LSS：local self-similarity descriptor

《Matching Local Self-Similarities across Images and Videos》，2007，CVPR

         局部自相似描述子：

         通常以前的描述子都假设相似的图像间会有相同的视觉特征，比如像素点的颜色、梯度、边缘等。通过提取这些特征，可以比对两张图像的相似度，诸如SIFT。

       但是如上图所示，它们之间没有相同的底层特征。但是它们各自局部自相似部分的几何布局一样。就是说在相似的相对位置上，具有相似的描述子值。所以LSS可以做到检测出不同人不同背景不同着装做出的同一个复杂动作。

      如上面两张图，取出对应的三个点，它们的自相似描述子非常类似（右边的圈圈）。

      如何产生自相似描述子？

      首先针对一个像素点q，以它为中心取一个patch（通常5*5），再以它为中心取一个region(比如以40个像素点为半径的区域）。

      然后再对取出的区域，用如下公式 （1）计算相关面correlation surface：

    

      再把这个相关面转化为a binned log-polar representation，即q为中心，转化为log极坐标，再分成80个bin，20个角度区间，4个半径区间。在每个bin里面取最大值，就可以形成自相关描述子矢量d q 。因为是基于统计的，所以可以对抗一定的局部变形。

      要比较两张图片，就各自密集得计算出各个点的自相似描述子，再把描述子的相对位置附上，组合在一起就有了一张图像的表示方法。要找到两张图像的匹配区域，就是找到两张图像中一堆描述子的集合，它们有相近的值，相似的位置。

     over~~