基于流形聚类的欠采样非均匀密度三维点云配准

三维点云配准中各个视图的激光扫描点云数据彼此之间会存在重叠的部分。针对由于重叠区域不同而造成的点云密度不均匀直接影响多站点云配准精度的问题,本文提出一种基于流形聚类的欠采样非均匀密度多站三维点云配准方法。首先,将测地距离作为相似性度量,对不平衡点云数据进行聚类划分实现点云数据精简;然后,采用K邻域搜索方法计算每个点半径范围内点的个数,划分点云分为密度区域;再对密度较大的区域进行聚类并对每个聚类进行曲面拟合,计算曲面上所有点的曲率;再提取曲率较大的点,使得密度较大的区域与密度较小的区域中点云的个数基本保持平衡,得到密度较为平衡的点云数据。最后,将流形聚类欠采样后的点云使用K均值(K-means)进行聚类并更新聚类中心和刚性变换矩阵,实现非均匀密度多站点云配准。与随机采样法和均匀采样法相比,本文方法的倒角距离较小,并且保留了点云的局部特征信息。在斯坦福大学公共数据集中的Bunny数据集上的实验表明,所提方法在保证配准精度的前提下使配准的效率提高了60%以上。

VPC优化格拉斯曼流形的视频人脸识别

针对视频人脸识别中由于光照、表情、姿态等变化而严重影响识别性能的问题,提出了一种基于视频分块聚类优化格拉斯曼流形的视频人脸识别方法。首先通过去除孤立点、均匀采样、剪裁、姿势纠正等过程将视频数据集进行规范化;然后从训练视频的不同位置提取出可变长度的局部视频片段,使用基于谱聚类的高效算法将其表示为格拉斯曼流形上的点;最后,将所得到的聚类中心和测试视频中的点相匹配,并且利用基于表决的策略来完成测试视频的人脸识别。在视频人脸数据库Honda/UCSD、CMU Mobo及YouTube上的实验验证了该方法的有效性,实验结果表明,相比几种较为先进的视频人脸识别方法,该方法取得了更好的识别效果。

一种基于统计流形的聚类算法

考虑数据点之间局部统计性质的差异,结合K平均算法提出一种基于统计流形的聚类算法.通过计算数据点邻域的均值和协方差,将原始数据点云映射到正态分布族流形中,成为参数点云.在正态分布族流形上构造不同的度量结构,分别应用K平均方法,对参数点云进行聚类,从而将对应的原始数据分类.此算法可以应用到点云去噪.采用基于不同差异函数的算法,对含高密度噪声的点云去噪,并给出模拟仿真结果.仿真结果表明,采用KL散度作为差异函数的算法有较好的去噪效果,体现出该算法在去噪应用中的潜力.

结合地标点与自编码的快速多视图聚类网络

针对目前存在的多视图聚类方法大多是对聚类准确性进行研究而未着重于提升算法效率,从而难以应用于大规模数据的现象,本文提出一种结合地标点和自编码的快速多视图聚类算法。利用加权PageRank排序算法选出每个视图中最具代表性的地标点。使用凸二次规划函数从数据中直接生成多个视图的相似度矩阵,求得多个视图的共识相似度矩阵以有效利用多个视图包含的具有一致性和互补性的聚类有效信息,将获得的具有低存储开销性能的共识相似度矩阵输入自编码器替代拉普拉斯矩阵特征分解,在联合学习框架下同时更新自编码器参数和聚类中心从而在降低计算复杂度的同时保证聚类精度。在5个多视图数据集上的实验证明了本文算法相对于其他多视图算法在运行时间上的优越性。

基于流形聚类的非球类目标多站三维点云配准方法

非球类物体形状结构复杂,利用点云直接进行配准易出现误匹配现象。针对该问题,引入流形上的测地距离结合物体的实际几何形状,将三维点云配准问题转换为聚类问题,提出一种基于流形聚类的多站点云配准方法。首先,将经粗配准后的三维点云划分为若干个聚类;然后,以测地距离作为聚类划分的依据更新聚类中心,同时更新刚性变换,再循环迭代此过程以获得最终配准结果;最后,由于在配准过程中计算测地距离矩阵时易产生计算消耗,引入热梯度法将点集在空间中的遍历过程转换为泊松方程的求解过程以提升效率,完成多站点云配准。在斯坦福大学公共数据集中的Bunny、Dragon等点云数据上的实验结果表明,所提方法可有效将非球类物体的配准精度整体提升20%∼30%。

基于流形学习的视频异常行为检测算法

随着日益突出的公共安全问题和迅速增长的视频数据流量,智能化的视频监控异常行为检测成为计算机视觉方向的研究热点。由于监督学习下的异常行为检测训练效果易受视频监控数据集分布不平衡影响,本文采用无监督学习方法得到具有时空间分辨率的异常行为检测效果。提出基于多流形谱聚类的异常行为检测方法,利用图像特征点列构建时序信息特征,利用流形学习构建空间信息特征,最终利用谱聚类方法无监督地得到视频异常行为检测结果。在UCSD数据集上进行实验验证,本文方法具有较好的检测性能和计算速度。