● 摘要
复杂背景下的目标跟踪与识别一直以来都是广大研究工作者面临的极具挑战性的问题。机器学习的目的是根据给定的训练样本，通过某种方式的训练以发掘或掌握所给样本集合的特征信息的驱动/响应关系，从而将所给样本集合的内在机理或机制的知识形态转换为机器可执行的推理决策功能，进而可实现对训练样本所代表的客体对象的分类识别与评判处理。针对复杂背景下目标跟踪与识别所必须面对的诸多不确定因素，采用机器学习方法可在一定程度上克服常规目标跟踪识别方法的局限性，但在小样本条件下又面临着严重的挑战。本文在综合分析国内外视频/图像目标跟踪与识别研究动态的基础上，结合实际应用背景和技术需求，着重研究了复杂背景下基于小样本学习的实时目标跟踪与识别的理论算法与关键实现技术。本文主要贡献包括下列几个方面：（1）提出了基于小样本多任务学习的复杂背景目标识别算法。针对复杂背景下小样本学习之特点，从单任务学习入手，通过多个视角（view）把握和追求目标识别的效果，以建立多任务学习的机制，通过多视角Boosting 弱分类器的综合集成以实现在小样本条件下的复杂背景的目标识别。仿真实验结果验证了此算法的良好性能。（2）提出了小样本条件下的多源迁移学习目标识别算法。针对多任务学习目标识别方法中，主任务标注样本难以获取的情况，本文运用迁移学习的思想原理，提出了多源迁移学习的Boosting 算法，使多领域数据源之间的共享特征得以充分利用而构建出泛化能力更强的分类器，以实现更高精度的目标分类识别。与当前已发表的同类方法相比较，本文提出的多源迁移学习分类识别算法在准确性与稳定性方面具有明显优势。（3）面向目标跟踪与识别的实际应用背景和技术需求，研究了图像降噪与质量评价方法，在图像质量评价算法和基于机器学习的主/客观评价指标的合成与统一等方面取得了满意的结果。本文在对图像质量的多种评价方法和指标进行深入分析的基础上，通过监督学习实现了主/客观评价指标的统一，从而形成一种新的学习型图像质量评价方法。实验结果表明，针对不同污染背景的待评图像，运用本文提出的方法所设计的质量评估器可实现稳定合理的质量评价。（4）根据在复杂背景下对多个智能活体目标进行实时跟踪与识别的实际应用背景和约束条件，考虑到其空间位姿信息采集过程中的强干扰和欠充分，本文从动态补偿的角度出发，提出了一种偏差估计模型，通过核回归学习给出相应的映射关系以及动态补偿偏差的预报，进而建立实际场景空间3 维坐标系中的目标位置与视频图像2 维坐标系中目标像素坐标之间的映射关系，实现动态补偿与跟踪识别。通过在室内和户外搭建综合实验平台的实验结果表明，本文所提方法及相关算法，与常规的摄像机投影模型的定位结果相比较，在跟踪定位与识别效果等方面展示出了突出的优势。总而言之，本文针对复杂背景下视频/图像目标的跟踪与识别问题，重点研究了小样本条件下的多任务目标分类识别、基于多源迁移学习的目标分类识别、面向目标跟踪识别的图像质量评价、多智能活体目标的定位与识别等方面的策略、方法和实现算法，并通过一系列实验验证了作者所提方法的有效性和性能优势。虽然本文的研究成果可丰富和发展面向复杂背景的高精度目标跟踪与识别的理论算法和技术工具，为提高工程应用的技术水平做技术储备，但在此领域内的研究和发展潜力十分诱人，机遇和挑战并存，需要我辈同仁继续努力。