计算机视觉【演讲】课题.ppt

Company Logo LOGO Dense Non-Rigid Point-Matching Using Random Projections Raffay Hamid, Dennis DeCoste eBay Research Labs. San Jose, CA., USA 报告人： Chih-Jen Lin National Taiwan University, Taipei 10617, Taiwan 引论 图像兴趣点的匹配问题由来已久。致密的点集、不刚性的空间转化、传感器噪声的干扰，使得这个问题越来越有挑战。 其中的一些挑战可以通过尝试在匹配的过程中保持对应点的空间排列来解决。以前的方法在考虑点集的空间排列时，计算量是非常大的，显然对于稠密匹配这些方法是不可行的。最近，托尔基和埃尔加马勒提出了一种在低维子空间匹配点的有效方法，能够同时兼顾空间一致性和功能的相似性。然而，这种方法仍然需要精确的特征分解来进行子空间学习，这限制了它的效率改进。同时，在大量的非刚性变形或存在特征噪声时，该方法并不十分可靠。 对于那些致密的点集通过非刚性的空间变化进行点匹配的问题，他们提出了一个健壮而高效的技术。他们的研究目标就是能够使得点集进行高置信度匹配，从而引导其他的工作研究。他们根据先前的空间的子空间学习，利用高置信度的匹配，提出了一个新的算法，来区分子空间的特征相似性及相应的空间排列。以前的子空间学习方法通常需要进行特征分解（或叫谱分解），对通过点集的成对的距离矩阵进行分析，这些方法对于中等规模的问题就变得低效了。为此，他们提出了利用随机预测的方法来进行近似??子空间学习，这可以在最小的精度损失的成本提供显著的时间改进。他们在点集中，迭代的寻找和去除高置信度的匹配，从而得到了较高的查全率。为了显示他们方法的有效性，他们对致密的非刚性图像特征匹配的问题进行了系统的实验，从而得到了相应的结果与结论。 Point-Matching（点匹配） 图像平面上的点模式匹配的一般问题是确定仿射变换下两个点集是否匹配。现设第一个点集为模型点，一共有n个点，第二个点集为图象点，有m个点。设第二个点集是第一个点集经过某个仿射变换得到的，但由于噪声的作用，点的相对位置有微小的变化，而且第一个点集中可能有部分点（称为缺少点）在第二个点集中找不到对应点，第二个点集中可能随机出现一些新的点（称为伪），点匹配主要有以下三个问题： （1） 找到第一个点集中所有的在第二个点集中没有匹配的点； （2）找到第二个点集中所有的在第一个点集中没有匹配的点； （3）对有匹配的点，找出正确的对应关系。 ? ◎ 寻找两幅图像中特征点对应关系可以有许多不同的算法，但是基本上是通过两步来进行的： 第一步，选择物体投影图像上的特征点，如局部灰度极大值点、角顶点等 第二步，利用所选择特征点在结构上或其他特征上的差异进行匹配 简要介绍 如图给定两个特征点集，我们保证他们点集间的特征相似性和点集内的空间排列来进行子空间学习。我们使用随机映射的方法近似有效的学习子空间。我们映射特征点到子空间，并用二分图来找到自己的匹配。我们选择那些高置信度匹配点，使用它们作为一个空间先验来学习子空间，从而降低点集中剩下元素的混乱。这个过程不断的迭代重复，直到没有更多的点可以高置信度的匹配出现。 Subspace Learning（子空间学习） 形式化一种方法，子空间学习找到一个低维流体，它可以维持集合间的特征相似性和集合内的空间排序。 子空间学习可以表示为： 上式的等价表示：利用拉普拉斯算子问题知识 Algorithm 1（别人的算法） Subspace Learning with Spatial Priors 迭 代 思 想 的 应 用 我们使用先前的空间迭代来确保一个强有力的匹配，直到找到最优匹配。（利用算法1） 结果我们得到了一个高精度和查全率的匹配集，优越性完爆算法1. Random Projections（随机映射） 关注：子空间学习的迭代效率 前辈们：要使用spectral decomposition（特征分解），当对于一个大矩阵而言，计算量特备大，这样是不可行的。 实验及结果 模拟非刚性变换： 通常用B-样条框架来使原图像变形，从而畸形输出。有时也控制旋转跟噪声，这就使得匹配工作或多或少的增加了困难度。 噪声分析 非刚性变形分析 未来的工作 目前，对于我们的每次迭代算法我们发现一个低维子空间独立于我们先前计算的子空间。展望未来，我们计划使用先前计算的子空间作为下一个子空间的热启动，以获得更高的效率。 题外：非刚性匹配的研究进展 使用基本函数匹配 例如：傅里叶基函数、小波基函数 使用样条匹配 例如：薄板样条、B样条 物理模型 例如：弹性匹配技术 流体匹配 FEM匹配 用