鲁棒的目标跟踪和识别新方法及在羽绒识别中的应用研究

针对应用系统中的噪音环境下移动目标实时鲁棒跟踪识别面临的挑战，课题组拟在已有的基于模糊回归弹性图像配准方法基础上，通过引入压缩集技术来提高已有方法的运行速度并理论分析其在噪音环境下回归参数的选择，从而提出适于噪音环境的快速鲁棒的图像弹性配准方法。同时，基于课题组已有的改进的minimax概率决策机MPFHP,通过引入压缩集技术提出其快速版本，并在其基础上提出相应的特征变换方法用于目标跟踪中的特征变换处理。进一步地，把移动目标跟踪看作图像动态配准问题，利用提出的快速鲁棒弹性配准方法和提出的快速特征变换方法，提出噪音环境下的实时鲁棒目标跟踪方法，并利用提出的快速minimax概率决策机进行实时识别。对于研究的新方法，我们将进一步应用于噪音环境下的羽绒目标在线跟踪识别。该课题研究成果对丰富模式识别技术及其应用领域的研究，极具重要的学术与应用意义。

在2010.01-2012.12执行国家自然科学基金（No. 60975027）过程中，按计划开展了相关的研究，重点是鲁棒的动态目标识别及跟踪方法及其在羽绒识别等方面的应用。概括起来，本课题的研究成果可归纳为如下的几个方面。1）利用最小最大概率原理，提出了一个新的基于最小最大概率原理的特征抽取新准则，进一步通过优化理论和核技术提出线性和非线性特征抽新方法。2）把视频跟踪视为一个动态的图像配准问题，基于课题组已有的弹性模糊回归自适应弹性图像配准方法，探讨了基于模糊回归自适应配准的视频跟踪新方法。3）探讨了可能性线性模型中参数与噪音之间的理论关系。利用将其优化问题转换为最大后验估计问题的方法，推导出了模型中的参数h与拉普拉斯噪声、均匀噪声之间呈近似反线性关系。4）探讨了基于正则化可能性线性模型的图像滤波技术，基于RPLM，对中值滤波器进行了改进，提出了基于RPLM的自适应中值滤波器ARBMF。5）针对大规模数据集的学习方面，探讨了TSK模糊模型面向大规模数据集时的快速构建问题。6）为了提高经典的Relief特征加权方法的适应性和鲁棒性，融合间距最大化和极大熵理论，探讨了新的鲁棒的具有更好适应性的Relief特征加新算法。7）探讨了半监督技术在羽绒菱节识别中的应用。项目执行过程中在相关领域形成的一批成果对计算机视觉、计算智能理论及其在目别识别等方面的应用具有重要的学术与应用意义。