大规模目标群体的跟踪和神经回路的三维重建

摘要

自然界中大规模运动的群体常常呈现出美丽的图案，譬如游动的鱼群，飞行的鸟群以及微生物界的细胞群体。这些看似杂乱无章的运动个体为什么会形成如此美妙的运动行为，每个个体在群体中扮演了什么样的角色，这些问题吸引了很多科学家的兴趣。为了揭示内部隐藏的科学奥秘，测量每个个体的运动轨迹是非常必要的工作。然而，大规模运动的个体由于形态上的相似性，以及运动中频繁的遮挡，给自动化检测和跟踪带来了很大的挑战。本文给出了一种自动而有效的算法，能够自动识别和跟踪大规模拥挤环境下的运动物体，譬如鱼群和细胞群。首先使用一种新颖的双椭圆定位器检测出每个个体在图片中大概的位置，并作为方差最小化活动轮廓算法的初始值，通过水平集优化得到每个个体精确的分割结果。紧接着，把跟踪问题建模为两步线性指派问题(Linear Assignment Problems，LAP)，与传统的线性指派算法不同，通过机器学习的方法得到两帧之间物体的相似度。为了验证本算法的有效性，对鱼群和细胞群进行跟踪，成功得到其运动轨迹，在本文中对算法细节进行了详细的讨论。
　　为了进一步研究群体运动背后的轨迹，了解生物个体各种行为决策背后的神经机理，研究个体脑部神经元结构是非常有必要的工作。此外，神经回路中线粒体被认为在神经功能中扮演重要的角色。现有的电子显微镜成像技术使得人们能够拍摄到脑区纳米级精度的图像。然而，高精度的拍摄会产生海量数据，这让人工无法在短暂的时间内标注出所有的神经组织。因此设计高效而准确的算法对神经回路中各种组织的识别是非常有价值的工作。本文首先提出了一种高效的线粒体三维重建算法。在x-y方向上使用了一种新的局部灰度分布特征，并借助随机森林分类器来检测二维空间中的线粒体，然后使用随机并查集算法对找到的线粒体进行编号和聚类，从而得到三维空间的结构。最后在三维空间中提取线粒体的特征，去掉误检的物体，从而得到真正的线粒体。此外，还给出了检查到的线粒体的置信度(Confidence)，方便神经科学家对重建结果进行纠错。为了评估本文提出的重建算法，与目前最好的算法进行了比较，并给出了详细的实验结果。除此之外，又提出了一种新的改进的线粒体三维重建算法，同时给出了在神经细胞膜检测问题上的最新进展。

目录

摘要

第一章 引言

1．1 大规模目标群体跟踪的背景

1．2 神经回路三维重建的背景

1．3 本文组织结构

第二章 相关方法与综述

2．1 研究现状

2．2 相关方法综述

2．2．1 物体检测

2．2．2 目标跟踪

2．3 本文对大规模目标群体跟踪的贡献

2．4 本文对神经回路三维重建的贡献

第三章 大规模目标群体的轨迹测量

3．1 引言与相关工作

3．2 目标检测与图像分割

3．2．1 双椭圆推论

3．2．2 自适应的双椭圆定位器

3．2．3 方差最小化的活动轮廓模型

3．2．4 迭代检测

3．3 数据关联

3．3．1 训练和跟踪

3．3．2 轨迹片段连接

3．4 实验与分析

3．4．1 数据集介绍

3．4．2 参数选取和实验细节

3．4．3 分割结果与对比

3．4．4 跟踪算法分析与对比

3．5 讨论与总结

第四章 神经回路的三维重建

4．1 引言与相关工作

4．2 提出的方法

4．2．1 局部灰度分布特征

4．2．2 随机并查集算法

4．2．3 形态学处理

4．2．4 分类和三维重建

4．3 实验与分析

4．3．1 实验装置和数据

4．3．2 评估与分析

4．4 扩展实验：改进的线粒体的三维重建算法

4．4．1 一种新的活动轮廓算法

4．4．2 实验与分析

4．5 扩展实验：细胞膜的检测算法

4．5．1 提出的方法

4．5．2 实验与分析

第五章 总结与展望

参考文献

致谢

攻读学位期间发表的学术论文目录

攻读学位期间获奖情况

声明