基于对象形变预测的图像对象分割方法研究

从静态图像中分割出语义对象对于图像分析和机器视觉有着重要意义。但现有研究成果还存在很大的局限性，特别是，现有方法对感兴趣对象类中不同实例间外观差异的鲁棒性亟待提高。针对这一问题，本项目提出一种基于对象形变预测的分割技术。该技术在对实例间的形状差异进行分解和量化的基础上，利用扩展的形状子元来构建感兴趣对象类的先验形状模型，并通过主动预测待分割实例相对于先验模型的形变来实现鲁棒的图像对象分割。其创新之处主要在于：把对象实例间的形状差异分解为一些基本变换的组合，并分别研究其定量度量；在分割过程中根据形状子元的匹配结果分别估算各基本变换参数，进而预测待分割对象实例相对于先验形状的形变；并通过联合多子元的预测结果来实现对实例外观差异更为鲁棒的特定类图像对象分割。. 本项目有一定的理论创新，其研究成果在基于内容的图像检索与分类、图像编辑、监控视频分析等方面具有较大的应用价值。

从静态图像中分割出语义对象对于图像分析和机器视觉有着重要意义。本课题中旨在构建对类内外观差异更为鲁棒的图像对象分割方法。围绕着这一目标，项目组首先深入研究了图像对象分割的基本概念，梳理了它与对象归类、检测之间的之间的联系与区别；接着，项目组深入研究了基于HOG 特征的对象类全局模型和部件模型，并研究了如何借助AdaBoost 算法和Latent SVM算法来更好的训练全局模型，以及如何利用概率重采样来实现检测过程优化加速。第三，项目组研究了如何利用上述全局模板和部件模型来实现鲁棒精确的图像对象检测，并以此作为精度较粗的自顶向下分割结果。第四，项目组进一步研究了多类图像对象分割技术，提出了借助概率模型将自底向上分割产生的区域映像与自顶向下分割的对象预测相结合，来提升分割精度的组合式图像对象分割方法。课题研究所取得的成果明显超出了原定计划,当前已发表SCI论文4篇、EI论文2篇，另有1篇已被计算机顶级期刊ACM Computing Surveys录用。