圖像匹配方法研究綜述
摘要：目的圖像匹配作為計算機視覺的核心任務,是后續高級圖像處理的關鍵,如目標識別、圖像拼接、3維重建、視覺定位、場景深度計算等。本文從局部不變特征點、直線、區域匹配3個方面對圖像匹配方法予以綜述。方法局部不變特征點匹配在圖像匹配領域發展中最早出現,對這類方法中經典的算法本文僅予以簡述,對于近年來新出現的方法予以重點介紹,尤其是基于深度學習的匹配方法,包括時間不變特征檢測器(TILDE)、Quad-networks、深度卷積特征點描述符(Deep Desc)、基于學習的不變特征變換(LIFT)等。由于外點剔除類方法常用于提高局部不變點特征匹配的準確率,因此也對這類方法予以介紹,包括用于全局運動建模的雙邊函數(BF)、基于網格的運動統計(GMS)、向量場一致性估計(VFC)等。與局部不變特征點相比,線包含更多場景和對象的結構信息,更適用于具有重復紋理信息的像對匹配中,線匹配的研究需要克服包括端點位置不準確、線段外觀不明顯、線段碎片等問題,解決這類問題的方法有線帶描述符(LBD)、基于上下文和表面的線匹配(CA)、基于點對應的線匹配(LP)、共面線點投影不變量法等,本文從問題解決過程的角度對這類方法予以介紹。區域匹配從區域特征提取與匹配、模板匹配兩個角度對這類算法予以介紹,典型的區域特征提取與匹配方法包括最大穩定極值區域(MSER)、基于樹的莫爾斯區域(TBMR),模板匹配包括快速仿射模板匹配(FAs T-Match)、彩色圖像的快速仿射模板匹配(CFASTMatch)、具有變形和多樣性的相似性度量(DDIS)、遮擋感知模板匹配(OATM),以及深度學習類的方法MatchNet、L2-Net、PN-Net、Deep CD等。結果本文從局部不變特征點、直線、區域3個方面對圖像匹配方法進行總結對比,包括特征匹配方法中影響因素的比較、基于深度學習類匹配方法的比較等,給出這
注: 保護知識產權,如需閱讀全文請聯系中國圖象圖形學報雜志社
相關推薦
更多
