基于稠密局部自相似特征流的图像配准算法

针对基于稠密SIFT流图像配准算法执行效率和配准准确率有待提高的不足,提出了一种基于稠密局部自相似(LSS)描述符构建的稠密改进的LSS(ILSS)特征流的图像配准算法。算法通过颜色空间转换分离出彩色图像中的颜色和亮度信息,只在亮度通道上提取稠密LSS特征以大幅度提高图像特征提取阶段执行效率。随后以保持特征流场光滑性为约束条件,采用金字塔多分辨率迭代法提高LSS特征流场估计阶段的执行效率。多分辨率迭代法的基本思想是先在图像粗粒度网格上快速估算出初步的特征流场,然后再逐步求精获得最终精确的特征流场。大量实验表明,与稠密SIFT流相比,基于稠密ILSS特征流的图像配准算法在图像内容发生较大变化时具有更好的鲁棒性,同时具有更高的执行效率和图像配准确率。

多视角下的交互行为识别（英文）

本文提出了一种基于局部自相似描述符和图共享多任务学习的多视角交互行为识别方法。首先,提出了一种复合交互特征表示方法,该方法对兴趣点局部运动的空间分布及其上下文进行编码。其次,为了减小观测角度变化对识别的影响并保留时序信息,用时间金字塔词袋模型对局部自相似描述符进行表示。为了从不同的视角探索不同交互行为之间的潜在关联,并保留每种交互行为的特定信息,采用图共享多任务学习学习相应的交互行为识别模型。结果表明,该方法在CASIA、i3Dpose公共数据集和自建交互行为识别数据库上相比其他方法识别率更高。

多视角下的交互行为识别

提出一种基于局部自相似描述符和图集鲁棒性多任务学习的多视图交互行为识别方法。首先,提出了一种组合交互特征表示方法,它既编码了兴趣点局部运动的空间分布,又编码了上下文信息。此外,采用时间金字塔词袋模型描述自相似矩阵的局部特征,减小了观测角度变化对识别的影响,保留了时间信息。为了探索不同交互行为与不同视图之间的潜在相关性,采用图集鲁棒性多任务学习函数学习对应的交互行为识别模型。实验结果表明,该方法在公共数据库CASIA上与其他先进方法相比在交互行为识别中具有良好的识别效果。