从运动中恢复目标结构的改进因子分解法

因子分解法是从图像序列中恢复刚体目标几何结构的重要方法。针对传统因子分解法基本过程中存在的不足,及其容易失效的缺点,提出一种改进的因子分解法。该方法避开传统方法中求解修正矩阵的复杂过程,利用旋转矩阵的特性,直接修正由传统方法奇异值分解(SVD)得到的每帧图像的旋转矩阵,然后根据观测矩阵和得到的旋转矩阵,直接利用线性最小二乘法求解目标的结构矩阵。仿真和实测数据的实验结果表明,本文方法能够有效地从序列图像中恢复目标的几何结构,相比传统因子分解法,在稳定性上有较大的提升。     

矩形模板下摄像机标定和目标定位方法研究

提出一种利用矩形进行摄像机标定和目标定位的新方法.该方法根据透视投影几何关系中旋转矩阵的单位正交性,由矩形的四个顶点的像构造无穷远平面上绝对二次曲线的像ω的约束方程标定摄像机内参数;目标定位转化为求解摄像机外参数,无需计算图像和空间平面间的单应矩阵,直接由矩形顶点确定.本文方法完全摆脱了复杂的图像匹配问题,所有计算方法完全线性化,标定过程简便.模拟和真实图像实验结果证明了方法的可行性,表明该方法求解精度高、鲁棒性强.     

基于列约束的低秩矩阵恢复方法

由于在成像过程中出现遮挡现象,图像矩阵的元素有缺失。在正投影相机模型下,提出一种基于列约束的低秩矩阵恢复方法。该方法利用图像矩阵是一个低秩矩阵从而图像序列具有冗余性的特性,利用奇异值分解由图像矩阵的列空间构造出一个投影矩阵,得到图像矩阵的列所满足的约束条件,将缺失元素的恢复转化为迭代求解二次型的极值问题,利用它恢复出图像矩阵的缺失元素。该方法从理论上能够保证收敛到全局最小值。仿真实验表明,此方法具有收敛速度快,恢复精度高等优点。     

基于虚拟直线的单目视觉坐标测量模型研究

在摄像机位置随意固定和测量点共面的约束条件下,基于单目视觉提出了一种基于虚拟直线的单帧图像物点坐标测量的新算法。用几何方法代替常规代数方法,回避了传统的通过求解旋转矩阵和平移向量来获取摄像机位置和姿态参数的过程。利用直线平行、垂直的先验知识,通过空间共线四点经过射影变换的交比不变性得到目标点的位置坐标信息。实验证明：该方法简单、可行,摄像机位置随意摆放,具有很强的可操作性、实用性,且精度较高。     

迭代张量高阶奇异值分解的图像恢复方法

为了有效地对图像缺失数据进行恢复, 提出一种迭代张量高阶奇异值分解（HOSVD）图像缺失数据恢复方法。该方法首先利用拉格朗日乘子方法将张量核范数目标函数进行子问题分解操作, 简化了求解过程, 然后迭代地采用张量高阶奇异值分解阈值方法进行子问题求解, 最终得到恢复后的图像缺失数据。将矩阵奇异值阈值算法进行扩展而得的HOSVD阈值方法充分利用了图像内部和图像与图像之间的多重约束关系, 大大提高了恢复精度。模拟实验和真实图像实验结果显示该方法具有良好的缺失数据的恢复性能。     

基于非负矩阵分解与相似性分析的运动目标检测

提出一种结合修正的非负矩阵分解与向量相似性分析进行运动目标检测的方法。该方法首先使用修正后的非负矩阵分解算法从连续图像序列中恢复出背景图像，然后分析待检测帧像素点与恢复出来的背景模型之间的相似性，根据相似性的高低区分背景与前景。为了减少计算量，降低动态背景对检测结果的干扰，该方法在进行相似性分析之前，通过核密度估计的方法对运动区域进行估计。实验结果表明，该方法能够较为精确地恢复出背景图像，并有效地检测出运动目标。     

基于颜色基元共生矩阵的旋转图像检索

为提高旋转图像的检索准确率,引入颜色基元共生矩阵,提出一种新的旋转图像检索方法。设计8种具有旋转不变性的基元结构描述符,得到基元过渡矩阵(MEM)和基元平均矩阵(MAM)用于描述图像的纹理和颜色特征,并在MEM和MAM的基础上,运用统计学方法获取基元序列和对应颜色值出现的频数,最终得到8×8×72的颜色基元共生矩阵作为原始图像和旋转图像的特征矩阵。选取Corel标准图像库进行实验,结果表明,与CMM,M&D,SITF,SED,CDH等图像检索方法相比,该方法具有较高的检索准确率。     

