基于超像素的判别式目标主动轮廓跟踪

Current active contour-based tracking methods mainly build the pixel-wise models which are sensitive to noise disturbance. Thus this kind of methods are subject to low effectiveness and robustness.In this proposal, with the summarization of previous approaches, we believe it is a good solution by introducing mid level visual cue-superpixel into the discriminative active contour tracking framework. We directly formulate the speed function in the contour evolution equation as a discriminative factor determined by the appearance and shape priors.By introducing machine learning theory and combining pattern recognition technique, this proposal aims to focus on selecting the basic effective image representation unit and mining high level prior knowledge in order to improve the performance of algorithms. The research content includes: (1) Fast and effective superpixel segmentation; (2) Building superpixel-based multimodal discriminative appearance model; (3) Appearance representation learning with fusion of multiscale superpixels; (4) Modeling Sparse representation-based shape priors. Our final objective is to utilize theories from multiple research areas and improve the effectiveness and practicability of active contour-based tracking with a better solution.

现有的主动轮廓跟踪方法研究主要基于底层视觉特征-像素，但其易受噪音干扰，由此产生的跟踪准确性和鲁棒性的问题已经成为制约该类方法的瓶颈。本课题针对主动轮廓跟踪开展系统研究，在归纳现有算法局限性的基础上，拟将一种有效的中层视觉特征-超像素引入到判别式主动轮廓跟踪框架中，直接将轮廓进化方程中的速度函数建模成由表观和形状先验决定的判别因子项。本课题旨在引入机器学习等理论，结合模式识别技术，从选择图像基本描述单元和挖掘高层先验知识两方面考虑提高算法性能。研究内容包括：(1)快速有效的超像素分割；(2)基于超像素的多模态判别式表观建模；(3)融合多尺度超像素的表观特征学习；(4)基于稀疏表示的形状建模。本课题的研究目标是借鉴并利用多学科的理论和方法，为提高跟踪准确性和鲁棒性，构建基于超像素的判别式主动轮廓跟踪基本理论与方法，并探索其在实际中的应用，最终提供更为有效、更为便捷的主动轮廓跟踪解决方案。

现有的主动轮廓跟踪方法研究主要基于底层视觉特征-像素，但其易受噪音干扰，由此产生的跟踪准确性和鲁棒性的问题已经成为制约该类方法的瓶颈。本课题针对主动轮廓跟踪开展系统研究，在归纳现有算法局限性的基础上，拟将一种有效的中层视觉特征-超像素引入到判别式主动轮廓跟踪框架中，直接将轮廓进化方程中的速度函数建模成由表观和形状先验决定的判别因子项。本课题旨在引入机器学习等理论，结合模式识别技术，从选择图像基本描述单元和挖掘高层先验知识两方面考虑提高算法性能。开展了四个方面的研究内容：(1)快速有效的超像素分割；(2)基于超像素的多模态判别式表观建模；(3)融合多尺度超像素的表观特征学习；(4)基于稀疏表示的形状建模。该项目严格按照预期进度执行完成，对比分析了不同超像素分割方法，分别在传统人工设计特征和深度特征方面，提出基于多尺度超像素的判别式表观建模方法，并采用测度学习等方法提高多模态情况下的泛化性。此外，还提出了一种基于稀疏非负矩阵分解的形状先验建模方法，并采用在线增量更新技术，使得形状模型具有在线自适应更新能力。综上，本课题经历四年的研究，借鉴并利用多学科的理论和方法，构建了基于超像素的判别式主动轮廓跟踪的一整套基本理论与方法，并探索其在实际中的应用，最终提供更为有效、更为便捷的主动轮廓跟踪解决方案。搭建了基于水平集的目标跟踪的实验演示平台，在公共数据集和真实场景测试中，我们提出的框架在跟踪的准确性和鲁棒性等方面都有显著提升。此外，我们还搭建了一个单目标主动轮廓跟踪公共数据集(SOCT Dataset)，供学者免费下载使用。我们在国内外重要的学术期刊和学术会议上发表论文23篇(SCI9篇，EI14篇)，获得VCIP2018国际会议最佳学生论文奖1次，申请发明专利20项，授权11项，参加国际学术会议5人次，培养已毕业硕士研究生14名，基于此项目成功申请到模式识别国家重点实验室开放课题一项，达到预期目标。

内容获取失败，请点击重试