Knowledge-based Part Correspondence.pptVIP

本文观看结束！！！ 实验分析——角点匹配(5/5) 总结 本文提出的part匹配算法用假设事件发生的概率来度量两个parts的相似度。通过实验可以发现其优缺点： 优点：a. 算法简单 b. 不需要考虑图形的类别信息，可以对任意 的一对parts进行匹配 缺点：a. 计算量大，非常耗时 b. 轮廓信息太过简单，在比较复杂的环境中 容易发生错误匹配 总结 基于类SIFT描述器的改进算法的主要作用包括： 降维，减少计算量，提高效率 增强算法的鲁棒性 谢 谢！ 谢 谢 欣 赏！ * Knowledge-based Part CorrespondenceBoaz J. Super, Ph.D. 演讲人：李相军 2010-11-15 提纲 论文相关信息 研究背景 算法描述 简介 Part生成 Part描述 Part匹配 实验分析 总结 作者 Computer Science Department, University of Illinois at Chicago 研究方向：Computer vision, biological vision, image processing, pattern recognition, bioengineering /~super/ 关于本文 出处：PATTERN RECOGNITION OCT 2007 前期工作 Boaz J. Super, Retrieval from Shape Databases Using Chance Probability Functions and Fixed Correspondence, International Journal of Pattern Recognition and Artificial Intelligence Vol. 20, No. 8, 1117-1138, 2006 Boaz J. Super (2004), Learning Chance Probability Functions for Shape Retrieval or Classification, IEEE Workshop on Learning in Computer Vision and Pattern Recognition (at CVPR), Washington, D.C.  研究背景——1/2 基于局部特征的图形匹配算法分为两类： 基于几何的图形匹配：寻找出图形中的角点，将图形匹配问题转换成角点匹配问题。 缺点：底层空间数据太模糊，容易造成错误的匹配。 基于结构化的图形匹配：将图形的轮廓划分成多个Parts，图形匹配问题转换成part匹配问题。 缺点：结构化表示不可靠，细小的几何变化就能引起较大的结构改变。 研究背景——2/2 目前的图形匹配研究没有考虑到所有图形的知识，不符合生物视觉系统在处理视觉任务时使用知识的过程。表现于： 对于存在类别信息的图形匹配算法，存在类别的局限性，不能解决所有图形的匹配问题 对于两张图形的匹配算法，可使用的知识太少，影响匹配结果 算法简介——1/2 s1 s2 相似度d s1是否与s2相匹配？ P D1 D2 S1 S2 Chance Probability Functions P1(d1d) P2(d2d) …. P=Max(P1,P2) 算法简介——2/2 本文提出的图形匹配算法是介于几何和结构化匹配算法之间的一种新算法 与几何匹配算法相比，复合的Parts可以更好的消除数据模糊性；与结构化匹配算法相比，本文算法不需要保存part之间的关系。 本文算法不需要图形的类别信息，可以对任意种类的图形进行匹配，其匹配过程符合生物视觉系统对事物的认知过程 Part生成——1/2 Part生成——2/2 c表示图形s的轮廓，生成part步骤： 检测出轮廓c的所有角点， 任意两个角点 , 可生成一个part ,用 表示该part,且有 对每段part正规化：通过平移、旋转、缩放等操作，使part正规到以起始和终止角点为X轴的[0,1]范围。 若图形s有n个角点，则一共可以生成n(n-1)段part Part描述——1