基于层次化生成模型的刚体跟踪与识别

针对刚体在复杂外界环境进行复杂运动情况下的跟踪和识别问题，基于人类解决复杂问题时将一个复杂问题分解为若干简单问题的基本思路，本课题考虑利用层次化概率图生成模型，将刚性物体同时跟踪和识别问题所涉及的两个关键特征（运动和表观）的建模问题转化为概率图生成模型的学习问题，从而使跟踪和识别成为概率图生成模型的推理问题。这样，为特征建模以及解决跟踪和识别问题提供统一的理论框架，从而为提出高效的特征描述以及跟踪和识别算法提供理论化的指导。同时，针对视频数据建模与概率估计的要求所开发的高效的在线学习算法，也将丰富机器学习理论和实践。

针对刚体在复杂外界环境进行复杂运动情况下的跟踪和识别问题，基于人类解决复杂问题时将一个复杂问题分解为若干简单问题的基本思路，本项目在执行期间利用层次化概率图生成模型，将刚性物体同时跟踪和识别问题所涉及的两个关键特征（运动和表观）的建模问题转化为概率图生成模型的学习问题，从而使跟踪和识别成为概率图生成模型的推理问题。.本项目重点对于表观的层次化模型学习方法、基于层次化模型的跟踪识别算法进行了深入的研究。在项目执行过程中，发现形状特征对于跟踪和识别也有重要作用，因此对于刚体的形状的层次化描述方法也进行了深入的研究。(1)在基于层次化深度网络的人脸全局特征建模方面，利用深度神经网络的邻域保持的学习算法，解决了多角度、低分辨率的识别问题；(2)在形状特征的层次化描述方面，通过引入特征比及特征数，并利用层次化的思想建立新的形状描述方法，在平面目标识别、形状识别、图像缩放等中取得了较好的识别效果；(3)在基于多层次模型的手势跟踪与识别方面，提出基于流形学习的单目视频的人手实时姿态估计方法，借助人手手势多角度图像之间的多层次隐含关系通过提取Hu矩等不变性特征，建立手势集低维流形空间进行分类、识别与重建算法，并提出基于方向多边形包围盒的多目标跟踪算法。.项目执行期间内共录用（已在线）SCI论文5篇，发表/录用EI期刊论文7篇，会议论文6篇，申请发明专利4项。参加国际学术会议4人次，国内学术会议5人次，邀请国内外学者5人次来校学术交流，联合培养博士生1，培养学术硕士1名，专业学位硕士4名。