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Grassmann流形的多聚类特征选择

在无监督聚类特征选择过程中,局部欧氏度量可能置乱局部流形的拓扑结构,影响所选特征的聚类性能。为此,提出一种基于Grassmann流形的多聚类特征选择算法。利用局部主成分分析逼近数据点的切空间,获取局部数据的主要变化方向。根据切空间构造Grassmann流形,通过测地距保留局部数据的流形拓扑结构,以L1范数优化逼近流形拓扑,选择利于聚类的原本数据特征。实验结果验证了该算法的有效性。     

利用仿射几何的仿射不变特征提取方法

提出一种新的基于仿射几何的仿射不变特征提取方法,适合于目标的识别和图像的匹配。算法分3步执行：首先,提取区域的质心和扩展质心,质心和扩展质心的连线把目标区域分割成两部分,再分别计算两部分区域的质心,如此迭代,直到提取出满足要求的质心个数;然后,依次计算四边形的面积,其中四边形的顶点分别为其连线分割目标区域的两个质心和两个分割区域的质心;最后,依次计算各个四边形的面积比,得到仿射不变特征矢量; 另外,仿射变换的参数也可以通过计算提取的质心坐标得到。实验表明,提取的不变特征矢量稳健性好、计算速度快、分类精度高。     

仿射不变的自适应局部线性嵌入

目的: 为将流形学习有效应用于图像的降维与识别中,并消除图像的仿射变换对流形结构产生的影响,本文提出一种仿射不变的自适应局部线性嵌入算法。方法: 该算法在局部线性嵌入的基础上,为适应产生各种仿射变换的图像样本,引入切线距离计算各样本之间的相似程度,以此描述样本空间中的距离,并通过图像相似度函数自适应计算样本空间中每一点的邻域数量。结果: 实验结果表明,该算法能够构造出更合理的低维流形结构,并有效提升统计识别的正确率。结论: 本文算法对仿射变换不敏感,表现出更强的稳健性。     

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。     

基于改进多尺度乘积LoG算子的仿射不变形状匹配算法

目标在成像过程中发生的几何变形多数情况下可用仿射变换来描述。据此,提出一种利用角点进行仿射不变形状匹配的算法。首先引入多尺度乘积LoG(MPLoG)算子检测轮廓角点,并根据角点间距自适应地提取轮廓特征点,从而获取形状关键特征;为解决目标的仿射变形问题,采用Grassmann流形Gr(2,n)来表征和度量两形状之间的相似度;最后通过迭代式序列移位匹配算法来克服Grassmann流形对起始点的依赖并完成形状的匹配。对形状数据进行仿真实验的结果表明,所提算法能够有效地实现形状检索和识别,并对噪声有较强的鲁棒性。     

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"     

基于改进多尺度乘积LoG算子的仿射不变形状匹配算法

目标在成像过程中发生的几何变形多数情况下可用仿射变换来描述。据此,提出一种利用角点进行仿射不变形状匹配的算法。首先引入多尺度乘积LoG(MPLoG)算子检测轮廓角点,并根据角点间距自适应地提取轮廓特征点,从而获取形状关键特征;为解决目标的仿射变形问题,采用Grassmann流形Gr(2,n)来表征和度量两形状之间的相似度;最后通过迭代式序列移位匹配算法来克服Grassmann流形对起始点的依赖并完成形状的匹配。对形状数据进行仿真实验的结果表明,所提算法能够有效地实现形状检索和识别,并对噪声有较强的鲁棒性。     

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。     

基于Grassmann流形的半监督图像集鉴别分析

提出了基于Grassmann流形的半监督图像集鉴别分析方法。该方法将子空间表示成Grassmann流形上的点,分别用一组单位正交基表示。通过Grassmann核函数,度量子空间的相似度。不同于其他基于Grassmann流形的图像集鉴别分析,引入图嵌入框架,通过保持数据局部邻域结构的同时,最大化不同类别数据的距离,得到最优投影矩阵,并在投影空间中进行图像集分类。采用半监督学习,对于未标记样本,根据其最近邻类别进行估计。实验表明,该方法取得了优于其他图像集识别算法的效果。     

Shape of Elastic Strings in Euclidean Space

We construct a 1-parameter family of geodesic shape metrics on a space of closed parametric curves in Euclidean space of any dimension. The curves are modeled on homogeneous elastic strings whose elasticity properties are described in terms of their tension and rigidity coefficients. As we change the elasticity properties, we obtain the various elastic models. The metrics are invariant under reparametrizations of the curves and induce metrics on shape space. Analysis of the geometry of the space of elastic strings and path spaces of elastic curves enables us to develop a computational model and algorithms for the estimation of geodesics and geodesic distances based on energy minimization. We also investigate a curve registration procedure that is employed in the estimation of shape distances and can be used as a general method for matching the geometric features of a family of curves. Several examples of geodesics are given and experiments are carried out to demonstrate the discriminative quality of the elastic metrics.     

