[01450947]序列图像中基于概率方法的轮廓跟踪研究项目

该项目主要研究了将图像的低层特征和关于目标的高层知识结合进行目标跟踪的问题，将目标跟踪建模为“自顶向下”和“自底向上”相结合的后验概率密度估计问题。由于高层知识的引入，提出的算法对目标的跟踪将更准确，鲁棒性更强。项目提出使用一组滤波器组来表达目标的空域、频域和尺度特性，采用在滤波图像的中不同位置和尺寸的矩形的直方图向量作为特征，基于自适应增强算法（AdaBoost）学习目标的结构似然函数进行目标检测和跟踪。该项目首次将Metropolis采样算法应用于基于粒子滤波器的轮廓线跟踪问题中，用这种方式采样得到的粒子更具有典型性，同时使后验分布更容易收敛到目标的真实分布。为了提高马尔科夫链的收敛速度，通过目标的颜色特性作为启发信息，进一步采样得到新的粒子，最后根据结构似然函数决定接受或拒绝该粒子，这种方法的优点是能够得到局部最优的解。项目也研究了采用时变的自回归过程来建模目标的运动，以适应目标灵活机动的运动方式。在该项目的资助下，培养研究生4人，共发表学术论文9篇，其中在权威国际期刊发表论文4篇，论文被SCI收录4篇，EI收录3篇。研究成果获得黑龙江省科技进步奖(自然科学类)三等奖一项。