论文部分内容阅读
特征匹配技术作为图像处理领域热门研究对象,广泛应用于图像拼接、物体识别以及三维重建等多个领域。近年来特征点匹配课题的研究日渐成熟,特征线尤其是特征曲线因遮挡、断裂、形状不规则导致曲线匹配课题难度增大。现有曲线匹配算法很难兼顾高效率和匹配性能两方面,匹配正确率高的算法普遍计算复杂导致匹配时间较长;计算简单匹配时间较短的算法大都匹配正确率偏低。随着移动互联网的高速发展以及小型通信设备的广泛应用,急需一种匹配性能好、计算效率高的曲线匹配算法。
鉴于点匹配课题研究较为成熟,本文将特征点与特征曲线融合在一起,提出了点线特征融合的思想,创新之处有以下两个方面。
(1)针对曲线匹配的匹配性能问题,为提高曲线匹配正确率及匹配总数,本文将特征点、特征曲线相融合,提出了点线特征融合的误匹配剔除算法(Point Line feature Fusion,PLF)。PLF算法利用点与曲线的几何位置关系,定义特征点与特征曲线的距离计算。首先根据已有的特征点、特征曲线描述子提取点与曲线;然后根据落入特征曲线叠加区域内的匹配点组设计点线距离约束关系,剔除错误曲线匹配;最后根据匹配点对与匹配曲线对的几何关系设计点线距离约束,剔除错误点匹配。PLF算法能够有效的剔除错误匹配,且对多种点、曲线描述子组合都适用。
(2)为提高曲线匹配算法的计算效率问题,受特征点匹配的启发,提出了一种基于特征联合的曲线匹配加速算法。首先将曲线逐点提取的图像块压缩为类点的支撑区域,较大程度滤除曲线支撑区域内的冗余像素信息,根据支撑区域像素构建特征序列映射时节约大量时间;其次为弥补压缩曲线支撑区域带来的信息损失,联合支撑区域像素的灰度特征和梯度特征,更加细致的描述曲线;最后设计算法求取匹配图像的相似矩阵,根据NNDR准则实现曲线匹配。本算法能够保证现有算法正确率的情况下,匹配时间约为亮度序描述子IOCD的1/6,约为梯度序描述子GOCD的1/15,基于特征联合的曲线匹配加速算法有效缩短匹配时间,提高曲线匹配算法的计算效率。
实验表明:本文提出的两种基于点线特征融合的曲线匹配算法,在多种变化图像上表现较好的效果,前者极大的提高了特征匹配性能,后者有效的提高了现有曲线匹配算法的计算效率。
鉴于点匹配课题研究较为成熟,本文将特征点与特征曲线融合在一起,提出了点线特征融合的思想,创新之处有以下两个方面。
(1)针对曲线匹配的匹配性能问题,为提高曲线匹配正确率及匹配总数,本文将特征点、特征曲线相融合,提出了点线特征融合的误匹配剔除算法(Point Line feature Fusion,PLF)。PLF算法利用点与曲线的几何位置关系,定义特征点与特征曲线的距离计算。首先根据已有的特征点、特征曲线描述子提取点与曲线;然后根据落入特征曲线叠加区域内的匹配点组设计点线距离约束关系,剔除错误曲线匹配;最后根据匹配点对与匹配曲线对的几何关系设计点线距离约束,剔除错误点匹配。PLF算法能够有效的剔除错误匹配,且对多种点、曲线描述子组合都适用。
(2)为提高曲线匹配算法的计算效率问题,受特征点匹配的启发,提出了一种基于特征联合的曲线匹配加速算法。首先将曲线逐点提取的图像块压缩为类点的支撑区域,较大程度滤除曲线支撑区域内的冗余像素信息,根据支撑区域像素构建特征序列映射时节约大量时间;其次为弥补压缩曲线支撑区域带来的信息损失,联合支撑区域像素的灰度特征和梯度特征,更加细致的描述曲线;最后设计算法求取匹配图像的相似矩阵,根据NNDR准则实现曲线匹配。本算法能够保证现有算法正确率的情况下,匹配时间约为亮度序描述子IOCD的1/6,约为梯度序描述子GOCD的1/15,基于特征联合的曲线匹配加速算法有效缩短匹配时间,提高曲线匹配算法的计算效率。
实验表明:本文提出的两种基于点线特征融合的曲线匹配算法,在多种变化图像上表现较好的效果,前者极大的提高了特征匹配性能,后者有效的提高了现有曲线匹配算法的计算效率。