析处理。与其他典型算法相比，该算法鲁棒性好，克服了传统算法难以提取图像深度特征的缺点，更易于消除光源干扰，获得更加全面、可靠和丰富的场景信息。

采用近红外(NIR)波段高透的红(R)、绿(G)、蓝(B)滤光(即R+NIR、G+NIR、B+NIR),是电子倍增CCD(EMCCD)实现真彩色成像且保持低照度下高灵敏度的常见手段,然而,近红外成分的引入会带来颜色失真和颜色分布压缩。本文通过约束已配准的源图像和参考图像在标准正交颜色空间中具有相同的坐标表示,构建正交的色彩传递模型。在此基础上通过卷积神经网络引入特征维度,设计了端到端的色彩传递网络,改善偏色和颜色分布压缩导致的一对多颜色映射问题。色彩传递网络由预训练的前端网络和可训练的后端网络组成,前端网络根据EMCCD图像的纹理和语义将像素点分散到不同的特征通道上,后端网络根据各特征图内像素点的编码统计特征进行色彩传递。本文方法经大量图像验证具有一定普适性,在不同场景和照度下均取得较自然的色彩效果。相对于真实彩色图像,本文结果与颜色失真图像相比,峰值信噪比平均提高了75.78%,结构相似性相对提高了103.74%,色差相对降低了67.48%。

跨摄像头场景中依赖面向标签映射关系的学习以提高识别精度，有监督行人重识别模型虽然识别精度较好，但存在可扩展问题，诸如算法识别精度严重依赖有效的监督信息，算法实时性差等；针对上述问题，提出一种基于软多标签的无监督行人重识别算法。为了提高标签匹配精度，首先利用软多标签逼近真实标签，通过计算参考数据集和参考代理在软多标签函数中的损失函数，预训练参考数据集，并构建预训练与训练结果的映射模型。再通过生成数据和真实数据分布的最小距离的期望即简化的2-Wasserstein距离计算相机视图中软多标签均值和标准差得到损失函数，解决跨视域标签一致性问题。为了提高软多标签对未标记目标数据集的有效性，计算联合嵌入损失，挖掘不同类别间的相似对，纠正跨域分布错位。针对残差网络训练时长和无监督学习精度低的问题，通过结合压缩激励网络(SENet)和多层级深度特征融合改进残差网络的结构，提高训练速度和精度。实验结果表明，该方法在标准数据集下的首位命中率和平均精度均值优于先进相关算法。

针对Faster R-CNN算法检测舰船目标存在的不足,提出基于深度特征金字塔和级联检测器的舰船检测算法。先利用小目标数据增强算法对数据进行扩充,使检测模型学习足够的特征;再使用深度特征金字塔网络改进原目标检测算法的特征提取网络,抑制相干斑噪声,有效提取舰船特征;并根据合成孔径雷达(SAR)图像中舰船目标稀疏的特点使用级联结构调整网络。基于上述改进,选取舰船目标检测数据集中部分图像及2月份渤海湾的SAR图像进行实验,实验结果表明:所提算法均取得了良好的检测效果,证明了所提算法的有效性。

针对熟练伪造签名识别正确率较低的问题, 提出了基于笔划三维深度特征的个人签名识别方案。首先采集不同书写者的真实签名及他人的套摹签名, 用高精度的体式显微镜分别对签名笔划进行扫描, 获取签名笔划的表面三维点云数据。然后通过高斯滤波器滤掉三维点云数据中的噪声, 计算签名笔划的平均深度、沿笔划方向深度标准差以及熵等统计特征。之后, 对数据集进行数据增强, 增加签名数据的数量。最后, 将签名数据分为训练集和测试集, 在不同训练比例下使用分类器(包括SVM、KNN、ANN)进行分类。实验结果显示, 本文算法在本地签名数据集上的最佳识别正确率为9869%, 优于大多数传统算法, 满足实际应用的要求。

为提高复杂情况下目标跟踪的稳健性,提出一种自适应特征更新的目标跟踪算法。对目标提取分级深度特征和手工设计特征,通过不同线性组合方式进行多特征融合,构建多个融合特征器;对不同融合特征器进行可信度判定,选择可信度最高的融合特征作为当前帧的跟踪特征,构建位置相关滤波器,预测出当前帧的目标位置;对跟踪结果进行可靠性检测,可靠性低于阈值则启动融合特征器更新机制,加入时序信息和语义信息进行重跟踪,降低了模型的误差累积。在OTB-2013和OTB-2015数据库上进行测试,结果表明,与近年来比较流行的9种算法相比,提出的算法在快速运动、背景杂波、运动模糊、形变等复杂情况下具有较高的成功率和较好的稳健性。

针对目前视频行人再识别中存在视角、光线变化,背景干扰与遮挡,行人外观与行为相似,以及相同行人在不同模态特征下距离的差异性而导致的匹配不正确问题,提出一种联合多级深度特征表示和有序加权距离融合的视频行人再识别方法。在行人特征表示阶段,提出了行人多级深度特征表示网络,该网络不仅能学习视频序列中行人的时空特征,还能获取行人的全局外观特征和局部外观特征。在有序加权距离融合阶段,将行人的特征表示输入到距离测度学习中,分别计算行人在三类特征下的独立距离,并将距离排序后,根据距离的排名优化距离权值,最后融合三类距离得到最终距离,从而准确匹配行人。通过在公共数据集中的实验表明,所提方法不仅能够提高视频行人再识别的识别率,还具有丰富和完整的行人特征表示能力。