基于视知觉显著性学习的运动目标鲁棒跟踪研究

基于视觉信息的特定/非特定运动目标的鲁棒跟踪是当前备受关注的研究方向，在智能视频理解、智能机器人、安防监控、群体性事件安全预警等众多前沿领域有着广泛的应用前景。鲁棒性是跟踪算法实用化的前提，对复杂环境下多变姿态目标的鲁棒跟踪更是其难点所在。.本项目从生物视觉系统的外部特性和思维特性出发，探索模拟人在检测与跟踪运动目标时所具有的特征拓展和学习的能力，提出并发展"视知觉显著性"的概念，将视觉信息获取、视觉线索感知、视觉注意与视觉意图、视觉认知更新、视觉记忆和联想等统一在"视知觉显著性学习"的框架下，建立视知觉显著性在目标跟踪任务中的描述模型和学习机制，设计并实现基于视知觉显著性学习的跟踪策略和跟踪算法。 .预期将显著提高运动目标检测与跟踪的鲁棒性和智能性，从而进一步推动视觉跟踪鲁棒性问题的解决，推进基于生物认知的视觉跟踪领域的研究。

本课题探索模拟人类视觉认知特性的方法，以视知觉显著性模型阐述视觉注意机制、视觉心理学机制、生物视觉系统的外部特性等认知特性，设计并实现基于视知觉显著性的跟踪框架，通过视知觉显著性初始化和视知觉显著性学习、更新机制，研究目标检测与跟踪算法，提高检测与跟踪的鲁棒性。. 模拟人的视觉注意机制，提出了视知觉显著图建模方法，依据不同的图像特征引起的视觉刺激，建立对比度显著图、运动显著图、颜色显著图等描述模型， 借鉴人在视觉跟踪中“局部紧盯-焦点转移-仔细观察”的特性，将视觉显著图作为粒子滤波的全局建议分布，通过寻找视觉焦点的方法模拟全局搜索过程进行粗略定位，使用粒子滤波跟踪来模拟仔细观察过程。该方法保留了粒子滤波跟踪优越的局部跟踪能力，而且能够在全局范围内跟踪目标，跟踪快速运动的目标，并具有自动恢复跟踪目标的能力，尤其适用于由于目标运动或被遮挡导致目标丢失而后又重新出现的情形。. 模拟人的视觉的光点跟踪特性，提出了一种在时空切平面中检测特定行为的显著性特征的方法，提取时空切平面内的显著性特征，建立特征库，通过搜索时空切平面内的兴趣点，使之与特征库匹配进行目标识别结合SVM训练学习机制，实现对人的特定行为和特定身份的识别。. 模拟人的视觉的学习性和记忆性，在以显著性特征构建目标模板的同时定义其记忆显著度模板，共同组成模板库，以记忆目标历史信息的方式模拟记忆性，提出模板库更新、加强、忘却等记忆更新机制，结合粒子滤波对目标进行跟踪，解决目标模板一次更新造成的误差不可逆及误差累计问题，加强目标模板的可靠性，提高跟踪算法对光照、同源干扰、尺度变化等现象的鲁棒性。. 模拟人眼对亮度和色度不同的敏感特性，构建颜色差异度量准则，结合基于蛙眼视觉特性的“模糊化区域理解”，提出基于颜色显著性的背景减除算法，提高了方法对复杂动态背景、间歇运动目标、阴影、波纹等多种干扰的鲁棒性。. 本课题提出并发展“视知觉显著性”的概念，将视觉注意、兴趣转移、视觉记忆和联想等统一到视知觉显著性的框架下，提出符合人的视觉特性的检测与跟踪算法，为系统的研究认知特性在鲁棒跟踪中的应用提供了基础，是对人类智能的机器模拟的理论基础和推理机制的有益探索。