论文部分内容阅读
标志图(Logo)是众多图像类型中较为特殊的一类图像。从实际意义上讲,它包含一定的信息,如商品、组织、队伍和国家等信息。在信息爆炸的今天,图像中标志图匹配技术对图像情报收集、商业信息统计和新闻信息采集等方面的应用都有着十分重要的研究意义。图像中标志图匹配是图像匹配研究领域中的一个具体应用。由于标志图的形式比较简单,色彩和纹理等信息较少,如何在复杂的场景中高配准率的匹配到目标样本标志图,一直是该领域研究中的一个难点。本文的主要研究工作及创新点包括:一、提出了图像中标志图匹配技术结构框架。为了准确匹配图像中标志图,本文首先分析了标志图匹配中的重点难点问题;然后有针对性的提出了各个问题的关键技术;最后在此基础上提出了图像中标志图匹配技术的结构框架。二、结合本文研究背景,研究了当前主流的特征提取和描述算法:SIFT(Scale-Invariant Feature Transform,SIFT)算法和SURF(Speeded-Up Robust Features,SURF)算法,并通过实验对比,全面分析了两类算法的优缺点,最终选取了适用于图像中标志图匹配的特征提取与描述算法(SIFT算法)。三、提出了一种基于点相互关系的特征点匹配方法。本文介绍了特征点初匹配方法和随机抽样一致性(RANSAC)匹配对提纯方法。鉴于当前大多数的特征点匹配算法只考虑了样本特征点与目标特征点的关系,本文首先对特征提取后的特征点集进行预处理,并将同一特征点集中特征点间的相互关系作为约束引入到匹配中,建立了一个匹配代价函数。并将该匹配代价函数转化为一个线性问题,求解该线性问题以达到特征点匹配目的。四、本文在标准测试集和自采集数据集上,进行了大量的对比实验和分析。通过实验检验了本文选取的特征提取与描述算法(SIFT算法)的适用性和有效性。本文与RANSAC算法进行对比,验证了本文提出的特征点匹配算法在标志图匹配应用中的有效性和鲁棒性。实验效果显示本文算法比RANSAC算法在本文应用背景下配准率更高。