论文部分内容阅读
近年来,图像匹配技术已普遍应用于生活中的各个领域,如医学方面的病症检测与识别、天气方面的云图识别、铁路交通中的身份证人脸识别、安全监控中的指纹识别、军事领域中危险目标检测等。随着近几年机器学习、深度学习以及人工智能技术的兴起,传统的图像处理技术不断受到冲击,然而深度学习在运用不断成熟的基础上,缺点也渐渐体现出来,如:数据集的匮乏、设备资源的限制、应用场景的适应以及时间成本的消耗等。传统的图像处理的相关技术越来越成熟化,图像匹配技术作为基本的分支依然起着重要的基础作用。图像的匹配算法主要包含两大类:基于灰度相关的匹配算法和基于特征的图像匹配算法。基于灰度相关的算法需要结合图像中所有像素点的灰度信息进行处理,导致整个过程的计算量大,运行速度慢,同时对图片的灰度变化较为敏感。基于特征的算法对于图像本身的依赖性较弱,运算复杂度较低。因此,基于特征的图像匹配算法一直是人们研究的热点之一。本文对基于局部不变特征图像匹配算法问题进行分析与研究,同时利用特征匹配的特点在目标跟踪中进行应用,主要工作如下:(1)深入学习研究SIFT、SURF、ORB和Harris几种特征匹配算法的优缺点。SIFT算法的优势在于尺度不变性、旋转不变性和对光照较好的鲁棒性,缺点是实时性较差;SURF算法是在SIFT算法的基础上进行改进,算法性能在原基础上有一定的提升;Harris算法主要检测图像中角点或直线,特征点分布较密集,不具备尺度不变性;ORB算法最明显的优势是良好的实时性,同时缺点是不具备尺度不变性以及特征点分布不均匀。结合SURF和ORB算法对于尺度变化的优势和良好的实时性,提出了一种基于SURF和ORB的特征匹配方法。(2)根据要求提出的算法需要结合SURF和ORB算法的特征检测,运用ORB的特征描述进行特征描述。ORB算法采用FAST特征检测获取的特征点比较密集,因此在特征检测时SURF代替FAST获取特征点;其次ORB算法的空间结构设计不适应图像尺度变化,改进空间结构的设计比例,使得改进的算法满足尺度不变性要求。在特征匹配的过程中,对误匹配删除算法进行改进,对匹配特征点对进行错误删除,提高匹配的准确率。通过周围环境拍摄的图像和标准数据集(Mikolajczyk)中的图像进行实验验证,改进后的S-ORB算法在图像存在旋转角度和尺度变化的情况中,整体的匹配性能较ORB算法和SURF算法有所改善,算法在匹配准确率方面表现良好。(3)将改进的特征匹配算法与目标跟踪结合,详细研究TLD目标跟踪算法的各个模块的实现原理与过程,进而实现对算法的改进。首先详细研究分析了常用的几种目标检测跟踪算法,主要研究了TLD算法的实现过程。TLD算法将跟踪任务分解为检测、学习和跟踪三个部分实现。在研究中发现跟踪模块中图像特征点的选取采用LK光流法进行特征点的定位与选取,本文将特征匹配与误匹配删除算法结合而代替光流法实现图像特征匹配。实验结果验证,改进后的SOG_TLD算法对整体算法的运行速度有明显提升,算法跟踪的准确率较原算法有所改进,对图像旋转、尺度变化的适应都有所改善。