针对空谱信息中普遍存在的异常干扰现象, 提出了基于空谱联合聚类的自适应核协同表示高光谱异常目标探测算法.算法充分发挥了基于密度的聚类算子(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)对于异常点的筛选特性, 在DBSCAN聚类去除异常波谱的基础上, 采用分波段子集随机投影变换对数据降维处理, 以减少谱噪声和谱冗余, 并采用DBSCAN聚类消除了局部背景像元中的杂乱点对协同探测算法结果的干扰.研究了背景离散度对核参选择的影响, 比较了不同的核估计方法, 并提出基于平均差的自适应核协同算法.采用该方法对AVIRIS和ROSIS的三组数据进行仿真实验并与现有算法进行了对比, 结果表明该算法表现出较好的探测性能.

为解决Mean-shift算法采用固定跟踪窗口造成的目标定位精度低的问题, 结合视觉显著性检测和像素灰度相似度, 提出一种采用自适应核函数的Mean-shift跟踪算法。该方法以灰度相似度加权的视觉显著性特征确定目标区域, 并结合Epanechnikov核函数构建自适应核函数, 使跟踪窗口自适应目标大小变化, 降低目标尺度变化的影响, 实现目标的有效跟踪。实验结果证明, 该方法能够有效跟踪尺度变化目标, 处理每帧图像耗时小于25 ms, 满足实时性需求。

针对高光谱图像目标检测问题，提出了一种基于自适应核联合表示的高光谱图像异常检测方法。相比于稀疏表示强调系数向量的稀疏性，基于联合表示的检测算法更强调背景字典中每一原子对联合表示的贡献，并且系数求解更加简单直接；在基于向量2-范数极小化问题求解联合表示系数时，引入相似性正则化矩阵与和为1的条件对系数进行约束，以增强算法的稳定性和分辨力；进而将联合表示检测算法扩展到核空间，利用高光谱图像的局部统计特性进行核参数自适应选取，增强了核参数的局部适应性。为验证该方法的有效性，采用一幅实测高光谱图像中的两个感兴趣区域进行仿真实验，并与传统异常检测方法的检测结果进行对比分析，结果表明该方法具有较传统异常检测方法更出色的检测效果。

为了提高移动机器人目标跟踪系统在复杂环境中的跟踪性能, 提出在双层定位机制下采用基于自适应核函数的Mean Shift算法实现目标跟踪。利用射频识别器件(RFID)检测携带标签的目标, 实现外层粗定位并确定感兴趣区域(ROI); 在内层则根据对视差图的ROI的处理结果确定初始搜索窗口, 然后应用基于自适应核函数的Mean Shift算法在从立体相机获得的左图中应用基于自适应核函数的Mean Shift算法实现对目标的精确定位。自适应核函数由目标的区域特征与Epanechnikov函数相融合构成, 克服了目标边缘处背景像素对目标颜色概率分布的影响。与传统的Mean Shift算法相比, 所提方法在同色背景干扰下仍能准确跟踪目标。另外, RFID限定了图像搜索范围, 节省了运算开支, 图像处理的平均时间为62.11 ms/frame, 满足实时跟踪的要求。实验结果表明, 该方法可实现移动机器人在同色背景干扰、遮挡、目标快速移动等情况下的目标跟踪。