而构造出非线性尺度空间, 具有比较好的特征点可重复检测特性, 但是也付出
了高昂的计算成本. 在后续研究中虽然提出了加速版的 A-KAZE (Accelerated
KAZE)
[10]
, 但其特征检测性能不如 KAZE, 其尺度不变性不如 SIFT 鲁棒, 不太
适 合 应 用 于 高 分 辨 的 壁 画 图 像 . 相 较 于 SIFT 利 用 高 斯 差 分 (Difference of
Gaussians, DoG)算子检测特征点, 2020 年 Cho 等
[11]
提出了一种特征检测算法,
该算法 引入了高斯 拉普拉斯(Laplacian of Gaussian, LoG)算子及其 高阶导数
(HLoG)来构造尺 度空间, 并 对其特征 检测进行 了实验验 证, 取得了比较好 的
结果; 但该算法对具体图像的参数确定比较困难, 稳定性方面也存在问题, 因
而还达不到实用的要求. 在深度学习领域中, 近几年也提出了一些新颖的特征
检测和描述算法
[12-14]
, 但这些算法存在着两个棘手问题: 一是需要大量的训练
样本; 二是泛化性还没有解决, 所以暂时还不适合应用于样本非常稀缺的洞窟
壁画上.
特征点匹配可以分为初匹配和匹配验证两个阶段: 第一阶段比较主流的初
匹配方法是暴力匹配法(Brute Force Matching, BFM), 该方法对每个特征点生
成一个特征描述向量(也称特征描述符), 对每个特征点用全遍历方式从另一幅
图像里寻找与该特征点的特征向量最相似的特征点作为其匹配点对; 第二阶段
的匹配 验证的目的是消除在 初匹配中 的误匹配点对, 通常使用随机抽 样一致
算法(Random Sample Consensus, RANSAC)
[15]
和最小二乘方回归算法(Least
Median of Squares, LMedS)
[16]
. 从理论角度来说, 如果初匹配中野点数(离群
点)与内点数之比较高时(一般为大于 50%), 那么基于上述两种算法验证后的匹
配 精 度 就 会 降 低 , 甚 至 很 差 . 后 来 又 相 继 提 出 了 一 些 改 进 的 方 法 , 例 如 ,
Fotouhi 等
[17]
根据特征描述最相近与次相近的匹配点之间的距离比来构造一组
可靠的特征匹配点, 并用这些基准点来区分正确点和离群点; Lin 等
[18]
根据正确
匹配点之间的相干性(Coherence Property), 再通过一种非线性回归的方法来
去除离群点; Chou 等
[19]
提出了一种分两阶段进行抽样和平面投票的匹配法, 用
于剔除离群点. 但是这些方法几乎都是针对验证处理, 不能减少第一阶段的无
效匹配, 只能消除错误的对应关系. 另外, 通过实验还发现, 在特征点匹配处
理中, 暴力匹配的计算时间成本占据了整个处理过程的 80%.
根据以上分 析 , 本文解明了目前图 像 特征点匹配的主流 算 法中存在的问
题: ①特征点检测算法对灰度图像比较有效, 但对彩色图像效果不好; ②初匹
配的时间消耗占整个图像匹配过程的 80%左右; ③当野点较多时, RANSAC 算
评论0
最新资源