无人机已成为当今世界快速发展的重要领域,其应用包含了军事和民用的多个领域。而基于无人机的机器视觉算法更是成为研究热点。其中,目标显著性检测和视频目标跟踪算法的研究具有重要的应用价值。超像素,作为一种重要的图像特征描述,由于其包含丰富的图像冗余信息,在很大程度上可以降低后续视觉处理问题的复杂度。针对无人机航拍图像存在的背景复杂、目标尺度变化及位置漂移等问题,本文将超像素与无人机航拍视频目标显著性检测和跟踪算法研究相结合,重点对超像素分割算法进行改进。针对目标显著性检测和目标跟踪算法对图像信息特征的要求,分别在提高超像素分割精度、超像素质量及加快超像素分割算法速度方面提出两种改进算法。同时,结合对传统的目标显著性检测算法和目标跟踪算法的改进,提高了检测算法的精度和跟踪算法的鲁棒性。此外,本文还提出一种基于稀疏表示的超分辨率重建算法,作为无人机图像的复原技术。具体工作内容如下:(1)提出一种基于稀疏表示的超分辨率重建的无人机图像复原技术。针对无人机由于在图像信号的采集、传输及存储方面存在的限制及天气等环境因素造成的图像分辨率下降的问题。本文将稀疏表示理论用于对低分辨率图像的重建过程,实现了速度快、质量高的无人机图像复原效果。(2)提出基于SLIC改进和多尺度超像素的目标显著性检测算法。首先,对超像素生成的基本原理和常用算法进行研究分析,结合无人机航拍图像的特点,改进SLIC算法中像素距离的测量方法和特征使用方法,同时加入图像初始分割约束框架。然后,利用改进SLIC后的算法生成多尺度的超像素,结合贝叶斯框架,用于目标显著性检测。最后,通过实验证明,改进后的超像素算法及对多尺度超像素的应用,在对无人机航拍图像的目标显著性检测精度上有明显的提高。(3)提出基于非迭代聚类超像素与关键点结构的目标跟踪算法。首先,针对航拍视频目标跟踪对实时性及鲁棒性的要求,通过舍弃迭代、提高距离计算效率并在原算法的一开始就进行强制连接来改进SLIC算法中聚类的过程。实验结果表明,改进后的算法在大幅提升算法速度的同时,在超像素的边界依从性上也有了提高。利用改进后算法生成的超像素与图像关键点相结合,构造出一种超像素-关键点结构用于目标跟踪器的特征描述。同时,结合新的外观模型,对更新策略加以改进,从而避免模型漂移。最后,通过实验证明,结合了超像素和关键点信息的跟踪器对无人机航拍视频的目标跟踪更鲁棒。