《基於超像素的判別式目標主動輪廓跟蹤》是依託電子科技大學,由周雪擔任醒目負責人的面上項目。
基本介紹
- 中文名：基於超像素的判別式目標主動輪廓跟蹤
- 依託單位：電子科技大學
- 項目類別：面上項目
- 項目負責人：周雪
項目摘要,結題摘要,
項目摘要
現有的主動輪廓跟蹤方法研究主要基於底層視覺特徵-像素，但其易受噪音干擾，由此產生的跟蹤準確性和魯棒性的問題已經成為制約該類方法的瓶頸。本課題針對主動輪廓跟蹤開展系統研究，在歸納現有算法局限性的基礎上，擬將一種有效的中層視覺特徵-超像素引入到判別式主動輪廓跟蹤框架中，直接將輪廓進化方程中的速度函式建模成由表觀和形狀先驗決定的判別因子項。本課題旨在引入機器學習等理論，結合模式識別技術，從選擇圖像基本描述單元和挖掘高層先驗知識兩方面考慮提高算法性能。研究內容包括：(1)快速有效的超像素分割；(2)基於超像素的多模態判別式表觀建模；(3)融合多尺度超像素的表觀特徵學習；(4)基於稀疏表示的形狀建模。本課題的研究目標是借鑑並利用多學科的理論和方法，為提高跟蹤準確性和魯棒性，構建基於超像素的判別式主動輪廓跟蹤基本理論與方法，並探索其在實際中的套用，最終提供更為有效、更為便捷的主動輪廓跟蹤解決方案。
結題摘要
現有的主動輪廓跟蹤方法研究主要基於底層視覺特徵-像素，但其易受噪音干擾，由此產生的跟蹤準確性和魯棒性的問題已經成為制約該類方法的瓶頸。本課題針對主動輪廓跟蹤開展系統研究，在歸納現有算法局限性的基礎上，擬將一種有效的中層視覺特徵-超像素引入到判別式主動輪廓跟蹤框架中，直接將輪廓進化方程中的速度函式建模成由表觀和形狀先驗決定的判別因子項。本課題旨在引入機器學習等理論，結合模式識別技術，從選擇圖像基本描述單元和挖掘高層先驗知識兩方面考慮提高算法性能。開展了四個方面的研究內容：(1)快速有效的超像素分割；(2)基於超像素的多模態判別式表觀建模；(3)融合多尺度超像素的表觀特徵學習；(4)基於稀疏表示的形狀建模。該項目嚴格按照預期進度執行完成，對比分析了不同超像素分割方法，分別在傳統人工設計特徵和深度特徵方面，提出基於多尺度超像素的判別式表觀建模方法，並採用測度學習等方法提高多模態情況下的泛化性。此外，還提出了一種基於稀疏非負矩陣分解的形狀先驗建模方法，並採用線上增量更新技術，使得形狀模型具有線上自適應更新能力。綜上，本課題經歷四年的研究，借鑑並利用多學科的理論和方法，構建了基於超像素的判別式主動輪廓跟蹤的一整套基本理論與方法，並探索其在實際中的套用，最終提供更為有效、更為便捷的主動輪廓跟蹤解決方案。搭建了基於水平集的目標跟蹤的實驗演示平台，在公共數據集和真實場景測試中，我們提出的框架在跟蹤的準確性和魯棒性等方面都有顯著提升。此外，我們還搭建了一個單目標主動輪廓跟蹤公共數據集(SOCT Dataset)，供學者免費下載使用。我們在國內外重要的學術期刊和學術會議上發表論文23篇(SCI9篇，EI14篇)，獲得VCIP2018國際會議最佳學生論文獎1次，申請發明專利20項，授權11項，參加國際學術會議5人次，培養已畢業碩士研究生14名，基於此項目成功申請到模式識別國家重點實驗室開放課題一項，達到預期目標。
