利用仿射几何特性提取图像中的仿射不变特征

利用仿射几何的性质从图像中提取仿射不变特征,提出了扩展质心(extended centroid,EC)和仿射区域划分(affine region cutting,ARC)的概念,通过迭代ARC求得多个仿射区域的扩展质心序列,将扩展质心序列按一定规则组合成一系列三角形,然后根据仿射几何的性质,由各个三角形的面积构造不变特征。该不变特征提取方法具有速度快、简单灵活的特点,所构造的特征量对照度变化、噪声干扰、部分遮挡以及小角度3维旋转具有较好的稳定性,实验结果验证了该方法的有效性。     

一种新的图像局部仿射不变特征提取方法

提出了一种新的图像局部仿射不变特征的提取方法,首先利用阈值分割在图像中确定某个灰度取值范围的连通区域,文中证明了该区域的几何中心在图像仿射变换前后具有不变性,然后将几何中心作为局部仿射不变特征的"     

基于仿射不变矩的三维多面体特征匹配识别

提出一种应用仿射不变矩识别三维多面体的新方法。通过用单幅二维图像信息,利用仿射不变矩和多面体结构图相结合的方法,实现对三维多面体目标识别。后面的房屋识别实验表明,该方法具有很好的有效性和稳定性。     

基于连通区域的仿射不变区域提取方法?

针对现有仿射不变特征提取方法存在计算量大、鲁棒性差的问题,提出一种基于连通区域的仿射不变区域提取方法。对输入的灰度图像进行各向异性高斯滤波,并对滤波后的图像进行灰度直方图均衡化。找到图像中灰度值相同点所组成的连通区域,将灰度值差小于delta的相邻连通区域进行合并,把满足条件的最后一次合并结果作为图像的局部仿射不变区域。实验证明,该方法提取效果好、速度快且鲁棒性强。     

仿射不变特征提取算法在遥感影像配准中的应用

提出了一种面向影像配准应用的仿射不变特征算法。首先选取图像中拉普拉斯算子和尺度空间微分算子同时取得最大值的点为特征点,使用仿射参数模板对特征点邻域进行重采样以补偿投影变换造成的形变。随后对采样区域求取尺度不变特征变换(SIFT)构造特征矢量。在此基础上,构造相似性判据匹配特征点,通过RANSAC(random sample consensus)算法迭代消除错配生成修正的特征点集,并精确估计变换参数。利用仿真数据,测试了所提算法在仿射变换、局部遮挡、灰度对比度变化、高斯噪声等影响因素下的性能,并用异时相卫星遥感影像验证该算法的实用价值。     

仿射不变参数化

仿射不变技术的目的是指图形在经历各种仿射变换后,它的某些性质保持不变,即这些性质本身不受变换的影响。将仿射不变技术用于参数化,由此得到的参数在各种仿射变换前后都保持不变。用这种参数做曲线插值时,可为实际应用带来很大的方便。以三次样条函数实现参数曲线,并通过计算实例对新方法与目前常用的参数化方法的插值结果进行了比较,在效率和显示结果上,新的方法是令人满意的。     

基于组合不变矩的空间目标识别

本文针对Hu提出的不变矩和Jan Flusser提出的仿射不变矩的不同特点和适用条件，提出在不增加特征向量维数的条件下，将不变矩的部分分量和仿射不变矩组合成一个新的特征向量即组合不变矩，以用于空间目标的识别，并通过仿真实验进行了比较验证，结果表明组合不变矩对于空间目标的识别是有效的，且在一定程度上提高了识别率。     

结合仿射不变特征的平面目标区域矩研究

平面目标闭合曲线的傅里叶描述子只描述了目标区域的边界形状,无法反映目标内在属性。若目标区域的灰度分布已知,可利用目标区域的灰度分布构造各阶矩来描述目标的灰度分布特性及边界形状,即用区域矩来表征目标,可以得到反映目标内在属性的一些仿射不变特征,更能全面地反映目标本原特征。     

基于Grassmann流形的仿射不变形状识别

传统的Kendall形状空间理论仅适用于相似变换, 然而成像过程中目标发生的几何变形在更多情形时应该用仿射变换来刻画. 基于Grassmann流形理论, 本文分析了仿射不变形状空间的非线性几何结构, 提出了基于Grassmann流形的仿射不变形状识别算法. 算法首先对训练集中的每类形状分别计算形状均值和方差, 进而在形状均值附近的切空间构建多变量正态分布; 最后,根据测试形状的观测和先验形状模型求解测试形状的最大似然类, 对形状进行贝叶斯分类. MPEG 7形状数据库的实验结果表明, 与传统Kendall形状分析中的基于Procrustean度量识别算法相比, 本文识别算法具有明显优势; 真实场景中的目标识别结果进一步表明, 本文算法对仿射变形有更好的适应能力, 在复杂场景下能以较高的后验概率辨识出目标类别.     

多尺度最稳定极限区域仿射不变特征

基于局部区域的仿射不变特征被广泛应用于目标识别、场景分类和图像检索.在已经提出的仿射不变局部特征中,最稳定极限区域特征MSER(maximally stable extremal region)在多个方面具有优越的性能.但是由于最稳定极限区域特征MSER是从单一尺度图像中提取的,当图像尺度发生较大变化时,图像的模糊会使最稳定极限区域特征的边界发生变化,从而影响特征的稳定性.针对这一问题,通过定义多尺度空间中极限区域的稳定性指标,提出一种在图像空间和尺度空间都最稳定的极限区域特征,并设计了在尺度空间进行极限区域提取的快速算法.同时,针对极限区域可以较好地描述特征轮廓的特点,将局部灰度梯度信息和形状信息相结合设计了一种新的特征描述器.这种特征被称为多尺度最稳定极限区域MMSER(multi-scale maximally stable extremal region)特征.实验结果表明,在不同仿射变化条件下,MMSER的稳定性和可识别性均优于MSER,而且其描述器的创建时间约为SIFT描述器的45%.     