格拉斯曼流形降维及应用研究

视频人脸识别的核心问题是如何准确、高效地构建人脸模型并度量模型的相似性,为此提出一种维数约减的格拉斯曼流形鉴别分析方法以提高集合匹配的性能。首先通过子空间建模图像集合,引入投影映射将格拉斯曼流形上的基本元素表示成对应的投影矩阵。然后,为解决高维矩阵计算开销大以及在小样本条件下不能有效描述样本分布的缺陷,引入二维主成分分析方法对子空间的正交基矩阵降维。通过QR分解正则化降维后的矩阵,得到一个低维、紧致的格拉斯曼流形以获得图像集更好的表达。最后将其投影到高维核空间中进行分类。在公开的视频数据库中的实验结果证明,提出的方法在降低计算开销的同时能够获得较高的正确率,是一种有效的基于集合的对象匹配和人脸识别方法。     

微分几何编码识别物体的形状

为更好地识别目标形状,编码方法需要对目标的刚体变换具有不变性,同时最大限度保持目标的原有信息。鉴于刚体平面曲线作变换时其曲率的不变性,提出了基于轮廓曲率提取的目标边界编码方法,并对此方法实施了离散化处理。提出了基于改进的KMP算法（D.K.Knuth,V.R.Pratt和J．H．Morris）的曲线匹配方法,并对目标轮廓的重建作了描述。实验证明,利用微分几何的思想描述目标边界,提取方法简单,存储量小,其编码针对目标刚体变换具有不变性,为识别提供了较大的方便。     

On Shape of Plane Elastic Curves

We study shapes of planar arcs and closed contours modeled on elastic curves obtained by bending, stretching or compressing line segments non-uniformly along their extensions. Shapes are represented as elements of a quotient space of curves obtained by identifying those that differ by shape-preserving transformations. The elastic properties of the curves are encoded in Riemannian metrics on these spaces. Geodesics in shape spaces are used to quantify shape divergence and to develop morphing techniques. The shape spaces and metrics constructed are novel and offer an environment for the study of shape statistics. Elasticity leads to shape correspondences and deformations that are more natural and intuitive than those obtained in several existing models. Applications of shape geodesics to the definition and calculation of mean shapes and to the development of shape clustering techniques are also investigated.     

3D点云形状特征的二维主流形描述

首先,对空间分布不均匀且无序的三维点云构造其二维主流形,并以与球面同胚的封闭曲面网格形式给出其二维主流形的二次优化逼近,以主流形网格有序均匀的结点分布表示三维点云空间分布无序且不均匀的形状特征,降低了三维形状描述的难度;然后,以基本几何变换作为快速粗对齐、以迭代最近法向点(ICNP)方法作为精准对齐,确定两个主曲面网格之间最佳刚性变换,ICNP方法在寻找最近点时考虑法向夹角,利用了更多的几何信息,实现快速精准的刚性对齐,兼顾计算精度和速度;最后,以对齐误差作为两个3D点云之间形状差异测度.实验结果表明:所提出的基于主流形二次曲面网格优化逼近的三维点云模型形状描述方法对三维点云的分辨率和噪声等干扰因素具有较高的健壮性,可以用于三维检索的形状描述.     

非线性流形上的性别识别算法研究

在高维非线性空间中,如何更有效地提取人脸图像的主要特征,以及如何更有效地区分不同的性别类别,已经成为性别识别中广泛关注的问题。针对这一问题,提出一种非线性流形上的性别识别算法。该算法不但能有效提取高维空间中数据点的主要特征,并且能充分挖掘出数据流形间的几何结构和判别结构,从而使不同性别之间达到最优化分类。通过ORL和Yale两个人脸数据集实验,并与PCA(Principal Components Analysis)+LDA(Linear Discriminant Analysis),PCA+SVM(Support Vector Machine),KPCA+LDA,KPCA+SVM 4种常用的性别识别算法进行比较。实验结果显示:所提出的算法与其他传统算法相比具有更高的识别率,且有一定的鲁棒性和较高的运行效率。     

基于黎曼流形的平面目标识别

平面目标识别中的几何形变可用射影变换群描述. 与紧致李群SO(n, R)不同, 正则化的射影变换群, 即非紧致李群SL(n, R)上由黎曼度量决定的黎曼指数映射不同于由单参数子群决定的李群指数映射. 基于黎曼流形优化算法得到取值于特殊线性群SL(3, R)的样本的内蕴均值和协方差矩阵, 并依此构建李群正态分布. 利用此先验知识, 根据贝叶斯定理进行简单背景下的平面目标的识别实验. 结果表明, 利用射影变换群的统计特性可有效提高平面目标识别的成功率.     

基于流形学习与隐条件随机场的人体动作识别

提出了一种基于流形学习与隐条件随机场(hidden conditional random fields,简称HCRF)的动作识别方法.算法提取人体剪影作为输入特征,采用有监督的保持邻域嵌入(neighborhood preserving embedding,简称NPE)的子空间学习算法获得高维运动特征的低维流形表示,基于HCRF建模运动特征与动作语义之间的映射关系.在降维过程中,通过保持数据的局部邻接关系,NPE可以获取动作特征在低维流形空间上的本质分布特性.与HMM(hidden Markov model)等产生式模型相比,HCRF侧重从样本数据中抽取共有特征以获取正确的分类边界,不需要假定观测过程条件独立,可以更加自然地对动作的时空邻域关系进行建模.实验结果表明,即便对于特征差异较大或存在噪声干扰的动作序列,算法也能取得较好的识别效果.     

基于模糊形状上下文特征的形状识别算法

利用形状上下文特征进行形状匹配的过程中,各采样点被直接二值划分至不同的直方图栅格,致使特征表达不精确,进而导致匹配结果存在偏差.本文在对数极坐标系中引入模糊隶属度函数,利用采样点分布的模糊划分结果建立直方图,生成模糊形状上下文特征,从而更精确地描述形状信息.在极坐标系下对采样点集合进行分割,提出分割匹配的方法,减少不必要的特征匹配次数.在此基础上,利用循环移位匹配方法解决形状在不同角度姿态下利用形状上下文特征匹配的问题.通过对不同数据进行仿真分析,证明本文所提出的方法能有效实现形状识别和检索.