目标跟踪应用中,针对迭代扩展卡尔曼滤波(IEKF)在模型失配和噪声时变情况下出现精度下降甚至发散的问题,提出了一种基于多重渐消因子的自适应IEKF算法。该算法首先通过一个基于正态分布的限定记忆新息协方差估值器来计算新息协方差估计值,并根据估计均方误差把多重渐消因子分配给各数据通道;再依照χ 2检验原理判断系统是否异常,仅在系统异常时才引入渐消因子;最后利用目标与观测站间的径向距离和方位角信息,实现了IEKF迭代次数的自适应控制。仿真结果表明:与传统IEKF相比,在系统模型失配时所提算法的位置、速度和加速度平均估计误差分别减少86.97%、33.18%和15.56%;在过程噪声时变时则分别减少60.35%、18.42%和6.02%;在量测噪声时变时则分别减少50.60%、18.78%和5.41%。结果表明,所提算法有效提高了滤波精度,鲁棒性也进一步提升。

针对目前大多数基于统计先验的图像盲去模糊方法对边缘和细节恢复能力有限的问题,提出一种新的盲去模糊算法。通过降采样对模糊图像进行金字塔分解。在每一层图像上,利用显著性强度先验提取图像的边缘信息,并结合梯度低秩先验抑制图像中的模糊和噪声干扰。在多尺度上由粗到精地交替迭代模糊核和中间潜像,得到最终的准确模糊核。采用非盲去卷积方法复原出清晰图像。此外,针对多尺度迭代时间较长的问题,提出了一种自适应迭代策略,通过评估估计模糊核的相似性来调整迭代次数,有效减少计算成本。实验结果表明,本文算法可以准确地估计出模糊核,有效地抑制噪声影响,且得到的复原图像中含有更丰富的边缘和细节等特征。

为提升融合梯度直方图特征和颜色属性特征的有效卷积操作跟踪算法(ECO-HC)的跟踪精度和速度,提出一种融合上下文和重定位的加权相关滤波跟踪方法。根据梯度直方图和颜色属性的不同特性加权融合相关滤波响应值,采用自适应迭代方法预测目标位置;融合多尺度搜索区域,目标上下文特征和目标预测失败时重定位方法进一步提高跟踪精度。在标准数据集OTB-100上进行算法评估,实验结果表明,所提算法的平均距离精度为89.2%,平均重叠率精度为80.6%,比ECO-HC算法分别高3.6%和2.1%。中央处理器的跟踪速度达65.2 frame/s,优于实验中对比的其他跟踪算法。所提算法有效地提高了跟踪精度,在严重遮挡、光照变化等干扰下,仍能较好地跟踪目标。

采用频域多帧循环迭代解卷积算法(CIBD)，针对提高复原图像的准确性和快速性两个方面进行研究。以退化序列中任意帧作为起始帧，逐次增加迭代帧，确保更多的观测帧参与循环迭代解卷积以增加复原的准确性；通过图像间的相关矩阵估计初始点扩展函数(PSF)，采用尺度梯度投影法，自适应迭代步长，增加迭代终止条件等措施提高算法的收敛速度。实验结果表明，采用提议的算法能够有效地重建不同大气湍流条件下的远距离观测图像，性能优于传统多帧盲反卷积(MBD)迭代算法。