计算机视觉(全英文)/中国科大校友文库

《计算机视觉(全英文)》：当代科学技术基础理论与前沿问题研究丛书:中国科学技术大学校友文库,“十一五”国家重点图书 

《计算机视觉(全英文)》是由一些综述性或原始研究论文组成的，涉及了计算机视觉的各个领域。包括图像分割和标注、人脸和生物特征识别、图像配准、基于视频内容的分析和三维重建。每篇论文的作者至少有一位是中国科学技术大学信息学院的毕业生。
《计算机视觉(全英文)》可供计算机专业高年级本科生、研究生以及相关领域的科研人员使用。 

罗杰波，云南昆明人，1989年于中国科学技术大学本科毕业，1995年于美国罗切斯特大学获得博士学位。现任柯达公司研究院首席科学家，研究领域包括图像处理、模式识刚、计算机视觉、多媒体信息挖掘、生物医学信息学等。他以在电子成像和视频通信方而的杰出成就当选SPIE Fellow(2008)，以在语义图像理解和智能图像处理等方面的贡献当选IEEE Fellow(2009)，以在图像视频内容识别中采用概率上下文模型的开创性工作当选IAPR Fellow(2010)。
汤晓鸥，辽宁鞍山人，1990年于中国科学技术大学本科毕业，1996年于麻省理工学院获得博士学位。现任香港中文大学工程学院副院长及信息工程系教授，2005年至2008年于微软亚洲研究院担任视觉计算组主任，研究领域主要有计算机视觉、模式识别和视频处理等。他以在模式识别和视频处理等方面的贡献当选IEEE Fellow(2009)。
徐东，四川大竹人，2001年和2005年于中国科学技术大学电子工程与信息科学系分别获得本科和博士学位，2006年在美国哥伦比亚大学做博士后。现任教于新加坡南洋理工大学计算机工程系，研究方向包括计算机视觉和多媒体信息处理，住靠前有名学术期刊和学术会议上共发表了40余篇沦文。 

Preface to the USTC alumni's series
Preface
Part Ⅰ Segmentation and Registration
Chapter 1
Graph Cuts Based Active Contours (GCBAC)
Chapter 2
A Novel Region Constrained Non-Rigid Image Registration FramewQrk

Part Ⅱ Face and Biometrics
Chapter 3
Parallel Image Matrix Compression for Face Recognition
Chapter 4
Facial Expression Recognition Based on Statistical Local Features
Chapter 5
A Hierarchical Compositional Model for Face Representation and Sketching
Chapter 6
A Brief Introduction to Skeleton-Based Fingerprint Minutiae Extraction

Part Ⅲ Image Annotation
Chapter 7
Image Transform Bootstrapping and Its Applications to Semantic Scene Classification
Chapter 8
Bipartite Graph Reinforcement Model for Web Image Annotation

Part Ⅳ Video Analysis
Chapter 9
Motion Estimation Based on Trilinear and Optical Flow Constraints
Chapter 10
Appearance Modeling for Visual Tracking
Chapter 11
Robust Monocular 3D Tracking of Articulated Arm Movement
Chapter 12
Video Classification via Local 3D Eigen Analysis
Chapter 13
Video Annotation: Supervised, Semi-Supervised and Active Learning Approaches

Part Ⅴ 3D Reconstruction
Chapter 14
Rapid 3D Modeling from a Single Image Based on Minimal 2D Control Points
Chapter 15
Quasiconvex Optimization for Robust Geometric Reconstruction
Chapter 16
Deformable Structure from Motion: A Factorization Scheme 

    Indeed
    we
    are
    far
    from
    the
    first
    who
    tried
    to
    patch
    spatial
    and
    temporal
    information
    together
    for
    a
    better
    understanding
    of
    the
    world:
    The
    4D
    event
    space
    and
    light
    cone
    in
    special
    relativity
    put
    forward
    by
    Einstein
    have
    been
    the
    foundation
    of
    modern
    physics
    for
    about
    one
    century
    [34].
    Even
    in
    video
    understanding
    several
    research
    groups
    have
    come
    to
    the
    realization
    of
    the
    benefits
    provided
    by
    patching
    videos
    in
    the
    temporal
    direction.
    Stauffer
    and
    Grimson
    developed
    the
    concept
    of
    pixel
    process
    ,
    where
    a
    pixel
    process
    for
    a
    video,
    a
    1D
    data,
    is
    formed
    by
    threading
    pixels
    of
    the
    same
    location
    in
    each
    frame
    in
    videos.
    They
    have
    applied
    this
    novel
    concept
    with
    valuable
    performance
    in
    a
    series
    of
    scene
    monitoring
    and
    tracking
    applications
    within
    the
    framework
    of
    background
    subtraction.
    Chin
    and
    colleagues
    proposed
    a
    temporal
    segmentation
    method
    based
    on
    a
    2D
    image
    which
    is
    formed
    by
    stacking
    collinear
    pixels
    in
    a
    video.
    The
    cut
    detection
    is
    then
    transformed
    into
    a
    line
    detection
    problem
    in
    this
    2D
    spatial-temporal
    image,
    which
    can
    be
    achieved
    more
    effectively.
    As
    can
    be
    seen
    these
    two
    methods
    entirely
    exploited
    temporal
    redundancies
    but
    fell
    short
    of
    taking
    full
    advantage
    of
    spatial
    redundancies.
    Nonetheless,
    the
    E1
    time
    series
    for
    pixel
    process
    and
    E2
    time
    frames
    are
    powerful
    enough
    to
    solve
    their
    respective
    problems
    elegantly.
    ……