融合颜色和形状的基于水平集的目标轮廓跟踪

目标跟踪在目标的视觉分析与理解中占有重要地位，属于视觉的中级处理部分。利用目标的跟踪，可以方便地获得目标的运动、姿态、行为参数等，为后续高层的理解和识别奠定了基础。由于能够方便获取目标的形状信息，并且可用于移动摄像机，因此基于水平集(level sets)的跟踪方法被广泛应用于目标轮廓的跟踪。针对传统方法易受噪音、部分遮挡、背景干扰等因素影响的缺点，在本项目申请中，我们拟研究一个分层的基于level sets的跟踪框架。该框架通过引入马尔科夫随机场模型度量邻域像素颜色间的关系；并分别采用线性、非线性及动态模型对形状先验进行建模。在跟踪过程中，采用分层结构将颜色信息和形状先验有效地结合起来，提高跟踪轮廓的准确度和平滑度。

目标跟踪在目标的视觉分析与理解 中占有重要地位，属于视觉的中级处理部分。鲁棒的目标跟踪，为后续高层的理解和识别奠定了基础。特别是基于水平集(Level Sets)的主动轮廓跟踪方法由于能够方便获取目标的形状信息，因此被广泛关注。本项目针对传统方法易受噪音、部分遮挡、背景干扰等因素影响的缺点，提出了一个分层的基于Level Sets的跟踪框架。该框架将表观模型和形状先验有效地结合起来，提高了跟踪轮廓的准确度和平滑度。该项目在执行过程中紧密围绕核心目标，在轮廓初始化、表观模型的建立、形状先验模型的建立以及轮廓的分级进化等方面进行了深入的研究。提出了基于光流检测的轮廓初始化方法，基于马尔科夫随机场的产生式表观模型以及基于Adaboost的判别式表观模型。特别针对形状先验，考虑了不同场景下适用的模型：非周期运动的增量PCA建模方法，周期运动下的基于主导集聚类的动态形状模型以及突然运动的检测。此外，我们还结合超像素，并将其也融入到Level Sets的跟踪框架下，提出了更为鲁棒的超像素驱动的主动轮廓跟踪方法。该项目严格按照预期进度执行完成，建立了一个分层的融合颜色和形状信息基于Level Sets跟踪的理论研究框架，在此框架下对不同角度下先验建模和轮廓进化的方法提出新的观点，搭建了基于Level Sets的目标跟踪的实验平台， 在国内外重要的学术刊物和国际学术会议上发表论文6篇 (包括在审杂志文章一篇)，安排国际学术访问和参加国际学术会议3人次，达到了预期的目标。