论文部分内容阅读
形状是一种高级别的视觉信息,在计算机视觉的研究领域中,形状是一种描述物体的重要属性。形状表示与匹配作为计算机视觉领域中的关键且基础性问题,已在目标检测、医疗分析、古文字研究等诸多领域发挥了重要作用。各类形状匹配方法中,结合轮廓和区域信息的方法由于包含更加丰富的形状信息,其对应的描述符在表达能力方面具有一定优势。本文分别从“逐对形状匹配方法”和“形状距离学习方法”两个关键问题入手,对结合轮廓和区域信息的形状匹配方法进行研究。本文在学习结合轮廓和区域信息的形状表示方法的基础上,对地貌形状上下文方法进行改进,并基于协同学习的思想提出基于广义期望首达时间的协同距离学习方法。主要研究内容如下:(1)传统的地貌形状上下文方法虽然能够较好地描述轮廓采样点间的关系,但测地距离计算过程复杂,特征提取效率较低,且仅选择某一最优地貌空间求解形状距离具有一定局限性。鉴于方法存在的不足,本文分别从提高特征提取效率,增强描述符表达能力,优化特征匹配方法三个方面对地貌形状上下文方法进行改进。所提方法将地貌空间中轮廓采样点间的测地距离计算问题转化为求解最短路径问题,通过引入最短路径算法快速构造形状描述符,相比传统方法可大大提升特征提取效率;通过引入模糊直方图构造出地貌模糊形状上下文特征,以提升形状描述符的表达能力;在此基础上,结合动态规划方法进行形状特征匹配,根据形状局部特征优化地貌空间的选择,进而分析出更准确的形状距离关系,提升匹配结果的准确性。形状特征提取效率对比实验和不同数据集下的形状检索精度对比实验均说明所提方法具有良好的性能。(2)“逐对形状匹配方法”专注于分析两个待匹配形状间的关系,易忽略样本中潜在的数据流形,为弥补其不足,引入“形状距离学习”算法以捕捉数据中潜在的流形结构,提升匹配结果的精度。其中,协同学习方法借助不同的距离度量获取更多有效信息,往往可以获得更好的距离学习效果。本文第四章结合协同学习和广义期望首达时间方法的优势,提出了基于广义期望首达时间的协同距离学习方法(Co-GMFPT)。该方法将形状样本集合视作状态空间,引入广义期望首达时间显式地挖掘样本空间流形中的最短路径,通过一个迭代过程交替利用两种度量方法由近及远逐步寻找查询样本的关联样本,能够更有效地挖掘样本空间中的数据流形。不同数据集下的实验结果验证了所提方法具有良好的性能。