基于超像素的判别式目标主动轮廓跟踪

批准号:
61472063
项目类别:
面上项目
资助金额:
80.0 万元
负责人:
周雪
依托单位:
学科分类:
F0210.计算机图像视频处理与多媒体技术
结题年份:
2018
批准年份:
2014
项目状态:
已结题
项目参与者:
Tat-Jun Chin、沈复民、于力、秦钢、马兰、杨东帆、李欣、李文茹、蔡师膑
国基评审专家1V1指导 中标率高出同行96.8%
结合最新热点,提供专业选题建议
深度指导申报书撰写,确保创新可行
指导项目中标800+,快速提高中标率
微信扫码咨询
中文摘要
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。
英文摘要
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。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。
期刊论文列表
专著列表
科研奖励列表
会议论文列表
专利列表
Rapid Pedestrian Detection Based on Deep Omega-Shape Features with Partial Occlusion Handing
基于深度 Omega 形状特征和部分遮挡处理的快速行人检测
DOI:10.1007/s11063-018-9837-1
发表时间:2019-06
期刊:Neural Processing Letter
影响因子:--
作者:徐雨亭;周雪
通讯作者:周雪
Learning A Superpixel-Driven Speed Function for Level Set Tracking
学习用于水平集跟踪的超像素驱动速度函数
DOI:10.1109/tcyb.2015.2451100
发表时间:2016-07
期刊:IEEE Transactions on Cybernetics
影响因子:11.8
作者:Zhou Xue;Li Xi;Hu Weiming
通讯作者:Hu Weiming
DOI:10.1016/j.neucom.2015.07.133
发表时间:2016-04
期刊:Neurocomputing
影响因子:6
作者:Fumin Shen;Yang Yang;Xiang Zhou;Xianglong Liu;Jie Shao
通讯作者:Jie Shao
DOI:10.1016/j.sigpro.2014.08.019
发表时间:2015-05
期刊:Signal Process.
影响因子:--
作者:Xue Zhou;Xi Li
通讯作者:Xue Zhou;Xi Li
Binary code learning via optimal class representations
通过最佳类表示进行二进制代码学习
DOI:10.1016/j.neucom.2015.12.129
发表时间:2016-10
期刊:Neurocomputing
影响因子:6
作者:Xiang Zhou;沈复民
通讯作者:沈复民
基于检测的多模块协同学习一体化多目标跟踪
- 批准号:62372082
- 项目类别:面上项目
- 资助金额:50万元
- 批准年份:2023
- 负责人:周雪
- 依托单位:
多任务驱动弱监督下的多人体目标主动轮廓跟踪
- 批准号:61972071
- 项目类别:面上项目
- 资助金额:59.0万元
- 批准年份:2019
- 负责人:周雪
- 依托单位:
融合颜色和形状的基于水平集的目标轮廓跟踪
- 批准号:60905015
- 项目类别:青年科学基金项目
- 资助金额:19.0万元
- 批准年份:2009
- 负责人:周雪
- 依托单位:
国内基金
海外基金
