显微视频数据中的扩展目标跟踪方法研究

This proposed project addresses the issues on tracking of an unknown and time-varying number of objects with variable motion patterns on the sequential microscopic images. Considering that the objects in the surveillance region may give birth, die, spit or merge,under constraint in the resolution, contract and SNR of the microscopic images, we model the objects as extended targets and study the global and individual dynamic features to detect and track them. Based on the random finite set theory, fuzzy set and image process and analysis approaches, we try constructing a whole framework which can achieve automatic recognition and track the dynamic objects with some appearance characters supported by the cardinalized probability hypothesis density filter, particle filter and intuitionistic fuzzy set. The methodology focuses on the measurements extraction of extended targets, state estimation and association, in order to improve the tracking accuracy. The concrete conditions influencing the accuracy to consider include that images are low-contract and low-SNR, simultaneously the targets' motion is complicate and diverse, even district patterns such as random or free-swimming. Furthermore, the application may support the research on the analysis of biological or chemical characteristics on the cell level or molecule level.

本项目以序列显微图像中数目变化未知的具有一定形态特征和多种运动模式的观测目标为研究对象，针对显微图像中被观测对象存在的新生、消亡、分裂、融合等复杂动态特性，以及显微图像的分辨率、对比度和信噪比等约束条件下，从扩展目标角度研究显微图像中目标群体的整体运动特性和具有差异特征的个体运动特性的识别与跟踪方法，在随机有限集理论、直觉模糊理论和图像分析相关方法基础上，以势概率假设密度滤波、粒子滤波、直觉模糊集方法为核心，建立完整的时间序列显微图像中具有一定形态特征的动态目标的自动检测和运动轨迹重建的方法和框架，解决针对显微图像的扩展目标测量提取、状态估计和状态关联问题，以提高显微视频中低对比度、低信噪比和复杂运动模式下的未知时变的多目标的跟踪精度，为分子级和细胞级的被观测目标在生物和医学领域的其他特性分析和研究提供支持。

本项目研究序列显微图像中数目变化未知的观测目标的跟踪问题，针对显微图像中被观测对象存在的新生、消亡、分裂、融合等复杂动态特性，从多个角度研究显微图像中目标的识别与跟踪方法。分别对显微视频图像处理与分割、基于机器学习的细胞跟踪、基于随机有限集框架下的概率假设密度滤波、势概率假设密度滤波、标签多贝努力滤波、粒子滤波的显微视频目标连续跟踪和加速跟踪方法进行了研究。提出了基于多尺度 log-filter的显微视频图像分割方法，在机器学习方法框架下提出了基于有监督学习和主动学习的细胞跟踪；在随机有限集滤波方法框架下，提出基于分解PHD的概率假设密度滤波连续跟踪方法和势概率假设密度滤波连续跟踪方法；在上述研究基础上，建立了显微视频扩展目标模型和多特征目标模型，提出了基于概率假设密度滤波的显微视频目标跟踪框架和基于标签多贝努力滤波的显微视频目标跟踪体系；最后分别从算法优化、测量分割、分布式计算角度设计了多种加速跟踪方法。这些研究建立了完整的时间序列显微图像中具有一定形态特征的动态目标的自动检测和运动轨迹重建的方法和框架，解决了针对显微图像的多特征目标测量提取、状态估计和状态关联问题，显著提高了显微视频中各类复杂条件下的未知时变的显微视频目标的跟踪精度和跟踪效率。