自然场景图像中的部分形状识别方法研究

Object recognition is an important research in computer vision and pattern recognition. Shapes, as one of the basic characteristics of the objects in the sense of visual perception, provide very important information for object recognition. While limited by imaging conditions, complex natural scene and other factors, the existing partial shape-based recognition algorithms are far short of the requirements of practical application on the accuracy and performance. This project application will study part shape features in natural scene images, and design robust partial shape descriptors. We focus on the feature inconsistency and the local scale calculation problems in partial shape recognition algorithms. After defining the partial shape descriptors, we construct partial shape matching algorithm and accurate recognition algorithm, and finally achieve the target of object recognition and classification from unlabeled natural scene images. The template shapes are updated if one object is identified, with the aim that the updated template shapes can better describe the local deformation and partial shape missing. The advantage of this project is that this object recognition algorithm can overcome both rigid and irregular object deformations in complex natural scene images. This algorithm can achieve the automatic target recognition and template update without any human intervention, and it has good application prospect and practical values.

目标识别是计算机视觉和模式识别的一个重要研究课题，形状作为物体在视觉感知意义下的基本特征之一，为目标识别提供了重要信息。受成像条件、以及复杂背景等因素的限制，现有的部分形状识别算法在精度和适用性上远远达不到实际应用的要求。本项目申请拟从部分形状特征入手，设计稳健的部分形状描述子，对部分形状识别算法中普遍存在的特征不一致问题和目标尺度的计算问题开展研究，并以此构建部分形状匹配算法和精识别算法，实现基于单模板的无标记自然场景图像中目标的识别和分类。在识别目标的同时更新模板形状，更新后的模板图像在对大规模图像进行识别和分类的时可以更好地适应目标局部形变和部分轮廓缺失。本课题的优势在于，提出的识别算法可以克服复杂自然场景图像中目标的刚性形变和不规则变形，实现目标的自动识别和模板自动更新，无需任何人工干预，具有良好的应用前景和实用价值。

目标识别作为计算机视觉的基础任务之一，是图像处理领域的重要研究内容，是图像分析和理解的前提，被广泛应用于图像检索、医疗诊断、目标分类、目标跟踪等领域。在处理自然场景图像时，目标经常会出现被遮挡或自遮挡的情况，而且同类对象之间存在差异性和不同种类对象可能存在相似性等都会给目标识别结果带来影响。本课题针对自然场景图像处理问题，设计了新的特征描述子用于目标识别，构建的部分形状描述子在很大程度上克服了部分特征匹配算法面临的特征选取不一致问题和目标形变问题，在通用图像数据库ETHZ上验证了算法对目标刚性形变的适用性，而且对目标部分缺失、非刚性形变等情况亦有较好的识别结果；我们对弱标注自然场景图像分类问题开展研究，提出一种人工特征指导意义下的基于深度学习的分类算法；同时我们研究了自然场景图像修补问题和超分辨率重建问题，这对提高自然场景图像目标识别的精度和算法稳定性有重要意义。本课题的部分研究成果可以推广到其他弱标注图像识别和分类应用领域，我们将其推广到医疗弱标注数据，开发了基于弱标注内窥镜图像的计算机辅助病灶诊断系统，这在很大程度上解决了现有模型普遍需要大量的精确标注训练样本，需要医学专家精确标注大量数据的问题.