导读:本文包含了视图一致论文开题报告文献综述及选题提纲参考文献，主要关键词:多视图字典学习,相关性,差异性,人脸识别
视图一致论文文献综述
田泽,杨明,陈哲,石爱业[1]（2019）在《基于视图内字典原子不一致的多视图字典学习算法》一文中研究指出传统的多视图字典学习算法旨在利用多视图数据间的相关性,未能考虑多视图数据的差异性,这可能会降低字典的学习性能.受此启发,提出一种基于视图内字典原子不一致的多视图字典学习算法.该算法为每个视图学习类属字典和共享字典,同时,引入编码系数方差的最小化约束,以降低视图间字典的差异性;此外,通过每个视图编码系数与所有视图编码系数均值之间距离的加权和的最小化来约束相应特征的贡献度;然后,施加视图内字典原子的不一致性约束以降低视图内字典的冗余.最后,在两个数据集(AR和Extended Yale B数据集)上的实验验证了所提算法的有效性.(本文来源于《南京信息工程大学学报(自然科学版)》期刊2019年03期）
李亚兰,李志扬[2]（2018）在《采用空间一致生长策略的多视图叁维重建》一文中研究指出针对复杂环境因素影响下场景叁维重建结果难以同时获得高重建精度和高重建完整度的问题,提出一种基于空间一致生长的多视图叁维重建算法.该算法对基于特征点生长的叁维重建算法框架进行拓展,新增了有条件的初值矫正环节,同时对已有的生长和滤波环节进行更替和改进.首先使用SFM从输入图像中提取稀疏种子点;然后直接在固定的世界坐标系中从所有种子点出发向其邻近叁维空间扩展,得到生长点的初始位置和方向,并通过优化确定生长点的最终位置和方向,在优化前和优化中根据生长点的当前位置和方向不断选取和更换最佳主、副图,提高优化质量;再利用邻域已重建点云有条件地矫正生长点的位置和方向,并以此作为初值再次优化,避免优化收敛到局部极值,提高生长点的重建精度;最后设计光滑、深度和方向叁方面的自适应一致性滤波,在减少误删的同时及时删除误差点,防止误差蔓延.实验结果表明,文中算法的重建精度和完整度均明显超过当前流行的PMVS算法;与高精度DAISY算法相比,在完整度大大提高的前提下,该算法的精度与其基本持平.(本文来源于《计算机辅助设计与图形学学报》期刊2018年01期）
李亚兰[3]（2017）在《基于空间一致生长的多视图叁维重建》一文中研究指出多视图叁维重建直接从多幅二维图像中恢复场景的叁维结构,是计算机视觉一个研究热点,在工业检测、逆向工程、城市规划、文物与遗迹保护和展示等众多领域有重要的应用价值。随着智能手机和高分辨、低成本图像传感器的大规模普及,表现出广阔的应用前景。近二十多年来出现了许多基于多视图的叁维重建算法,这些算法可大致分为叁类:基于体积的算法、基于深度图的算法和基于特征点生长的算法。要完美处理现实中各种复杂情况,如表面的快速起伏变化、细小结构、微弱纹理特征、遮挡效应等,以达到更高的重建精度和重建完整度,同时保证高的重建效率,现有方法仍需改进提高。本文提出了一种新的基于空间一致生长的多视图叁维重建算法,它基于特征点生长,但对传统基于特征点生长的多视图叁维重建算法的整体框架进行了拓展,在现有叁个环节(稀疏种子点提取、生长和滤波)基础上,增加了一个新的环节:利用已生长完毕的点进行有条件的初始值矫正,同时还对现有叁个环节进行了更新改进,取得了明显效果。全文工作和创新点总结如下。在稀疏种子点提取环节,提出了一种新的基于DAISY描述符的稀疏种子点提取方法。传统SFM方法通常提取每幅图像的SIFT特征点,通过特征点匹配提取稀疏种子点,往往由于匹配错误或失败导致种子点质量降低或数目减少。本文对每个特征点采用高性能DAISY描述符进行描述,然后沿对极线搜索与其DAISY特征最相似的点,提高了稀疏种子点的数量和精度,改变了传统的在有限的特征点之间直接进行匹配的方式。为了保证上述方法顺利实施,本算法提出了一系列配套措施,如通过最佳选图和少数特征点的匹配,采用随机抽样一致性方法计算图像对之间的基础矩阵。再如,在多幅图中采用DAISY特征描述符沿对极线进行搜索,利用奇异值分解的方法求解在所有图中均匹配成功的点的对应空间位置,避免了单幅图搜索可能存在的不确定性,同时利用重投影误差滤除大误差的点。最后,根据有条件的双重二次曲面拟合来近似真实物体表面,求取种子点初始方向。以上种子点的提取和后续空间一致生长都是在多层图像金字塔上进行的,进一步提高了算法效率和成功率。在生长环节,提出了一种空间一致生长策略。