مدلسازی پس زمینه اولین گام مهم در استخراج اطلاعات در بسیاری از کاربردهای پردازش ویدئو می باشد. دقت بالا در این مرحله منجر به نتایج مطلوبتر در مرحله آشکارسازی شیء متحرک و همچنین مراحل بالاتر پردازش ویدئویی می شود. البته تغییرات ذاتی در پس زمینه ویدئویی مانند امواج آب، شاخ و برگ های متحرک، تغییرات تدریجی روشنایی، حضور اشیاء متحرک در بیشتر زمان ها، لرزش دوربین و تغییرات ناگهانی در روشنایی صحنه این مسأله را به یک موضوع چالش برانگیز تبدیل کرده است. در این پایان نامه سه راهکار جدید برای حل مسأله مدلسازی پس زمینه و آشکارسازی شیء متحرک پیشنهاد می شود. در روش اول با کمک الگوریتم تقریب تابع جدیدی مبتنی بر فضای کرنل وزن دار شده با عنوان wkla به حل مسأله مذکور از دیدگاه تخمین تابع پس زمینه می پردازیم. در روش دوم با استفاده از یک الگوریتم طبقه بندی تک کلاسی مبتنی بر wkla با عنوان oc-wkla مسأله مدلسازی پس زمینه را از دیدگاه طبقه بندی تک کلاسی داده های پس زمینه ای مورد بررسی قرار می دهیم. در نهایت راهکار سوم نیز با کمک یک الگوریتم یادگیری لحظه ای مبتنی بر مفهوم طبقه بند های شبکه عصبی کمینه- بیشینه فازی با عنوان fmmbm ارائه می شود. نتایج ارزیابی های کیفی و کمی بر روی دنباله های ویدئویی متفاوت در مقایسه با روش های پیشین نشان دهنده ی توانایی بالای راهکارهای پیشنهادی در مدلسازی صحنه هایی شامل پس زمینه های متحرک، تغییرات تدریجی روشنایی و نویزهای شدید صحنه ای می باشد. علاوه بر حل مسائل فوق، ویژگی هایی چون حل مسأله پس زمینه غیرخالی در wkla، استفاده از یکنواختی مکانی در oc-wkla و قابلیت یادگیری و به روزرسانی لحظه ای در fmmbm از مشخصه های منحصربفرد هر روش پیشنهادی می باشد.

چکیده ندارد.