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.

‏ بر اساس نظریه ی تکامل، همه ی موجودات زنده روی کره ی زمین با یکدیگر مرتبط بوده و از نیای مشترکی به وجود آمده ‏ند. یکی از پیشرفت های مهم در زیست شناسی تکاملی، طی چند دهه ی اخیر، یافتن روشی برای تعیین الگوی نیاکانی میان ‏جانداران است. این روش که فیلوژنتیک نام گرفته، امکان رد یابی تاریخ موجودات زنده را با دقت بیشتری فراهم نموده است. ‏مدل های مختلف درخت فیلوژنتیک معمولا تکامل تنها یک ژن برای موجودات را نشان داده است و پیشامد های پیچیده را ‏شامل نمی شودو از این رو شبکه های فیلوژنتیک معرفی می شوند. در این پایان نامه این شبکه ها معرفی و تقسیم بندی آنها ‏شرح داده می شود، سپس چندین روش مهم در تولید این شبکه ها بررسی می شود:‏neighbour-net، ‏mc-net، تجزیه ی ‏اسپلیت ، شبکه ی میانه، شبکه ی شبه میانه و شبکه ی اتصال میانه از جمله روش های هستند که شبکه های فیلوژنتیک بدون ‏ریشه تولید می کنند. همچنین چند روش برای تولید شبکه های ریشه دار سطح 1 و سطح 2 شرح داده شده است. در نهایت یک ‏روش جدید برای تولید شبکه های ریشه داراز روی مجموعه تریپلت های ورودی پیشنهاد شده است. الگوریتم پیشنهادی شامل ‏سه مرحله ی اصلی است: غربال اولیه ی تریپلت های ورودی و حذف تریپلت های ناسازگار، تولید درختی با بیشترین تریپلت ‏های ارضا شده ی ممکن از روی خروجی مرحله ی قبل و در نهایت ارضا کردن تریپلت های با قیمانده با اضافه کردن یال ‏های مناسب به درخت و تولید شبکه.‏

تشخیص و بازنمایی اعمال انسان یکی از موضوعات مهم و چالش برانگیز در حوزه ی بینایی ماشین می باشد که در سیستم های نظارتی بصری هوشمند با هدف توصیف رفتار و بازشناسایی و ردگیری حرکات فرد از دنباله تصاویر صورت می گیرد. با توجه به جدیدترین آماری که سازمان جهانی بهداشت در ژانویه 2009 در خصوص تعداد افراد مبتلا به صرع بزرگ ارائه نموده است؛ در هر 1000 نفر از جمعیت کل جهان، 4 تا 10 نفر مبتلا به عارضه صرع بزرگ می باشند که نیاز به مداوا و مراقبت های ویژه دارند. در ایران نیز با توجه به وجود جانبازان و رزمندگان که به دلایلی چون موج گرفتگی دچار حملات تشنجی و صرع بزرگ اند، آماری بالاتر از میزان متوسط جهانی وجود دارد. هدف از این پژوهش ارائه روشی کارا به منظور تشخیص خودکار صرع بزرگ و شناسایی آن از سایر رفتارهای عادی و مشابه فرد مبتلا به عارضه ای که بر روی زمین و یا تخت دراز کشیده است، می باشد. که علاوه بر آن تلاش شده است تا راهکاری برای بازشناسایی اعمال عادی فرد تحت نظارت و برخط نمودن فرایند تشخیص ارائه گردد. رویکردهای موجود برای حل این مسئله را می توان به سه دسته کلی تقسیم نمود: رویکرد مبتنی بر شتاب سنج ها، رویکرد مبتنی بر پردازش سیگنال های eeg و رویکرد مبتنی بر بینایی ماشین. در این پژوهش از رویکرد مبتنی بر بینایی ماشین و ترکیب آن با تکنیک های یادگیری ماشین استفاده شده است. در سیستم پیشنهادی از دو رویکرد برای استخراج ویژگی استفاده می شود که عبارتند از: رویکرد فضایی-زمانی و رویکرد برخط با استفاده از ویژگی های هندسی. در رویکرد فضایی-زمانی، ویژگی های محلی فضایی-زمانی از دنباله قاب های ویدیویی استخراج می شوند؛ حال آنکه در رویکرد برخط هندسی سعی بر استخراج ویژگی های هندسی مناسب از دنباله قاب های کلیدی متوالی پیش پردازش شده می باشد. جهت تشخیص نوع فعالیت صورت گرفته، بردارهای ویژگی استخراج شده از گام های قبل، به عنوان ورودی به دسته بند ماشین بردار پشتیبان چند کلاسه "یکی در مقابل یکی" داده می شوند تا الگوی حرکتی فرد و نیز نوع حرکت آن از حیث عادی/غیرعادی بودن مشخص گردد. نتایج حاصل از دسته بندی، کارایی مناسب و قابل قبول سیستم پیشنهادی را نشان می دهد.