An automatic method for generating affine moment invariants

Affine moment invariants are important if one wants to recognize the surface of a plane in three dimensions when the orientation of the plane is not known beforehand and only two-dimensional information is available. The notion of generating function is introduced as a simple and straightforward way to derive various affine invariants. By this notion, we can get the explicit construction of much more affine moment invariants. Based on this conclusion, a large set of invariant polynomials can be generated automatically and immediately by the algorithm we have designed. These new affine moment invariants can be applied to recognize the image. Approaches in this paper will improve the practicability of affine invariants in object recognition applications.     

基于颜色不变量和仿射不变性的彩色图像配准

ASIFT图像配准算法实现了完全的仿射不变性,但色彩信息的缺失导致算法对光照条件敏感。结合颜色不变量理论和ASIFT算法,提出一种彩色图像配准算法CASIFT。在ASIFT基础上以颜色不变量代替灰度信息提取特征点并建立特征点的特征描述子,解决了ASIFT算法在光照差异较大情况下彩色图像配准率低的问题。实验结果表明,CASIFT彩色图像配准算法对于光照变化和视角变化均有更好的鲁棒性。     

基于组合不变矩和神经网络的三维物体识别

在三维物体识别系统中,提出将三维物体的Hu不变矩和仿射不变矩两者的低阶矩组合作为三维物体的特征,结合改进的BP神经网络应用于三维物体的分类识别。理论分析和仿真实验表明组合这两种矩特征进行物体识别,性能优于单独使用Hu不变矩,如果进一步对这两种组合的矩特征进行主成分分析处理,可显著提高系统识别性能,并减少网络的训练时间。     

A trust region method based on a new affine scaling technique for simple bounded optimization

In this paper, we propose a new trust region affine scaling method for nonlinear programming with simple bounds. Our new method is an interior-point trust region method with a new scaling technique. The scaling matrix depends on the distances of the current iterate to the boundaries, the gradient of the objective function and the trust region radius. This scaling technique is different from the existing ones. It is motivated by our analysis of the linear programming case. The trial step is obtained by minimizing the quadratic approximation to the objective function in the scaled trust region. It is proved that our algorithm guarantees that at least one accumulation point of the iterates is a stationary point. Preliminary numerical experience on problems with simple bounds from the CUTEr collection is also reported. The numerical performance reveals that our method is effective and competitive with the famous algorithm LANCELOT. It also indicates that the new scaling technique is very effective and might be a good alternative to that used in the subroutine fmincon from Matlab optimization toolbox.     

Combined blur and affine moment invariants and their use in pattern recognition

The paper is devoted to the recognition of objects and patterns deformed by imaging geometry as well as by unknown blurring. We introduce a new class of features invariant simultaneously to blurring with a centrosymmetric PSF and to affine transformation. As we prove in the paper, they can be constructed by combining affine moment invariants and blur invariants derived earlier. Combined invariants allow to recognize objects in the degraded scene without any restoration.     

结合仿射几何和正交分解的类中心分类法研究

类中心分类法是非常有效的分类算法。但由于向量空间产生空间扭曲,导致类中心分类法处理某些界限不明显的类别精确度不高。对此引入仿射几何和力的正交分解的方法,提出基于仿射几何和力的正交分解模型的类中心分类法的改进算法。在降低了计算维度的同时解决了由于向量空间特征项维被认为是正交带来的空间扭曲引起的误差。     

时空双仿射微分不变量及骨架动作识别

目的 人体骨架的动态变化对于动作识别具有重要意义。从关节轨迹的角度出发,部分对动作类别判定具有价值的关节轨迹传达了最重要的信息。在同一动作的每次尝试中,相应关节的轨迹一般具有相似的基本形状,但其具体形式会受到一定的畸变影响。基于对畸变因素的分析,将人体运动中关节轨迹的常见变换建模为时空双仿射变换。方法 首先用一个统一的表达式以内外变换的形式将时空双仿射变换进行描述。基于变换前后轨迹曲线的微分关系推导设计了双仿射微分不变量,用于描述关节轨迹的局部属性。基于微分不变量和关节坐标在数据结构上的同构特点,提出了一种通道增强方法,使用微分不变量将输入数据沿通道维度扩展后,输入神经网络进行训练与评估,用于提高神经网络的泛化能力。结果 实验在两个大型动作识别数据集NTU（Nanyang Technological University）RGB+D（NTU 60）和NTU RGB+D 120（NTU 120）上与若干最新方法及两种基线方法进行比较,在两种实验设置（跨参与者识别与跨视角识别）中均取得了明显的改进结果。相比于使用原始数据的时空图神经卷积网络（spatio-temporal graph convolutional networks,ST-GCN）,在NTU 60数据集中,跨参与者与跨视角的识别准确率分别提高了1.9%和3.0%;在NTU 120数据集中,跨参与者与跨环境的识别准确率分别提高了5.6%和4.5%。同时对比于数据增强,基于不变特征的通道增强方法在两种实验设置下都能有明显改善,更为有效地提升了网络的泛化能力。结论 本文提出的不变特征与通道增强,直观有效地综合了传统特征和深度学习的优点,有效提高了骨架动作识别的准确性,改善了神经网络的泛化能力。     

基于不变矩的步态识别

提出了一种利用不变矩进行步态识别的方法。该方法把二维人体空间轮廓信号变换为一维不变矩信号,把人体的步态序列变换为不变矩矢量,对不变矩矢量进行规格化,然后根据规格化不变矩矢量进行步态识别。实验中,本文的方法取得很好的效果。