面向基于动态环境的无人飞行器目标实时监视需求,以快速、准确获取运动目标的位置和场景属性为目的,本文针对可见光、红外序列影像的特点,从无人飞行器影像的不变性匹配、仿射变形目标匹配关联、跨场景影像配准、运动目标检测与跟踪等方面做了较为深入的研究。研究的内容和创新点主要有:1,分析了无人飞行器目标监视技术的组成和流程,设计了目标监视系统架构。2,分析了局部不变性稀疏特征匹配各方法的原理,针对无人飞行器序列影像的应用特点,提出空间分布控制方法来设置SIFT匹配的取舍参数,使匹配点更加均匀;在搜索策略上采用改进的k-d树提高处理速度;并以实验对比了各方法优缺点。3,引入了基于ASIFT经纬度模拟的大倾角影像地物目标关联算法。在低分辨率层模拟目标影像成像时的倾斜纬度和旋转经度,使用尺度不变算法获得与搜索影像相似的模拟影像;完成选定模拟影像在高分辨率层对应影像的精确匹配。克服了无人飞行器大倾角拍摄时带来的仿射变形影响,保证了序列影像目标框定的稳定。4,提出一种基于稠密SIFT流的跨场景影像配准算法。将稀疏特征改进到逐个像素对应的稠密特征,同时保持空间离散性,并将多尺度信息量度量引入到二维影像中,由粗到精完成不同场景的影像对应关系。影像不同场景配准实验证明,本方法完成了传统像素级影像配准所不能完成的任务。5,提出结合空间结构与MeanShift的目标跟踪算法。针对红外影像特点,采用了小波滤噪的方法降噪。对序列影像相邻帧采用SURF配准的方法检测运动目标,依据Kalman滤波方法对运动目标预测;从搜索区域提取中心点空间结构描述符,与颜色直方图连接,结合MeanShift修正跟踪目标位置。解决了目标跟踪时的遮挡、大小变化等问题。6,研究了粒子滤波算法的原理和过程,结合Adaboost和混合粒子滤波完成无人飞行器运动目标的检测与跟踪。利用学习型Adaboost建议分布快速检测到场景中的目标,生成运动目标检测结果。采用混合粒子滤波的方法,用Adaboost生成的假设检验和目标动态模型信息组成混合模型来构建建议分布函数,实现运动目标的实时跟踪。