引入视觉注意机制的动态场景下视觉跟踪方法研究

动态场景下的视觉跟踪在移动机器人等领域有着广阔的应用前景，其难点来自于摄像机快速移动带来的如目标外观和环境变化等困难。视觉注意机制能够对图像的显著区域进行加强，同时对非显著区域进行削弱，将人的视觉注意机制引入到动态场景下视觉跟踪中，有利于实现更为稳定和接近于人类认知机制的视觉跟踪算法。因此，本项目拟展开引入视觉注意机制的动态场景下视觉跟踪方法研究：首先将视觉注意机制引入到跟踪特征的在线评价和选择中，给出对目标外观和环境变化具有适应性的在线特征选择方法；然后针对传统目标模型在线学习算法存在的"逐渐漂移"问题，给出融合了视觉注意机制的目标模型在线学习方法；继而针对动态场景下的目标/背景分类问题，给出具有在线增量学习能力的分类器算法；最后，建立自上而下反馈指导机制和自下而上处理方式相结合的视觉注意模型，并给出基于该模型的"检测-跟踪"融合方法；最终建立一个适用于动态场景的稳定的视觉跟踪原型系统。

项目按照计划开展研究工作，围绕视觉显著性模型、基于视觉显著性模型的动态场景下的视觉跟踪、及其复杂环境下的自适应视觉跟踪、视觉显著性特征提取及其在视觉跟踪与检测中的应用研究等展开研究。对引入视觉注意机制的目标跟踪方法进行了综述，提出了基于频谱分析的自上而下选择性视觉注意计算模型，基于全部和局部信息的显著性模型，基于生理学证据提出了显著性检测的四个原则，在此基础上设计了一个基于图像稀疏性与独特性的显著性检测模型，提出了自上而下的谱分析视觉注意指导的目标跟踪方法，提出了自上而下视觉注意与粒子滤波交叉改进的目标跟踪方法，提出了视觉注意加权的稀疏编码跟踪外观模型等。共发表论文22篇其中SCI收录7篇，EI收录22篇，包括IEEE Transactions on Cybernetics、Signal Processing、 Neurocomputing、IEEE Signal Processing Letters等国际期刊文章。参加国际会议5次，并做口头报告，其中参加境外国际会议2次，包括IEEE ICRA、ROBIO等领域内重要国际会议。授权发明专利2项，申请发明2项。获得北京市科技进步一等奖1项（基础类）。