城市通信技术的改革换代和用频设备的逐渐增多使得电磁环境变得越来越复杂。充分了解频谱资源利用的特性是提高频谱管理效率的关键。为了更全面地探索频谱利用的特点，提出一套完整的对复杂多样电磁环境大数据进行详细数据质量分析和处理的流程，分别对处于同一服务的不同信道、处于不同服务的不同信道进行频谱相关性分析，证明了频谱之间的相关性；对电磁环境大数据进行属性构造，构造了频率维占用度和时间维占用度属性。引入图像处理领域的多维混合高斯模型，对电磁信号进行背景噪声的去除，提取电磁信号，为后续的信息挖掘和关联分析奠定基础。

针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。

目前海上目标检测已在民用和**领域得到广泛的应用。由于海水波动大、目标成像面积少、特征不显著等特点增大了目标检测难度，为了消除上述的问题，首先提出了一种基于混合高斯-马尔科夫随机场目标检测模型，该模型利用所提出的混合高斯模型自适应调节学习率来抑制动态背景的干扰。然后，利用混合高斯模型对红外图像所计算的结果作为马尔科夫随机场的观测值，建立了马尔科夫随机场模型，可以解决混合高斯模型存在的不足。实验结果表明，本文的方法能够取得良好的检测效果。

红外成像在军民监控领域广泛应用, 红外自动目标检测能减少人工参与, 有效提高效率。本文实现了基于 FPGA的红外目标检测系统, 首先对系统的硬件资源需求进行评估, 并设计了以 FPGA为核心处理器的系统硬件平台。其次, 开发了基于 FPGA的红外目标自动检测处理流程, 经过两点校正与盲元补偿等预处理后的红外图像信号, 通过混合高斯背景建模的方法建立背景模型, 自动检测前景目标, 再将目标区域周围高亮标识出来。实测结果表明, 该系统可有效检测出高亮背景下的红外目标。

为了识别植被场景中的叶片和相邻障碍物,提出了一种三维激光雷达的目标检测算法。以雷达点云中的相邻点构建邻域特征,提取新的特征参数作为判别依据,采用期望最大算法求得混合高斯模型以表征特征参数的分布情况;最后,利用马尔可夫随机场建立先验模型,在最大后验概率框架下采用图割法进行求解,得到最优目标函数。该算法已成功应用于无人驾驶平台。研究结果表明,该算法能有效地识别叶片及其邻接障碍物,可以清楚地分辨障碍物边界。与传统算法相比,该算法具有更高的稳健性和准确率,且其实时性满足实际应用的需求。

针对高分辨率极化合成孔径雷达(SAR)影像中极化特征呈现尖峰拖尾等复杂多样的统计特点,采用混合高斯模型(GMM)对极化特征进行建模,提出了一种约束距离的混合多元高斯分布的参数估计算法。该参数估计算法在贪婪期望最大算法框架下设计约束距离函数,自动估计混合分量的个数和模型参数,进而在贝叶斯框架下实现极化SAR影像的地物分类。对Radarsat-2旧金山等地区三组影像数据的分类结果表明:相比于经典的分类算法,所提GMM分类算法的总体精度提高了7%~10%,且对样本数目的依赖性更小,在城区和耕地区域等异质区域可以得到精度更高的分类结果。

针对混合高斯模型(Gaussian Mixture Model, GMM)无法检测到完整的运动目标, 三帧差法检测目标时对物体速度的敏感, 检测到的物体会出现空洞等缺点, 提出了一种混合高斯融合三帧差法的运动目标检测改进算法。首先, 在运动目标提取过程中, 改进的三帧差法采用动态分割阈值和边缘检测技术, 解决光线突变和边缘不连续问题; 然后引入新的高斯分布自适应选择策略, 以减少处理时间, 提高检测准确性; 最后, 利用改进 HSV(Hue-Saturation-Value)颜色空间来消除阴影区域, 得到一个完整的运动目标。数据实验表明, 该算法在不同场景具有较好的检测能力。

红外图像信噪比和对比度较低、缺乏颜色纹理信息、目标周围有光晕效应、边缘模糊，这些缺点对红外图像中人体目标检测提出了挑战。本文对复杂环境下红外图像序列中运动人体目标检测技术进行研究。首先采用基于改进的混合高斯模型（Gaussian mixture model，GMM）的背景减除法对人体目标进行分割，通过多个带有权值的高斯过程来描述复杂变化的背景，对模型个数、权值、学习率进行更新。然后对分割得到感兴趣区域（Region of interest，ROI）采用融合边缘方向累加和特性的梯度方向直方图（Accumulation of oriented edge and histogram of oriented gradient，AOE-HOG）进行特征描述，利用支持向量机（Support vector machine，SVM）实现对人体目标分类检测。实验表明，本文算法能够在复杂场景下正确检测出人体目标，对于多目标距离较近甚至有部分粘连的情形，也具有较好效果。

提出了一种结合边缘混合高斯模型与帧间差分的方法,来实现红外光照突变场景下的运动目标检测。该方法通过统计阈值及图像方差的变化范围来判断光照突变情况的发生，并引入减缓因子来改进模型。实验结果表明，与传统检测方法相比，改进方法误检率更低，检测准确度更高，稳健性更强，更能有效解决智能安防监控系统中光照突变及红外模式过渡导致的误报问题。

为了改善混合高斯模型在光照突变时容易产生大量误检的缺陷, 采用了一种高斯模型与均值法相结合并为前景像素建立计数器的方法。在建立背景模型时, 运用多帧图像求平均值的方法初始化混合高斯模型的背景;为每帧图像的前景像素数建立计数器, 并以此消除被误判为前景的区域;对检测出的前景区运用数学形态学处理, 得到图像真正的前景区域。结果表明, 该算法不仅克服了初始背景中的干扰, 而且消除了光照突变时的误检, 提高了运动目标的检测率。