利用真实场景中的角结构约束进行相机自定标

首先讨论了真实场景中的角结构几何约束，然后利用这种几何约束提出了一种新的相机自定标算法，利用单幅透视投影图像中的角结构计算出相机的焦距、平移向量和旋转矩阵的初始值，然后利用两幅图像中的几何结构对相机内外参数进行优化，由于在求取相机参数初始值的时候只用到了一幅图像，这样就避免了在相机定标过程中可能出现的临界运动序列（critical motions sequence)，从而避免了临界运动序列引起的相机定标退化问题，提高了相机定标过程的鲁棒性，用两幅图像中的结构约束对初始值进行优化，进一步提高了结果的精确度，实验结果证明算法是强壮的。     

基于Radon变换的SAR图像目标统计不变特征提取研究

SAR目标图像敏感于目标方位的特性为SAR解译带来了困难。通过对目标散射机制的分析,认为一定方位角变化范围内的目标图像只是在图像域发生了旋转和平移,其灰度统计分布是不变的,利用X波段的实测车辆目标数据,通过Radon变换提取图像64个投影方向上序列的各阶矩以及序列的极值、宽度等灰度统计值构造特征矩阵,然后对特征矩阵进行旋转和平移校正得到统计不变特征。结果表明:该特征在5°方位角范围内具有70%以上的稳定性,因此可以用来合并目标不同方位角的信号。     

基于不变矩和小波分析的指横纹匹配新算法

为了有效提高刑侦过程中采集到的指横纹匹配的准确率和效率,提出一种基于修正不变矩和小波多分辨率分析的指横纹特征提取和匹配算法。该方法在一次识别阶段,为克服比例因子和旋转角度对矩的影响,提出最小矩形的求矩区域修正方法并对由Radon投影得到的不变矩特征矩阵进行初等行变换确定旋转角度,从而建立候选图像集合。在二次识别阶段,利用小波多分辨率分析对候选图像集合的确定角度Radon投影进行分析,再由得到的加权不变矩特征向量进行最高相似度匹配。实验结果表明,该方法较传统方法有更好的识别率。     

Max-margin non-negative matrix factorization with flexible spatial constraints based on factor analysis

Non-negative matrix factorization (NMF) is a popular feature encoding method for image understanding due to its non-negative properties in representation, but the learnt basis images are not always local due to the lack of explicit constraints in its objective. Various algebraic or geometric local constraints are hence proposed to shape the behaviour of the original NMF. Such constraints are usually rigid in the sense that they have to be specified beforehand instead of learning from the data. In this paper, we propose a flexible spatial constraint method for NMF learning based on factor analysis. Particularly, to learn the local spatial structure of the images, we apply a series of transformations such as orthogonal rotation and thresholding to the factor loading matrix obtained through factor analysis. Then we map the transformed loading matrix into a Laplacian matrix and incorporate this into a max-margin non-negative matrix factorization framework as a penalty term, aiming to learn a representation space which is non-negative, discriminative and localstructure- preserving. We verify the feasibility and effectiveness of the proposed method on several real world datasets with encouraging results.     

非负低秩图嵌入算法

现有的非负矩阵分解方法(NMF)还存在一些不足之处。一方面,NMF方法直接在高维原始图像数据集上计算它的低维表示,而实际上原始图像数据集的有效信息常常隐藏在它的低秩结构中;另一方面,NMF方法还存在对噪声数据和不可靠图敏感以及鲁棒性差的缺点。为了解决这些问题,提出了一种非负低秩图嵌入算法(NLGE),该算法同时考虑了原始图像数据的几何信息和有效低秩结构,使得其鲁棒性有了进一步的提高。此外,还给出了一种求解NLGE算法的迭代规则,并进一步证明了该求解算法的收敛性。最后,在ORL、CMU PIE、YaleB和USPS数据库上的实验结果表明了NLGE算法的有效性。     

Local discriminant non-negative matrix factorization feature extraction for hyperspectral image classification

Non-negative matrix factorization (NMF) ignores both the local geometric structure of and the discriminative information contained in a data set. A manifold geometry-based NMF dimension reduction method called local discriminant NMF (LDNMF) is proposed in this paper. LDNMF preserves not only the non-negativity but also the local geometric structure and discriminative information of the data. The local geometric and discriminant structure of the data manifold can be characterized by a within-class graph and a between-class graph. An efficient multiplicative updating procedure is produced, and its global convergence is guaranteed theoretically. Experimental results on two hyperspectral image data sets show that the proposed LDNMF is a powerful and promising tool for extracting hyperspectral image features.     

