成果名称：复杂场景下的运动目标分割和识别技术的研究
成果简介：
运动目标的分割和识别技术一直是图像处理和计算机视觉领域的重要研究课题。图像序列中运动目标的分割和识别技术日益受到人们的青睐和广泛的应用。例如，在智能交通系统中，要求对运动中的车辆进行监控；在银行、仓库等重要部门的保安系统中，要对运动目标进行跟踪与识别；在军事领域中，需要对运动的重要军事目标（如飞机、军舰、坦克等）进行识别及搜索跟踪等。因此，该成果具有广泛的应用领域和重要的理论价值。
该项目的研究采用现代图像处理和识别技术：
首先，建立运动序列图像的时空域马尔可夫随机场模型。即利用Gibbs随机场分布来描述Markov随机场分布。针对运动序列图像的特点，用高斯混合分布描述序列图像的观察场，建立了运动序列图像的高斯时空马尔可夫随机场模型，并构造了其相应的能量函数。对标准Expectation-Maximization算法进行了改进，提出了快速Expectation-Maximization算法，估计出了模型中的参数，在保证分割结果的精度下，提高了运行的速度。在分析和研究传统时空马尔可夫随机场的基础上，提出了一种新的时空马尔可夫随机场模型。该模型以原始图像的彩色聚类图像作为先验知识，获得了初始标记场，并重新定义了Gibbs能量函数。在定义能量函数时考虑了彩色聚类结果对基团势能的影响。该模型克服了因运动目标与背景间的运动而产生的显露遮挡现象，提高了运动目标分割的精度。
其次，求解Markov随机场模型，使标记场的后验概率分布最大化，即使系统的能量函数最小化。其实现的方法是改进的ICM(Iterated Conditional Modes)优化算法。因此在该改进的ICM方法能根据彩色信息得到较为精确的初始标记场，使算法收敛到全局最小值。这样在保证精度的同时提高了收敛的速度。
最后，针对已经分割出的图像进行规格化处理和Zernike矩的特征值提取，并进行识别。
本方法克服了由于图像的形变而使识别率降低的问题
方法首先计算给定模式的协方差矩阵，根据矩阵的特征向量旋转图像，得到一个与新坐标无关的图像；然后，根据特征值进行图像长宽比例调整，得到一个规格化图像。最后计算规格化后图像轮廓的8个高阶矩作为特征值进行识别。在得到运动目标的特征值后，采用c均值聚类方法进行目标识别。
本项目目标识别率为95.5%，大于合同规定的识别率95%。
合作方式：面议。
联系方式：
苏州大学科学技术与产业部 0512-67165732
