图像目标识别是图像理解和计算机视觉领域研究的热点和难点,其识别的困难主要是目标形状和表面特征的变化造成目标个体的差异,而且没有规律性。对目标形状和表面特征的变化进行分析,根据变化影响力的范围可以将其分为两类：目标全局变化和目标局部变化。针对目标的全局变化,在非对称逆布局模式表示模型的思想的启发下,提出了非对称逆布局目标表示模型(Non-symmetry and Anti-packing Object Representation Model, NAOM)。NAOM目标表示模型由若干特征各异的目标局部块组成,模型通过空间位置和权重将目标局部块组织起来,使其能够充分的描述目标的各种形状变化。目标块的数量、大小和形状等属性依据目标自身的特征来选择和定义,目标块之间的约束关系通过学习目标的全局变化来获取。NAOM模型包含两个变换函数,一个是根据目标样本可以把目标分解成若干合适的目标局部块,学习目标局部块之间的约束关系,建立目标表示模型；另一个是在待检测图像中可以寻找目标局部块,结合局部块之间的约束关系,将有效的目标局部块组合,检测出目标。针对目标的局部变化,提出的目标局部块描述符可以有效的应对目标的局部变化。目标的边缘轮廓是描述目标最重要的特征。基于方向梯度直方图的思想,提出了网格状边缘方向直方图(Grid of Histogram of Edge Direction, GHED)来描述目标的边缘轮廓。该描述符的核心思想是目标边缘轮廓的形状可以被边缘轮廓像素切线的方向分布很好的描述。运用已有的边缘提取算法进行边缘轮廓提取,计算出边缘轮廓的切线方向,之后在网格中统计边缘像素分布直方图,并按照顺序连接每个直方图,形成了GHED特征向量。GHED描述符的贡献主要有两个方面：一是充分运用了已有的边缘提取算法对边缘提取的能力,减少其它因素的干扰,提高了对边缘轮廓形状特征的描述能力；二是GHED描述符只对边缘像素进行统计,降低了特征提取算法的时间复杂度和空间复杂度。NAOM模型和GHED特征描述符分别应对目标的全局变化和局部变化。基于非对称逆布局目标表示模型和模型学习算法,从目标检测的准确率和速度出发,提出了基于局部块权重的Hough投票检测法。该检测算法在投票过程中加入了局部块的判别权重,以区分不同的块在目标检测中的影响力。算法具有三个方面的特点：一是对局部块分类器检测值进行量化,将检测值转化为局部块相似度；二是局部块的检测相似度和权重相结合,采用Hough投票算法投票；三是建立局部非极大值抑制算法,减少同一目标的重复检测。实验的结果和分析表明NAOM目标表示模型和GHED特征描述符对目标的变化特征具有更强的表达能力,与同类识别算法的比较,体现了本算法在识别准确率和识别效率上的优越性。