基于局部特征集合的圖像匹配技術(shù)研究與應(yīng)用.pdf

1、作為計算機(jī)視覺的基礎(chǔ)，圖像匹配技術(shù)給出兩幅圖像的相關(guān)性衡量，它在三維重構(gòu)、圖像分類、模式識別、機(jī)器人定位、圖像檢索等領(lǐng)域得到了良好的應(yīng)用，而相比于基于全局信息的圖像匹配技術(shù)，基于局部特征集合（如SIFT特征集合）的圖像匹配技術(shù)性能更好，應(yīng)用更廣泛。本文在深入研究當(dāng)前一些局部特征提取算法理論的基礎(chǔ)上，提出維度分割金字塔匹配算法（也稱維度分割金字塔匹配核算法），其快速準(zhǔn)確的給出了基于局部特征集合的兩幅圖像匹配程度衡量，因而能夠應(yīng)用于上述各個

2、領(lǐng)域。
　　 本文主要工作包括：
　　 (1)．研究比較了當(dāng)前各先進(jìn)特征提取算法的特點。仿射不變的特征因不受成像時的角度、尺度等的影響，所以與其它方式的特征相比，在穩(wěn)健性、重復(fù)率、區(qū)分度、適用范圍方面具有很大的優(yōu)勢。本文比較了當(dāng)前主流的圖像局部仿射不變特征提取算法（包括圖像仿射不變區(qū)域的檢測算法，以及基于仿射不變區(qū)域的特征提取算法）的優(yōu)缺點及適用的不同場景類型、不同成像條件，給出不同算法間的比較基準(zhǔn)以及基于各算法的匹配性

3、能試驗結(jié)果。
　　 (2).針對當(dāng)前基于局部特征集合的圖像匹配技術(shù)的不足，本文在Grauman等提出的金字塔匹配核算法(Pyramid Matching Kernel, PMK)基礎(chǔ)上，提出維度分割金字塔匹配核算法(Dimension Partition-PMK, DP-PMK)，并用來估算兩個局部特征集合所分別表示的圖像之間的相似度。其核心思想是不斷分割高維空間，產(chǎn)生一系列低維子空間，在各子空間內(nèi)把局部特征集映射到多分辨率直方

4、圖中，加權(quán)求和兩個匹配特征集在各分辨率下的最優(yōu)匹配數(shù)，并將求和值作為該子空間內(nèi)相似度衡量，最后統(tǒng)計每一特征子空間中的相似性標(biāo)量值，作為兩個匹配局部特征集合的相似度。不同于目前大部分局部特征集匹配算法的二次甚至三次時間計算復(fù)雜度，DP-PMK只有對特征集合數(shù)目的線性時間復(fù)雜度，對特征集合數(shù)目、維數(shù)等沒有限制，且支持部分匹配，同時消除了原金字塔匹配核算法的高維性能下降問題。
　　 (3).通過模型優(yōu)化，將本文提出的DP-PMK算法應(yīng)

5、用于圖像分類領(lǐng)域，給出了基于本文提出算法的支持向量機(jī)多分類實驗結(jié)果。由兩兩特征集合間的匹配值K組成的核矩陣K，其對角元素表示的是特征集合與自身的相似度。通過引入具有對角元素遠(yuǎn)大于非對角元素性質(zhì)的基核，使得K成為半正定陣，從而適合作為SVM等的核函數(shù)，用來求解分類問題。在兩個數(shù)據(jù)集(Caltech-101、ETH-80)上的多分類實驗表明，相對于其它相應(yīng)改進(jìn)算法需要增加幾十倍原PMK的計算時間，DP-PMK只增加4-6倍左右的計算時間就能