目标边界点集的层次化描述及其形状检索应用

提出用于轮廓线形状和区域形状图像检索的形状描述方法,该方法将目标形状的边界（包括内边界）表示为一个无序的点集,沿各方向对点集的迭代分割,建立层次化的边界点集描述模型.通过对各层形状边界的分割比和分散度的几何特征度量,产生各层的形状特征描述,对它们进行组合,建立对目标形状的层次化描述.两个目标形状的差异性度量定义为它们的层次化描述子的L-1距离.该方法具有：（1）通用性.能够描述轮廓线形状和区域形状这两种不同类型的形状;（2）可扩展性.基于所提出的分层描述框架,可以将分割比和分散度这两种几何度量进行扩展,纳入更多其他几何特征度量,以进一步提高形状描述的精度;（3）多尺度描述特性.提出的分层的描述机制,使得描述子具有内在的由粗到细的形状表征能力;（4）较低的计算复杂性.由于仅仅计算目标图像的边界像素点,使得算法具有较高的计算效率.用MPEG-7 CE-2区域形状图像库和MPEG-7 CE-1轮廓线形状图像库这两个标准测试集对该方法进行评估,并与同类的其他形状描述方法进行比较,实验结果表明：提出的方法在综合考虑检索精确率、检索效率和一般应用能力等指标的情况下,其性能上要优于各种参与比较的方法.     

SR-SIHKS：一种非刚体全局形状特征

非刚体由于姿态变化会产出多样的形变,因此非刚体的形状检索比刚体更具挑战性。形状特征提取是非刚体三维模型形状检索的关键问题。为了提高非刚体形状检索的准确度,提出了一种非刚体全局形状特征提取方法。此方法的核心思想是将稀疏表示（Sparse Representation,SR）理论用于对尺度无关的热核特征（Scale Invariant Heat Kernel Signature,SIHKS）进行稀疏编码,因此被称为SR-SIHKS。改进了SIHKS局部特征的提取方法,根据所处理的模型库来自适应地确定热扩散时间参数;采用K-SVD算法来训练字典,借助Batch-OMP算法实现局部特征的稀疏编码;将非刚体三维模型的所有局部特征的稀疏编码汇聚为全局形状特征。实验结果表明,SR-SIHKS具有比SIHKS和HKS更优的检索效果。     

一种新的形状特征——高斯描绘子

为了有效和正确地反映物体的形状特征,构造了一种基于物体轮廓曲线的新的不变量,即高斯描绘子。构造思路主要有两点:第一,定义一个具有平移、尺度不变性的函数——高斯势函数;第二,分别计算高斯势函数在8个同心圆上的平均值,从而获得8个不变量。相对其他的形状特征描述法,这些不变量不仅关于平移、旋转、尺度和反射不变,而且具有识别/匹配率高、计算量小、对适度的边缘变动和噪声不敏感以及适用范围广等优点。将这8个不变量应用于物体识别,实验结果表明,高斯描绘子的确具备上述优点。