郑伟博士答辩v2.pptVIP

* * * * * 由于时间原因略去主动轮廓组的递增式学习算法 * * * 课题意义与研究背景 本文研究内容 基本形状元素的表示方法 局部形状特征的变形方法 局部形状特征的组合方法 总结与展望 主要研究成果 * * 研究动机 主动轮廓组 轮廓片段对 比较两种方法 * * 研究动机 问题 大量背景或者目标内部边缘与目标轮廓位置接近、形状相似，导致局部特征在变形过程中容易产生误匹配 思路 组合局部特征表示更大范围内的形状信息 * * 错误匹配结果 特征初始位置 研究动机 主动轮廓组 轮廓片段对 比较两种方法 * * 主动轮廓组 研究动机 短的轮廓片段在图像中频繁出现，但连续的长轮廓通常位于目标轮廓上，因此将邻接的短特征链接起来匹配图像中的长轮廓，可能会有效减少误匹配 * * 主动轮廓组 马尔可夫链模型 * * … 邻域系统定义： 主动轮廓组 能量函数 * * 一阶能量项 接近边缘 二阶能量项 保持连续 主动轮廓组 采用递增式学习的主动轮廓组快速生成算法 步骤1: 以一个主动轮廓片段初始化主动轮廓组 步骤2: 选择与主动轮廓组头尾邻接的主动轮廓片段 步骤3: 以递增方式快速匹配新的主动轮廓组与训练样本 步骤4: 选出匹配能量最小的主动轮廓片生张主动轮廓组 步骤5:更新对主动轮廓组参数的前两维子空间的估计 步骤6:没有超出长度上限和前两维能量下限继续步骤2 * * 能量函数 递增形式 主动轮廓组 主动轮廓组性质 大多数的主动轮廓组中含有3段以上的主动轮廓片段 主成分分析的前二维主成分涵盖形变的大部分能量 主动轮廓组可以表示连续的长轮廓 * * 长度为10的主动轮廓组的第一维主成分 长度为10的主动轮廓组的第二维主成分 主动轮廓组 为什么不直接采用长的小边特征生成长的主动轮廓片段？ 真实场景下，由于背景边缘的存在、目标轮廓的缺失，很难存在理想的轮廓，因此无法从长的小边特征直接学出长的主动轮廓片段 * * 主动轮廓组 主动轮廓组的检测精度评测(Weizmann horses) 窗口定位：与主动轮廓片段相比，精度提升不明显 轮廓定位：与主动轮廓片段相比，约有5%的提升 * * 轮廓定位 窗口定位 主动轮廓组 总结 方法的优点 该方法将主动轮廓片段链接成长的连续形状特征，能够减少误匹配到背景中及目标内部的短边缘，因此轮廓定位的精度在同样覆盖率的情况下准确率提高约5% 存在的问题 与主动轮廓片段相比，并没有编码更多的图像信息，窗口定位的性能并未因此得到显著提升 * * 研究动机 主动轮廓组 轮廓片段对 比较两种方法 * * 轮廓片段对 研究动机 格式塔心理学的相似性定律和接近性定律表明人类可以将形状相似位置接近的轮廓片段组合在一起感知出目标物体的前景区域 * * 轮廓片段对 配对的原则 共现性：两个轮廓片段要在训练样本上共现 相似性：两个轮廓片段的形状是相似的 接近性：两个轮廓片段彼此是最接近的对方的片段 * * 轮廓片段对 匹配能量函数 一阶能量项：尽量接近图像中的边缘 二阶能量项：两个片段之间的面积变形时保持稳定 * * 采用一阶能量项的匹配结果 加入二阶能量项的匹配结果 轮廓片段对 轮廓片段对的性质 主成分分析的前二维主成分涵盖形变的大部分能量 轮廓片段中间的区域可能是目标的前景区域 * * 第一维 主成分 第二维 主成分 轮廓片段对 训练检测器 提取形状、颜色、纹理特征，利用逻辑回归和boosting算法训练层级式目标检测器 勾勒轮廓与分割前景 当窗口被分类为目标时，边缘和内部分别对轮廓和前景投票 * * 检测窗口 测试图像 轮廓片段对 轮廓片段对的检测精度评测(Weizmann horses) 窗口定位：比主动轮廓片段及主动轮廓组提升约3% 轮廓定位：比主动轮廓片段及主动轮廓组提升10%~15% 前景分割：主动轮廓片段及主动轮廓组无法预测前景 * * 窗口定位 前景分割 轮廓定位 轮廓片段对 总结 方法的优点 与形状特征相比可以同时利用形状和表观信息，因为轮廓片段对可以从轮廓推测出目标的前景区域 与矩形区域的描述子相比，可能提供更准确的表观信息，因为轮廓片段对比矩形区域更准确的表示目标的前景区域 与现有的类似方法相比，只需要人工标注训练样本的检测窗口，无需细致分割数据 存在的问题 轮廓片段对只能够表示局部区域的信息，多个轮廓片段对之间缺乏全局信息约束 * * 研究动机 主动轮廓组 轮廓片段对 比较两种方法 * * 比较两种方法 * * 主动轮廓组 轮廓片段对 研究动机 连续长片段是显著的 相似律、接近律 表示信息 形状 形状和表观 检测器功能 窗口、轮廓 窗口、轮廓以及前景 窗口定位性能 91.1%?89.1% 91.1%?91.1% 轮廓定位性能 74.0%?80.0% 74.0%?89.0% 前景分