计算机视觉【演讲】概述.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