本文以无人机战场视觉感知作为研究背景,以战场目标自主识别与跟踪技术为研究目标,在计算机视觉理论和技术研究的基础上,探索鲁棒性好、可靠性高的战场目标自主识别与目标稳定跟踪算法。旨在弥补传统目标识别跟踪技术的不足,增强无人机对目标自主识别的能力和对目标跟踪的快速性、鲁棒性。同时,针对可见光航拍图像受拍摄条件影响而造成的图像退化问题,研究了基于稀疏表示的图像降噪、去模糊以及超分辨方法。根据以上要求,本文的研究工作主要集中在以下四个方面:1.提出一种基于稀疏表示的航空退化图像预处理方法。首先研究了稀疏表示理论,以及基于稀疏表示的传统图像复原模型;然后,对稀疏表示传统模型进行了扩展,引入了稀疏编码噪声模型,并通过抑制该稀疏编码噪声,有效提升了退化图像的复原精度;最后,根据图像非局部自相似性理论,解决了稀疏表示模型的系数估计问题,并对系数进行中心化处理,可以提升图像复原效果。2.提出一种基于视觉显著性模型的战场目标检测方法。通过采用超像素融合方式,建立该视觉显著性模型。首先对图像进行超像素分割预处理,将超像素作为处理单元,不但能够提供比像素更加丰富的信息,而且数量大大减少,可有效节省计算资源;其次,引入图模型结构,建立以超像素为节点的最小生成树模型,通过节点之间的类间类内方差,对最小生成树模型的节点进行合并,从而实现超像素融合的目的,可以有效克服复杂背景对目标的干扰;同时,考虑到图像中的目标其尺度、颜色、纹理、边缘等情况都互不相同,方法中通过采用不同的初始化分割阈值,在多尺度上进行超像素融合处理,可适应多种情况的目标状态,使得算法更具通用性;最后,采用引导滤波对战场显著性目标进行后处理,使得显著目标边缘更加清晰,有效提升检测精度。3.提出一种基于候选区域搜索的战场目标自主识别方法。针对传统检测识别算法多采用高耗低效的穷尽搜索方法,设计了一种通过对图像分割区域按相似度进行融合的方式,来直接搜索目标候选的方法,可大大降低无效候选数目,有效提高目标检索效率。为了对候选目标进行识别,采用一种基于PHOW(Pyramid Histogram of Words)特征的机器学习识别方法,通过样本特征提取为视觉字典提供原子,以原子直方图对目标样本进行表征,并引入空间金字塔模型来为目标特征提供空间信息,最后采用支持向量机对样本特征进行训练,获得可用于识别的目标模型,成功实现对多种目标的准确识别结果。4.提出一种基于在线学习模型的战场目标跟踪方法。对传统的以稀疏表示作为在线学习模型的目标跟踪算法进行研究,针对其算法复杂度过高,耗时严重问题进行改进,有效提升了跟踪算法的鲁棒性。通过将目标模板的PCA基向量作为稀疏表示字典,以学习的方式不断进行模板更新,建立在线学习模型,可有效降低算法复杂度;并在建模时将目标遮挡部分与非遮挡部分进行拆分,成功解决了目标跟踪过程中的形变和部分遮挡问题,同时保证跟踪系统的稳定性和可靠性。本文提出的各种算法均采用Matlab或C/C++语言在计算机环境下开发并调试完成,利用大量航拍图像进行了大量仿真实验。算法可靠性和鲁棒性是本文实验所重点考察的两个主要内容,在所有测试中都达到了预期实验效果。