没有合适的资源?快使用搜索试试~ 我知道了~
局部物体块匹配的图像匹配算法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 134 浏览量
2022-11-29
17:40:47
上传
评论
收藏 2.58MB DOCX 举报
温馨提示
试读
17页
局部物体块匹配的图像匹配算法.docx
资源推荐
资源详情
资源评论
� 图像是对真实复杂世界的映射成像,其本质上是由若干像素排列组合而
成,图像特征则是对复杂的图像信息进行抽象、简化的表达
[1]
,在此基础上才能进
一步完成各种视觉任务,如图像检索
[2]
、图像识别
[3]
等。图像匹配算法一般通过构
建整幅图像的特征表达计算图像相似度
[4]
,根据图像相似度数值判断匹配结果。整
体来讲,图像匹配算法可以分为两大类
[5]
:(1)在提取图像局部特征的基础上构
建整幅图像的向量表达,如基于词汇带模型(bag of words,BoW)的图像表达方
法
[6]
。(2)基于深度学习的图像匹配方法,该方法主要是利用孪生神经
(Siamese) 网络
[7]进行
图像匹配,网络输入为两张图像,输出即为图像匹配结
果。文献[8]提出了一种端到端的基于 Siamese 网络的物体块匹配模型,即
MatchNet。该网络将特征提取与相似度计算过程融合在一起,一定程度上限制了
其在视觉任务中应用的灵活性。文献[9]基于 Siamese 网络提取物体块特征,通过
挖掘一些硬样本来提高网络训练的效率。由于该 Siamese 网络仅包含 3 个卷积
层,难以充分描述物体块中的非线性结构信息,因此,物体块特征的表达能力存在
一定的局限。文献[10]基于深度卷积神经网络将初始物体块投影至特征空间,使得
在特征空间中匹配物体块的距离较小,非匹配物体块的距离较大。文献[3,11]直
接利用 Siamese 网络进行整幅图像的匹配,基于深度卷积网络构建整幅图像的特
征表达,该图像特征具有很强的泛化能力。
一般的图像匹配方法通过直接对整幅图像进行特征表达来完成图像匹配,由于一些
匹配图像中存在大量的不匹配内容,这些内容不可避免地参与了图像的匹配计算,
很大程度上影响了图像匹配结果。图 1 所示为一组匹配图像,红色方框内的区域
为两张图像中的匹配物体块,红色方框外的大部分区域都是非匹配的无关内容,且
这些无关内容占据了图像的主体,如果直接从整幅图像出发来判断图像是否匹配,
这些占据图像主体的不匹配内容会大大干扰图像匹配的结果,一定程度上限制了匹
配性能。而相较于整幅图像的匹配,单纯地进行物体块匹配会更加容易。
图 1 匹配图像及其匹配物体块
Figure 1. Matched Images and Consistent Object Patches
下载: 全尺寸图片 幻灯片
因此,本文从局部物体块入手,基于 Siamese 特征提取网络构建物体块的本
质表达,通过在图像中匹配相同的物体块判定整幅图像是否匹配。
1. 局部物体块匹配
本文将整幅图像的匹配问题转化为图像中局部物体块的匹配,整体的图像匹
配流程包括采用边缘盒算法
[12]
检测图像中包含的物体块、采用 Siamese 网络提取
物体块深度特征、采用相互匹配机制检测图像对中的匹配物体块。其中,局部物体
块深度特征提取是图像匹配的核心环节,本文采用对比机制对深度特征提取网络进
行训练,训练结果使得匹配物体块间的特征距离较小,非匹配物体块间的特征距离
较大。
1.1 物体块检测
本文采用边缘盒算法
[12]
检测图像中的物体块,具体过程为:
1)边缘图像生成。对图像进行边缘检测
[13]
,获取稠密的边缘图像,如图 2 所
示,图 2(a)为原始图像,图 2(b)为其边缘图像。由于边缘图像比较紧密,
利用非极大值抑制算法(non maximum suppression,NMS)对其进行稀疏化处
理。
图 2 边缘图像示意图
Figure 2. Demonstration of the Edge Image
下载: 全尺寸图片 幻灯片
2)边缘组构建。在稀疏的边缘图像中,将近乎在一条直线上的边缘点组合起
来构建边缘组,具体过程为:任意选取一个边缘点为起始点,不断寻找与其 8 连通
的边缘点,累加两两边缘点之间的方向角度差值,直至累加值大于 π/2π/2,将寻
找过的边缘点设置为一个边缘组,最终将整幅图像上所有的边缘点聚合成若干边缘
组。
3)边缘组聚合。对于图像中生成的若干边缘组,计算相邻边缘组间的相似
度,若相邻边缘组之间的均值夹角接近于边缘组的方向,说明这两个边缘组具有较
高的相似度,属于同一个物体,对具有较高相似度的边缘组进行聚合。聚合后的边
缘组包含了物体的外边缘信息,根据聚合后边缘组所在的区域范围生成对应物体的
外包围盒。
在物体块检测的基础上,为了构建各物体块的特征表达,需要调整物体块尺
寸(64×64 像素)以满足特征提取网络的输入要求。为了减少物体块缩放对特征提
取的影响,本文对物体块的原始尺寸进行约束,公式为:
64×64<W×H<256×256 ]]>
0.5<W/H<2.0 ]]>
式中,W、H 分别为物体块的宽度与高度。
通过控制物体块的长度与宽度,剔除尺寸过小或者过大,以及长宽差异较大
的物体块。图 3 所示为检测到的物体块外包围盒示意图,物体块尺寸适中、形状
方正,在缩放过程中产生的形变也相对较少,为构建具有较强表达能力的物体块特
征提供了良好的条件。
图 3 检测到的物体块外包围盒
Figure 3. Bounding Boxes of the Detected Objects
下载: 全尺寸图片 幻灯片
1.2 Siamese 特征提取网络
物体块特征旨在表达区域物体的本质性的不变信息,其不因物体在图像中呈
现形态的变化而变化,同时不同物体的特征又存在着本质的区别。物体特征这种既
能维持自身稳定,又能与其他物体进行有效区分的能力,也叫做特征的表达能力
[14]
。
本文利用 Siamese 网络提取物体块深度特征,基于公共数据集训练特征提取
网络,网络输入为局部物体块,输出为构建的物体块特征。训练过程中,同时输入
剩余16页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3591
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功