图像匹配在目标检测、安全监控和运动估计等方面有着相当广泛的应用。同一目标在光照变化等因素的影响下也存在较大差异,因此复杂场景下的图像匹配及应用是一个颇具有挑战性的问题。基于区域块的目标识别方法是运动跟踪领域的典型方法,本文将之应用于静态图像匹配方面,尝试解决部分复杂场景下的图像匹配问题。考虑到复杂场景的光照变化、噪声等影响因素,本文从区域块的结构信息和局部性入手,结合最佳兄弟匹配对(BBS)算法思想,给出了一种对光照变化、噪声、图像的尺度变化、旋转、角度变化具有较好鲁棒性的算法。此外,由于人体可以看为由一系列区域块(即人体四肢、头部)组成,但这些区域块在复杂场景下由于角度、光照等影响呈现出不同的形状及相对位置,我们借鉴人体姿态估计的铰接模型,通过机器学习的方法匹配这些区域块,并利用相对位置来识别人体目标。本论文所做的研究主要包括:第一,本文结合BBS算法和块匹配思想,提出一种基于区域块预处理的图像点对匹配算法。该算法对感兴趣区域块利用滤波器进行预处理,使得处理后的待匹配图像在光照变化、噪声等因素的影响下,仍具有较好的匹配精度。在匹配准则方面本文借鉴BBS算法思想,不需要提取区域块的特征点,而是引入距离函数对像素点直接进行匹配。这种方式由于仅考虑局部区域,仿真实验表明,在复杂场景下,基于区域块预处理的图像点对匹配算法相较于以前的匹配具有更高的匹配精度和鲁棒性。第二,本文借鉴YiYang等人提出的铰接部件模型思想,提出了一种复杂场景下多目标人体检测算法。该算法利用传统的HOG算法提取区域块特征,在此基础上采用支持向量机(SVM)进行训练识别这些部位并估计相对位置,再结合高斯模型分割算法,识别复杂场景下的人体目标。仿真实验表明,复杂场景下的多目标人体检测算法相较于以前的识别精准度更佳。