传统方法需要依赖参考图来寻找下一个生长点,即生长点的初始位置和方向是在一个局部坐标系确定的,随着参考图的更换,局部坐标系也随之发生改变。另外为了避免从质量不高的种子点生长出更低精度乃至错误的点,传统算法对种子点进行排序,优先从最优种子点进行生长,这种串行算法限制了其计算效率。本文提出的算法从所有种子点出发无差别地同步向外扩张生长,非常适用于并行计算;同时在一个固定的世界坐标系内,直接从每个种子点现有空间位置出发,沿其切平面确定生长点的空间初始位置,不需要间接依靠图像寻找生长点,也不需要在每幅图像上时刻记录哪些点已经生长完毕,有利于节省存储空间。进一步通过后续初始值矫正与错误点滤除等措施,本算法有效防止了从质量不高的种子点生长出更多低精度乃至错误的点,保证了每个空间点生长的相对独立性。另外在生长优化之前,从众多视图中挑选最佳主、副图参与优化,在优化过程中及时更新最佳主、副图以提高重建效率、精度和完整度,而传统的方法在生长点优化过程中通常不更换主图。同时,根据物体表面的纹理强弱自适应地调整各种生长参数,如窗口大小和图像金字塔层次等,以提高重建完整度。在新增加的初值矫正环节,提出了有条件的双重二次曲面拟合方法,根据已经生长完毕的点来拟合真实物体表面,进而对初始值进行矫正。从理论上来说,每个点的生长都是独立,即与其他区域是否已经重建完毕无关。但在实际中,生长点的初值来源于邻近种子点,如果初始值离真实表面较远,可能导致无法收敛或收敛到一个局部极小。通过初始值矫正可以有效地提高收敛速度和精度,为此首先判断邻域点是否足够稠密且以生长点位中心,如果条件满足,则进行第一次拟合,删除大误差点后进行第二次拟合,从而保证所拟合的曲面充分接近真实表面。接下来将生长点投影到拟合曲面,即可实现初始值矫正。在滤波环节,设计了叁个自适应滤波器,分别根据光滑一致性、深度一致性和方向一致性原理,对误差点进行检测滤波。一方面保证了误差点的有效滤除,另一方面又避免了正确点的无辜删除。在滤波过程中,为了排除局部曲率半径、邻域点密度、遮挡等因素的影响,首先进行条件判断,决定是否滤波;如果进行滤波,则自适应地调整滤波参数。本文对来源于Middlebury标准数据库、DTU标准数据库、VGG多视图叁维重建数据库和我们自己拍摄的不同类型实际场景进行了叁维重建,均取得了较好的重建结果,证明本算法具有较好的稳定性。与其他多视图叁维重建算法相比,本算法重建结果局部瑕疵与缺陷明显减少。定量评估结果表明,无论重建精度与重建完整度,本算法都位列前茅,特别是明显优于同类基于特征点生长的多视图叁维重建算法,证明本文对基于特征点生长的多视图叁维重建算法整体框架所进行的拓展,和对现有叁个环节的改进,成效十分明显。(本文来源于《华中师范大学》期刊2017-05-01）
视图一致论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对复杂环境因素影响下场景叁维重建结果难以同时获得高重建精度和高重建完整度的问题,提出一种基于空间一致生长的多视图叁维重建算法.该算法对基于特征点生长的叁维重建算法框架进行拓展,新增了有条件的初值矫正环节,同时对已有的生长和滤波环节进行更替和改进.首先使用SFM从输入图像中提取稀疏种子点;然后直接在固定的世界坐标系中从所有种子点出发向其邻近叁维空间扩展,得到生长点的初始位置和方向,并通过优化确定生长点的最终位置和方向,在优化前和优化中根据生长点的当前位置和方向不断选取和更换最佳主、副图,提高优化质量;再利用邻域已重建点云有条件地矫正生长点的位置和方向,并以此作为初值再次优化,避免优化收敛到局部极值,提高生长点的重建精度;最后设计光滑、深度和方向叁方面的自适应一致性滤波,在减少误删的同时及时删除误差点,防止误差蔓延.实验结果表明,文中算法的重建精度和完整度均明显超过当前流行的PMVS算法;与高精度DAISY算法相比,在完整度大大提高的前提下,该算法的精度与其基本持平.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
视图一致论文参考文献
[1].田泽,杨明,陈哲,石爱业.基于视图内字典原子不一致的多视图字典学习算法[J].南京信息工程大学学报(自然科学版).2019
[2].李亚兰,李志扬.采用空间一致生长策略的多视图叁维重建[J].计算机辅助设计与图形学学报.2018
[3].李亚兰.基于空间一致生长的多视图叁维重建[D].华中师范大学.2017