基于特征点提取与点集匹配的图像匹配算法研究

摘要

随着人工智能技术的迅速发展，计算机视觉科学也获得了新的契机和广泛发展，作为计算机视觉领域和众多人工智能应用的基础，图像匹配技术受到了国内外研究者和公司的广泛关注。图像匹配问题发展非常多年，诞生了各种各样的图像匹配算法，包括在整个匹配框架下的特征提取算法和特征描述方法，本论文对此领域做了总结和深入性介绍，并通过实验对比了多种技术的特点和适用性。然而，图像匹配中通常存在误匹配的问题，寻找可靠的特征的对应匹配关系是计算机视觉中重要而且有挑战的任务。匹配问题天然具有组合的性质，使得包含所有可能匹配关系的匹配空间较大。即使不考虑其中的异常点，一个简单的N点到N点的匹配问题也会有N!种置换。解决这个问题通常的做法是通过引入相似性约束构造一个假设对应关系组，从而降低可能的匹配集，这种方法约束点只能匹配和它具有相似描述子的点。这样，匹配问题就归结为在假设集合下确定每个匹配的正确性。 在过去的几十年间，研究者提出了大量的鲁棒估计方法去解决误匹配剔除问题。然而，在面对很多实际应用问题时，设计一种有效的适应该问题的算法依然具有很大的挑战性。首先，仅仅适用局部描述子不可避免地带来大量错误匹配，尤其在待匹配图像具有低质量，遮挡和重复结构的时候效果更差。其次，实际世界中两幅图像之间的理论变换模型是变化多样的，因此设计一种通用的算法非常困难。最后，较高的计算代价，尤其是在面对非刚性变化时，限制了其在实际任务中的应用，尤其是实时性的任务。 基于这些分析，本论文设计了一种快速有效的误匹配剔除算法。对于同一场景或者物体的一对或一组图像，随着视角的变化或者非刚性的变化，两组特征点之间的绝对距离可能发生显著的变化，然而，特征点之间的表示图像场景的拓扑结构的空间邻域关系通常会由于一些物理约束而被保持。基于这个事实，我们可以建立一个数学模型，使得内在对应关系具有相似的局部邻域结构信息。这种建模方式具有一般化性质，可以处理两个图像之间刚性变换和非刚性变换相关问题。我们导出了该模型的闭式解，并且推导发现其具有线性对数的时间复杂度。在理论建模和复杂度分析基础之上，本论文设计了几组有效性验证试验，在图像匹配的经典数据集Mikolajczyk数据集及其他复杂实际图像上的实验均验证了该方法可以处理绝大多数种类图像变换下的误匹配剔除问题，而且其运行速度较快，在几毫秒的时间可以识别处理超过1000个假定匹配中的奇异点（外点），因此该方法可以为许多复杂的特定的匹配问题提供一个快速的初始化，也可以直接应用于一些匹配问题，满足实时性应用需求。

目录

第一个书签之前