中文摘要：

本项目基于模糊聚类理论与在线学习方法，针对目标先验知识缺乏或者目标与背景特性复杂可变情况下，序列运动图像中的目标检测问题，研究具有可持续自我学习能力的目标检测系统。采用特征变换方法和吸收技术，将传统的无监督模糊C均值聚类（FCM）算法推广到有监督学习中，得到有监督FCM算法，并用于构建初始目标检测系统。该算法既具有无监督聚类能揭示观测数据内部结构和内部规律，又能实现有监督目标的检测的特点。通过综合运用粒子滤波跟踪与目标检测，对目标类别进行验证，并判断目标的检测困难程度，从而获得错误检测的虚警与检测困难的目标样本，为目标检测系统的在线学习提供训练样本源。同时，采用局部训练与剪枝技术，建立增量式有监督FCM学习算法，以用于目标检测系统的在线学习。该项目的研究成果将为机载成像侦察与监视中的目标检测等实际应用提供一种新方法，并丰富基于聚类的目标识别理论与在线学习方法。

结论摘要：

本项目研究了基于特征加权的冗余模糊 C 均值聚类（FCM）算法和半监督FCM算法，建立了基于场景上下文的模板匹配方法和基于人的视觉特性的目标跟踪模型。（1）根据各个样本以及样本的各维特征在FCM聚类算法中的作用，提出了基于类间分离度和类内紧缩度的特征加权FCM算法。在此基础上，针对大簇或延伸形状簇分类问题采用加权FCM算法将其分割成多个小类（冗余类），采用贴近度度量冗余间的相似度，并采用Zadeh运算下的Floyd算法对相似度矩阵进行改造，采用谱聚类完成冗余类的合并。实验表明采用冗余聚类中心的初始化方法能够较好地克服FCM算法过度依赖初始聚类中心和仅适应于球状类型簇的分类缺陷；通过Floyd算法建立的标准贴近度矩阵具有很强的块对称性；将样本的分类转化成冗余类的合并，整个算法计算量小，分类效果好。（2） 针对目前FCM算法对先验知识的处理一般是基于目标函数或聚类过程的改造，本课题将样本先验知识转化为监督样本的隶属度约束条件加入到传统的FCM算法求解问题中，并根据监督样本的“典型性”赋予其权重，采用HPR(Hestenes-Powell-Rockafellar)乘子法进行求解，建立了一种新的加权半监督FCM算法。结果表明，该算法不仅保留了FCM算法对监督样本的模糊划分性，使其能有效的引导聚类过程，而且能发现其是否为交叉类样本，特别是当监督样本信息有误时，该算法能有效的减少有误监督样本对整体分类效果的影响。通过人脸等数据集的实验表明，该算法不仅具有较高的识别效果而且具有很强的鲁棒性。（3）以场景为中心的观点和变化盲（change blindness）现象为基础，把模板与子图都放到场景上下文中度量，提出了一种基于场景上下文的模板匹配方法，并基于人的视觉特性提出了一种新的目标跟踪模型。该模型通过整体场景表示描述的广阔场景图像来学习构型规则，将这些得到的含有目标特殊姿态的规则来预测人搜索目标时所关注的焦点，把目标放在最吸引人关注的场景位置中，完成图像的合成。实验结果表明该模型可以预测人在搜索目标时最先锁定的场景以及最先跟踪的对象。 另外，本课题在半监督识别算法Self-training的基础上，利用聚类分析挖掘未标记数据的内部结构信息，以帮助分类算法训练一个更好的分类器，提出了一种帮助式半监督聚类算法，从而建立了增量式有监督 FCM 学习算法，以用于目标检测