Quasi-perspective Projection Model: Theory and Application to Structure and Motion Factorization from Uncalibrated Image Sequences

This paper addresses the problem of factorization-based 3D reconstruction from uncalibrated image sequences. Previous studies on structure and motion factorization are either based on simplified affine assumption or general perspective projection. The affine approximation is widely adopted due to its simplicity, whereas the extension to perspective model suffers from recovering projective depths. To fill the gap between simplicity of affine and accuracy of perspective model, we propose a quasi-perspective projection model for structure and motion recovery of rigid and nonrigid objects based on factorization framework. The novelty and contribution of this paper are as follows. Firstly, under the assumption that the camera is far away from the object with small lateral rotations, we prove that the imaging process can be modeled by quasi-perspective projection, which is more accurate than affine model from both geometrical error analysis and experimental studies. Secondly, we apply the model to establish a framework of rigid and nonrigid factorization under quasi-perspective assumption. Finally, we propose an Extended Cholesky Decomposition to recover the rotation part of the Euclidean upgrading matrix. We also prove that the last column of the upgrading matrix corresponds to a global scale and translation of the camera thus may be set freely. The proposed method is validated and evaluated extensively on synthetic and real image sequences and improved results over existing schemes are observed.     

基于图正则化的受限非负矩阵分解算法及在图像表示中的应用

非负矩阵分解(NMF)是一种非常有效的图像表示方法,已被广泛应用到模式识别领域.针对NMF算法是无监督学习算法,无法同时考虑样本类别信息和固有几何结构信息的缺点,提出一种基于图正则化的受限非负矩阵分解(GRCNMF)的算法.该算法利用硬约束保持样本的类别信息,增强算法的鉴别能力,同时还利用近邻图来保持样本间固有的几何结构.通过在COIL20和ORL图像库中的聚类实验结果表明GRCNMF优于其它几种算法,说明GRCNMF的有效性.     

稀疏约束图正则非负矩阵分解

非负矩阵分解(NMF)是在矩阵非负约束下的一种局部特征提取算法。为了提高识别率,提出了稀疏约束图正则非负矩阵分解方法。该方法不仅考虑数据的几何信息,而且对系数矩阵进行稀疏约束,并将它们整合于单个目标函数中。构造了一个有效的乘积更新算法,并且在理论上证明了该算法的收敛性。在ORL和MIT-CBCL人脸数据库上的实验表明了该算法的有效性。     

局部敏感非负矩阵分解

非负矩阵分解是一种新的基于部分学习的矩阵分解方法,反映了人类思维中局部构成整体的概念。算法只将非负矩阵近似地分解成两个非负矩阵的积,忽略了数据几何结构和判别信息。提出了一个局部敏感非负矩阵分解降维算法来克服这一缺点。该算法既保持了数据非负性,又保持了数据的几何结构和判别信息。构造了一个有效的乘积更新算法并且在理论上证明了算法的收敛性。ORL和Yale人脸数据库实验表明该算法性能超过许多已存在的方法。     

非负子空间聚类指导下的非负矩阵分解

非负矩阵分解作为一种有效的数据表示方法被广泛应用于模式识别和机器学习领域。为了得到原始数据紧致有效的低维数据表示,无监督非负矩阵分解方法在特征降维的过程中通常需要同时发掘数据内部隐含的几何结构信息。通过合理建模数据样本间的相似性关系而构建的相似度图,通常被用来捕获数据样本的空间分布结构信息。子空间聚类可以有效发掘数据内部的子空间结构信息,其获得的自表达系数矩阵可用于构建相似度图。该文提出了一种非负子空间聚类算法来发掘数据的子空间结构信息,同时利用该信息指导非负矩阵分解,从而得到原始数据有效的非负低维表示。同时,该文还提出了一种有效的迭代求解方法来求解非负子空间聚类问题。在两个图像数据集上的聚类实验结果表明,利用数据的子空间结构信息可以有效改善非负矩阵分解的性能。