《魯棒模型擬合中的關鍵問題研究及套用》是依託廈門大學，由王菡子擔任項目負責人的面上項目。
基本介紹
- 中文名：魯棒模型擬合中的關鍵問題研究及套用
- 項目類別：面上項目
- 項目負責人：王菡子
- 依託單位：廈門大學
項目摘要,結題摘要,
項目摘要
在處理實際的任務時，來自於圖像或圖像序列的數據可能是不精確的，幾乎不可避免會被如感測器噪聲、錯誤的特徵提取、錯誤的特徵匹配、分割誤差等因素產生的離群數據所污染；而且，數據中也可能包含多個模型結構。這樣，計算機視覺領域中的一個重要任務就是從含有大量噪聲和多結構的數據中估計出數據中所包含的模型結構的參數，並把屬於不同模型結構的數據分割開。然而至今，這依然是一個非常具有挑戰性的任務。本項目針對魯棒擬合方法中存在的不足，擬在三個方面解決參數模型擬合中存在的關鍵問題：有效地進行樣本抽樣、自適應地估計模型的內點噪聲尺度、以及魯棒地擬合和分割多結構數據。進而，我們還將把所提出的魯棒擬合方法套用在計算機視覺任務中（包括自然場景中的文本檢測等）。本研究對於提高現有模型擬合方法的魯棒性和精確度具有重要的理論指導意義，並對計算機視覺中的實際任務（如人臉識別、三維重構、運動估計、圖象分割等）有著重要的套用價值。
結題摘要
本項目圍繞魯棒模型擬合中存在的關鍵問題開展研究，完成了項目研究任務，取得了預期的研究成果。具體來說，在有效的指導性採樣方面，將超像素與模型擬合相融合，提出了基於超像素分割的指導性樣本採樣方法，以確定性地採樣高質量的數據子集；另外還研究一個新的基於殘差排序的指導性採樣方法和一個基於極線約束的指導性採樣方法，以有效生成準確的模型假設。在魯棒模型擬合和內點噪聲尺度估計方面，研究了新型超圖模型和有效的模式搜尋算法，進而將超圖模型與模式搜尋算法相融合用於模型擬合；提出通過疊代的方式構建超圖和分割超圖來處理模型擬合問題；提出新的基於超圖最佳化的模型擬合方法，其中包括一個自適應內點尺度估計算法和一個循環超邊最佳化算法；並在基於超像素的指導性採樣方法基礎上，提出一種簡單且有效的模型選擇算法，進行確定性模型擬合；此外，還提出一個基於統計分析假設的外點去除法以及一個基於概念空間的離群點去除方法，以減少離群數據對擬合方法精度的影響。在套用方面，對運動分割、圖像分割、目標檢測與跟蹤、顯著性檢測、文本識別、人臉識別等套用方向進行了研究，提出了一系列有效的模型、方法、新的框架以及判別標準。本項目發表學術論文57篇（SCI源期刊上發表26篇，國內外會議上發表30篇），其中在國際頂級期刊IEEE TPAMI和IJCV上各發表論文1篇，在其他IEEE Transactions和Pattern Recognition國際權威期刊上發表論文12篇，並在ICCV、ECCV、AAAI等國際頂級會議上發表論文多篇。另有9項國家發明專利獲授權。還培養了1名博士後（已出站），5名博士生和8名碩士生（已畢業），其中2名博士生榮獲福建省優秀博士論文榮譽、1名博士生榮獲中國圖象圖形學學會優秀博士論文獎。本項目取得的研究成果緩解了當前魯棒擬合方法的魯棒性低、指導性採樣方法的效率不高等問題，為提高擬合算法的魯棒性和效率奠定相關的理論技術基礎，具有重要的理論與套用價值。
