Jim dot NET 技术总是用来服务于人的。 Technique must serve people all the time.

1. 形状上一点的SC是它到其他点的d-bins theta-log(r)直方图。两个SC的距离是它们的Chi^2距离。每个形状用s个采样点，就用s个d-bins的SC来描述它。
2. Generalized Shape Context是通过SC对点的切向量进行统计，GSC的每个槽的值是落在SC中对应槽内的点的切向量之和。两个GSC的距离是它们的Chi^2距离。（后来又说是将切向量展开成单位x, y值得到长为2-d的向量，两者之差的L^2 norm是其距离，不知道哪个准了……）
3. Representative Shape Context是从待查询形状Q上随机取的r个SC，这些SC都是按完整的采样点集来计算的。Q的RSC与模板形状Si的距离是这r个SC与Si中的s个SC的最小距离之和。这样两个形状间的距离计算从s*s*d变成了s*r*d，因为通常s是r的20倍以上，所以速度快了不少。
4. 将模板库中出现的SC聚成k类，每个类的中心叫一个Shapeme。对模板库的每个形状Si统计，将其形状上下文分别量化到最近的Shapeme，得到一个对Shapeme统计的K槽直方图。对待查询形状也进行这样的统计。用一个k-bins Shapeme直方图代替了原来的s个d-bins 形状上下文。两个Shapeme直方图的距离是它们的Chi^2距离。通过这样的量化将对s*d的比较变成k的比较，速度很快，精度损失却不大。

更多慢慢看