توانایی کامپیوتر در شناخت اشیاء متحرک و تحلیل چگونگی حرکت آن ها در محیط های مختلف، کاربردهای فراوانی در امور نظارتی، نظامی، پزشکی، ورزشی و... دارد. امروزه با افزایش قدرت محاسباتی رایانه ها، امکان پردازش های بی درنگ ویدئویی همچون شناسایی و ردیابی اشیاء متحرک فراهم شده است. در این پژوهش به بررسی فرآیند ردیابی ویدئویی با رویکرد کاربردهای نظارتی پرداخته ایم. تمرکز اصلی این پژوهش بر بخش های حذف سایه و ردیابی تفکیکی اشیاء متحرک به کمک یک دوربین ثابت استوار بوده است هرچند بخش های تشخیص پس زمینه و ترکیب داده های دوربین ها نیز مورد توجه قرار گرفته اند. در بخش حذف سایه، از ترکیب دو روش تفریق پس زمینه و تفاضل قاب های متوالی، که اولی بر اساس ویژگی های ظاهری و دومی بر اساس ویژگی های حرکتی عمل می نمایند، استفاده می کنیم. برای حذف سایه از یک روش یادگیری دو سطحی موسوم به اختلاط خبره های سلسله مراتبی استفاده می کنیم. در بخش ردیابی تفکیکی اشیاء متحرک، هدف بهبود چارچوب احتمالاتی فیلتر ذره ای با استفاده از افزودن اطلاعاتی به عنوان بعد سوم مجازی در اصلاح تصمیم احتمالاتی گرفته شده، است. در این بخش از روش سوالات نفی کننده به عنوان بعد سوم با استفاده از برخی ویژگی های تا حدودی ثابت برای اشیاء، استفاده کرده ایم. در بخش ترکیب داده های دوربین ها به بررسی رویکردهای مختلف و ارائه تئوری یک روش مناسب مبتنی بر خوشه بندی بر اساس گراف وزن دار می پردازیم. به طور کلی مزیت روش ردیابی پیشنهادی نسبت به روش های مشابه در مقاومت بیشتر در برابر تغییر شرایط محیطی و همچنین مقاومت بیشتر در برابر تغییرات حرکتی تصادفی اشیاء متحرک است. تشخیص مناسب سایه و استفاده از برخی ویژگی های آن، همچنین ایده افزودن بعد مجازی سوم به فیلتر ذره ای، مهم ترین نوآوری های روش پیشنهادی بوده اند. آزمایشات این پژوهش بر روی داده های استانداردی از جمله دنباله تصاویر pets 2006 و pets 2009 انجام گرفته و در هر بخش روش خود را با پیاده سازی روش های مناسب موجود بر روی همین دنباله تصاویر از لحاظ دقت و خطا مورد مقایسه قرار داده ایم.

در این رساله، چارچوبی برای شناسایی رفتارهای پیچیده که از ترکیب رفتارهای اولیه و ساده مانند راه رفتن، نشستن، خم شدن و... به وجود می آیند، ارائه شده است. در چارچوب پیشنهادی به تمامی مراحل لازم برای شناسایی رفتار، شامل پیش پردازش ها و استخراج ویژگی های حرکتی تا بازنمایی رفتار پیچیده توسط ساختار داده های قابل پردازش، برای ارائه راه حل یک چالش اساسی که وجود شکاف بین مدل های بازنمایی و محاسباتی است، توجه شده است. به عبارت دیگر این چالش به این معناست که مدل بازنمایی ساده توان تحلیلی را کم و مدل بازنمایی پیچیده امکان بازشناسی بی درنگ و قابل فهم را از بین می برد. در کارهای انجام گرفته تا کنون، پژوهشگران سعی کرده اند با استفاده از بهبود مدل های بازنمایی ساده و افزودن مقادیر احتمالاتی به آن ها از جمله مدل های مبتنی بر نحو احتمالاتی، مدل های مبتنی بر آمار احتمالاتی، مدل-های منطقی احتمالاتی و همچنین مدل های توصیف احتمالاتی راه حل هایی برای این چالش ارائه دهند. چارچوب پیشنهادی در این رساله نیز یک مدلسازی مبتنی بر توصیف احتمالاتی است. ایده اصلی، تولید بازنمایی های دقیق احتمالاتی مبتنی بر مدل های گرافیکی در سطوح مختلف رفتار، تبدیل فضای رفتار به فضای توصیف احتمالاتی و بهره گیری از روش های تحلیلی در آن فضا است. برای تولید بازنمایی دقیق، نیاز به بالا بودن دقت شناسایی و استخراج ویژگی ها در سطوح پایین تر است