中文摘要：

探索雾天视频中运动目标跟踪的机器视觉计算模型及方法，对由此引出的科学问题及关键技术开展深入系统的研究。首先突破Retinex图像增强算法现有基本计算框架的局限，探究并提出一种新型的自适应双边Retinex计算框架及算法，通过将算法参数与不同景深处雾的厚薄差异建立自动关联，创建算法参数的自适应调整机制，由此实现对雾天视频图像实时有效的清晰化处理。然后在此基础上，通过引入亚强分类器的新概念，来改进Adaboost现有的集成学习模式，有效突破Adaboost集成学习算法在计算时间上的制约，由此探究并实现Adaboost的在线增量集成学习新模式，并将其引入经由检测的目标跟踪方法之中，开辟目标视觉跟踪研究的新领域，创建一种新型的、具有在线增量集成学习机制的目标跟踪计算模型和相应的计算方法，以稳健地适应雾天条件下视觉跟踪过程中目标特征和背景的变化，实现对雾天视频中行人、车辆等运动目标实时有效地跟踪。

结论摘要：

雾天是一种常见的恶劣天气，为使机器视觉系统有效克服雾天因素的影响，本课题探究雾天条件下运动目标跟踪的视觉计算模型与方法。有趣的是雾天视频图像增强和雾天视频目标跟踪都分别具有其很独特的性质。雾天视频图像增强的独特性在于雾天图像的退化程度跟场景深度成非线性关系。这种特殊的性质引出了如何自动调整图像增强算法参数，以适应不同景深处雾的厚薄变化问题，由此展开了对一种新型的自适应雾天视频图像增强计算框架及算法的研究。雾天视频图像跟踪的独特性在于经过增强算法处理后的雾天视频，其目标特征和背景都会不断地产生变化。由此引出Adaboost分类器的增量学习的新问题，而增量学习又引出了跟踪算法对样本输入误差的稳健性的新问题，从而又进一步引出了多示例增量学习的新问题。据此，本课题的具体研究工作和成果主要包括如下三个方面第一、探究并实现了一种新型的Retinex雾天图像增强计算框架，并通过将算法参数与不同景深处雾的厚薄变化建立联系，实现雾天图像增强算法参数的自动选择，以针对图像局部区域雾的厚薄变化采用不同的增强策略。第二、探索了Adaboost高效的增量集成学习机理，提出并实现了一种具有在线增量学习能力的Adaboost集成分类器。然后，将其与粒子滤波器相结合，创建了一种新的具有增量集成学习能力的目标跟踪计算模型和相应的方法，以适应跟踪过程中目标特征和背景的不断变化，用于实时有效地检测与跟踪雾天视频中行人、车辆等运动目标。第三、为解决Adaboost增量集成学习相对于样本误差的稳健性问题，本课题探究了多示例增量集成学习机制，在此基础上设计并实现了将多示例集成学习用于目标检测与跟踪的样本自动标记方案，由此构建一种具有增量学习能力的稳健的目标跟踪算法，保证雾天条件下运动目标跟踪的稳健性。最后，在上述研究成果基础之上，本课题创建了一种新型的、具有在线增量集成学习机制的目标跟踪计算模型和相应系统。该系统可以稳健地适应雾天条件下视觉跟踪过程中目标特征和背景的变化，实现对雾天视频中行人、车辆等运动目标实时有效地跟踪。本课题的研究成果已经发表在《电子学报》、《计算机研究与发展》、《中国图象图形学报》等重要学术期刊上。