摘要:大气偏振模式是一种稳定的自然属性，其在导航、探测等领域有广泛的应用，但由于自然环境以及周边建筑物遮挡的影响，在同一时刻获取的大气偏振信息是局部且不连续的，导致其在实际应用中受到影响。现有方法主要对大气偏振模式进行大范围图像的修复，对于高频信号的修复精度十分有限导致边缘模糊。针对该问题，本文采用软分割软合成的方法，对偏振信息进行冗余分割并合成，避免了高频信号的丢失，挖掘每个局部中的高频信号特征，并根据大气偏振模式时空连续性合理推测，保证重构的信息与真实信息维持一致，从而生成完整连续的大气偏振信息。实验结果证明，本方法能够很好地重构大气偏振模式中缺失的偏振信息，在云层干扰大于40%的实测重构实验中，本文方法的SSIM和PSNR得分相较于其他方法提高了26%和12%。

摘要:目标跟踪是从复杂的背景中辨认出运动目标，并且对目标进行准确且连续的追踪。如何在遮挡、形变、背景复杂的条件下鲁棒性跟踪目标仍是亟待解决的问题。针对遮挡和形变问题，提出一种局部线性嵌入（LLE）和稀疏表示的算法来有效的学习外观模板。其中LLE是流形学习的一种典型算法。在该算法中每个点的近邻权值在平移、旋转、伸缩变化下是保持不变的，因此可以用来提取目标的本质特征，发现数据的内在规律。算法首先采用局部线性嵌入提取低维特征，提取后的特征作为基向量与琐碎模板组成稀疏原型，稀疏原型用于模板的更新。算法保持了原有稀疏跟踪方法对遮挡处理的优势，同时对目标形变有较好的稳健性。 实验结果表明，跟踪算法比其他7个常用的算法在9个视频序列中有较好的鲁棒性能。