形状的语义结构表示及其分类学习研究

从形状底层特征到形状高层语义的映射，跨越形状认知的"语义鸿沟"是计算机视觉领域的一个具有挑战性的前沿科学问题。本项目利用形状特征检测、描述和图像语义的已有研究成果，提出了一种获取形状语义结构化表示的统计学习研究框架，以实现计算机对形状的高层语义认知能力。研究内容包括：形状特征的尺度空间行为和稳定性；形状局部特征的表示；高维局部特征描述空间的特性及其低维子空间的构造方法；形状单词在形状语义空间中的分布特征和语义映射学习框架；基于形状语义表示的分类特征。本研究既有理论上的重要意义，更有广阔的应用前景。在理论方面，通过模拟人类视觉系统在显著特征、部分形状和空间位置关系等方面的认知特性，揭示统计学习方法在形状视觉认知方面的特性，并有望建立一种以统计学习为基础的新的形状分类识别理论体系。在应用方面，通过统计学习技术提升机器的视觉感知能力，为机器实现更高的智能视觉感知提供技术保障。

形状描述、推理和理解仍然是计算机视觉与模式识别领域一个极具挑战性的热点问题。为跨越形状认知的"语义鸿沟"，本项目研究了形状特征的尺度空间行为和稳定性，形状局部底层特征的表示和描述，高维局部特征描述空间的各种特性及其低维子空间的构造方法，形状单词在形状语义空间中的分布特征和语义映射学习框架等内容，得到了角点的轮廓拉普拉斯尺度空间行为理论、基于Chebyshev多项式拟合的连续曲率估计方法、基于弧长的角度估计方法、基于二维非负偏最小二乘方法的的图像特征提取方法、基于非负矩阵分解的图像特征提取算法、形变物体的相似性度量图嵌入匹配方法、基于稀疏图的直推算法、基于形状信息的特征提取方法、基于稀疏表示的图像特征提取方法、判别超拉普拉斯投影算法、基于局部保留映射的子空间学习方法、类特定稀疏表示方法、基于形状语义稀疏表示的形状分类框架、骨架模型的自动化构建及薄板样条拟合方法等研究成果。本项目提出的形状分类框架有效地建立了形状底层特征与语义间的映射关系。本项目取得的成果已经总结并发表在TPAMI、IEEE Signal Processing Letters、Neurocomputing、CVPRW 2014、ICMEW 2014、自动化学报等重要期刊或会议上，共计论文15篇，其中SCI检索12篇，EI检索14篇。综上所述，本项目的研究不仅具有理论意义，而且具有广阔应用前景。