论文部分内容阅读
局部特征在计算机视觉领域有着广泛的应用，相对于整体特征，局部特征标记出了图像中的重要区域，将图像信息用这些区域来表示，能够在表示图像局部重要信息的同时，节约了应用时的计算量。近年来局部特征点得到了研究者们的广泛使用，局部特征点是图像上的一小块区域，是图像上较明显的特征标志，通过一定的方式将局部特征点构造成可计算的描述形式用于研究。传统的局部特征点，如SIFT等，有着良好的平移不变性、旋转不变性、尺度不变性和一定程度的仿射不变性。但近年来的研究表明，传统局部特征点仿射不变性的范围相当有限，而三维空间内的视角变换所带来的透视变换可以通过二维空间内的仿射变换来模拟，所以，为了能更好地联系三维空间和二维图像，研究者一直希望能够寻找新型的局部特征点，使其具有良好的二维仿射不变性，即三维视角不变性。 本文提出特征流形来解决这一问题，本文通过模拟传统局部特征点在不同视角下的成像来构造一个完备的特征点区域描述，继而将其组织成高维流形的形式，从而使其呈现较好的视角不变性。另外，结合经典的流形学习算法，本文探讨了适合特征流形的低维表示算法，即通过用线性子空间组合来模拟流形的方式，为特征流形提供了一个适于计算和研究的表示形式。本文通过对比性实验验证了特征流形在视角变化情况下较传统局部特征点的优势。 本文继而将特征流形应用于视频中动态目标对象的跟踪，相对于传统的基于局部特征点的跟踪算法，基于特征流形的跟踪算法能够极大地提高跟踪精度和稳定性。对象跟踪是计算机视觉领域重要的基础性研究之一，能否较好地克服视频中的遮挡、复杂前景背景信息、目标物体不规则的运动、因视角变化引起的目标物体自身外表的变化等，都是对象跟踪算法是否鲁棒的评价标准。本文通过为目标物体上提取出来的局部特征点模拟多个视角变换，从而生成相应的特征流形，并将这些特征流形组织成特征流形图的形式来反映物体的结构信息。在跟踪的过程中，除了使用基于特征流形匹配算法的图匹配来估计目标物体的运动轨迹，本文还对特征流形图做实时的更新，包括对特征流形自身的更新和新特征流形的添加以及旧特征流形的删除，以保证特征流形图能够准确地刻画当前目标物体的特征属性，从而剔除了不稳定特征可能带来的扰动，保证了跟踪算法的稳定性。本文的实验表明基于特征流形的对象跟踪算法能够很好的处理各种复杂情况下的目标物体的跟踪问题，相对于传统的跟踪算法在鲁棒性上具有一定的优势。