基于概念漂移的前景分割与运动分析

前景分割与运动分析是机器视觉领域中两个备受关注的热点问题，但学界过去一直把它们作为独立的主题对待。概念漂移是数据挖掘领域的一个开放问题。我们认为机器视觉中也存在概念漂移，且它是导致前景分割与运动分析在现实场景中性能下降的重要因素。分析还表明，前景分割与运动分析中的概念漂移具有类似的本质。因此，基于概念漂移的前景分割与运动分析的研究具有两点意义：一是通过解决各自的概念漂移问题，提升两者在现实场景中的性能；二是在概念漂移框架下，把前景分割与运动分析作为一个整体来研究。基于已有的研究基础，针对机器视觉中的概念漂移问题，提出有效的解决方案：(1)研究前景分割中的概念漂移问题。定义合理的概念，检测漂移点，并基于漂移检测实现模型与样本的校正。(2)研究运动分析中的概念漂移问题。定义合理的概念，并基于漂移检测实现模型切换与更新。(3)提出共享概念，然后把前景分割与运动分析纳入统一的概念漂移框架之内考虑。

项目《基于概念漂移的前景分割与运动分析》三年的执行过程中，我们在“概念漂移”、“前景分割”、“运动分析”三个子方向均做了深入的探讨，并取得了一定的研究成果。部分研究成果已经形成论文并公开发表，部分研究内容仍在进一步展开，并有望在未来几年内得到更丰富的结果。.在“概念漂移”方向，我们探讨了概念漂移的一个子问题：不均衡学习。与概念漂移一样，不均衡学习之前的研究集中在数据挖掘领域。我们的研究表明，前景检测中也存在类不均衡问题，其不均衡性质与数据挖掘中的不均衡有相似的地方，也有其独特之处。我们首先彻底地分析了前景检测中的不均衡本质，然后分别从数据层面和算法层面提出了解决方案。这些新方法的实验表明，基于不均衡学习的前景检测，具有重要的研究意义，能够有效地提高前景检测的性能。相应的研究成果发表在国际会议ICIP与ICME上。. 在“前景检测”方向，除了研究其中的不均衡问题，我们还探讨了一个密切相关的子方向：显著性检测。关于显著性检测的研究包括两个方面：显著性检测的理论、以及显著性检测的应用。在显著性检测的理论研究方面，我们分别研究了基于超像素的显著性检测、基于谱的显著性检测、基于图的显著性检测、基于散度的显著检测、共显著性检测等。在显著性检测的应用方面，我们探讨了显著性检测在图像注释中的应用、显著性检测在标志牌提取中的应用、显著性图到前景检测图的转换等。相应的研究成果分别发表在国际期刊TCSVT、SPL、SPIC，国际会议BMVC、ICIP、ICME、ICPR、ICONIP等上。. 在“运动分析”方向，除了结合前景检测，我们还探讨了一个密切相关的方向：运动跟踪。我们研究了基于支持向量机的跟踪，指出多类支持向量机不能得到紧凑的分类边界，而单类支持向量机可以得到更紧凑的分类边界。我们也研究了基于图与流型的跟踪，通过在图的框架里使用高效流形排序，得到了一种鲁棒的跟踪方法。相应的研究成果发表在国际期刊JEI与国际会议ICME上。. 此外，作为视频处理方面的研究，视频的质量是非常重要的。影响前景检测与运动分析中视频质量的一个重要因素就是图像模糊。首先，我们研究了有向高通滤波器在图像去模糊中的应用。其次，也研究了相机响应函数在图像去模糊中的应用。相应的研究成果发表在国际期刊SPIC与国际会议ECCV上。