成果名稱：復(fù)雜場(chǎng)景下的運(yùn)動(dòng)目標(biāo)分割和識(shí)別技術(shù)的研究

　　成果簡(jiǎn)介：

　　運(yùn)動(dòng)目標(biāo)的分割和識(shí)別技術(shù)一直是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的重要研究課題。圖像序列中運(yùn)動(dòng)目標(biāo)的分割和識(shí)別技術(shù)日益受到人們的青睞和廣泛的應(yīng)用。例如，在智能交通系統(tǒng)中，要求對(duì)運(yùn)動(dòng)中的車輛進(jìn)行監(jiān)控;在銀行、倉庫等重要部門的保安系統(tǒng)中，要對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤與識(shí)別;在軍事領(lǐng)域中，需要對(duì)運(yùn)動(dòng)的重要軍事目標(biāo)(如飛機(jī)、軍艦、坦克等)進(jìn)行識(shí)別及搜索跟蹤等。因此，該成果具有廣泛的應(yīng)用領(lǐng)域和重要的理論價(jià)值。

　　該項(xiàng)目的研究采用現(xiàn)代圖像處理和識(shí)別技術(shù)：

　　首先，建立運(yùn)動(dòng)序列圖像的時(shí)空域馬爾可夫隨機(jī)場(chǎng)模型。即利用Gibbs隨機(jī)場(chǎng)分布來描述Markov隨機(jī)場(chǎng)分布。針對(duì)運(yùn)動(dòng)序列圖像的特點(diǎn)，用高斯混合分布描述序列圖像的觀察場(chǎng)，建立了運(yùn)動(dòng)序列圖像的高斯時(shí)空馬爾可夫隨機(jī)場(chǎng)模型，并構(gòu)造了其相應(yīng)的能量函數(shù)。對(duì)標(biāo)準(zhǔn)Expectation-Maximization算法進(jìn)行了改進(jìn)，提出了快速Expectation-Maximization算法，估計(jì)出了模型中的參數(shù)，在保證分割結(jié)果的精度下，提高了運(yùn)行的速度。在分析和研究傳統(tǒng)時(shí)空馬爾可夫隨機(jī)場(chǎng)的基礎(chǔ)上，提出了一種新的時(shí)空馬爾可夫隨機(jī)場(chǎng)模型。該模型以原始圖像的彩色聚類圖像作為先驗(yàn)知識(shí)，獲得了初始標(biāo)記場(chǎng)，并重新定義了Gibbs能量函數(shù)。在定義能量函數(shù)時(shí)考慮了彩色聚類結(jié)果對(duì)基團(tuán)勢(shì)能的影響。該模型克服了因運(yùn)動(dòng)目標(biāo)與背景間的運(yùn)動(dòng)而產(chǎn)生的顯露遮擋現(xiàn)象，提高了運(yùn)動(dòng)目標(biāo)分割的精度。

　　其次，求解Markov隨機(jī)場(chǎng)模型，使標(biāo)記場(chǎng)的后驗(yàn)概率分布最大化，即使系統(tǒng)的能量函數(shù)最小化。其實(shí)現(xiàn)的方法是改進(jìn)的ICM(Iterated Conditional Modes)優(yōu)化算法。因此在該改進(jìn)的ICM方法能根據(jù)彩色信息得到較為精確的初始標(biāo)記場(chǎng)，使算法收斂到全局最小值。這樣在保證精度的同時(shí)提高了收斂的速度。

　　最后，針對(duì)已經(jīng)分割出的圖像進(jìn)行規(guī)格化處理和Zernike矩的特征值提取，并進(jìn)行識(shí)別。

　　本方法克服了由于圖像的形變而使識(shí)別率降低的問題

　　方法首先計(jì)算給定模式的協(xié)方差矩陣，根據(jù)矩陣的特征向量旋轉(zhuǎn)圖像，得到一個(gè)與新坐標(biāo)無關(guān)的圖像;然后，根據(jù)特征值進(jìn)行圖像長(zhǎng)寬比例調(diào)整，得到一個(gè)規(guī)格化圖像。最后計(jì)算規(guī)格化后圖像輪廓的8個(gè)高階矩作為特征值進(jìn)行識(shí)別。在得到運(yùn)動(dòng)目標(biāo)的特征值后，采用c均值聚類方法進(jìn)行目標(biāo)識(shí)別。

　　本項(xiàng)目目標(biāo)識(shí)別率為95.5%，大于合同規(guī)定的識(shí)別率95%。

　　合作方式：面議。

　　聯(lián)系方式：

　　蘇州大學(xué)科學(xué)技術(shù)與產(chǎn)業(yè)部 0512-67165732