欢迎来到天天文库
浏览记录
ID:28664975
大小:713.72 KB
页数:17页
时间:2018-12-12
《基于宽基线的弱纹理特征点提取与匹配方法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、基于宽基线的弱纹理特征点提取与匹配方法研究摘要随着计算机技术与高分辨率CCD数码相机技术的高速发展,其灵活,快捷以及非接触等优势使其成为了获取三维空间信息的主要方式之一。其中,从不同视角对同一场景进行拍摄,在所得到的图像序列中得到可靠的对应点是该技术的关键问题之一,并且其也是后续数据分析,三维重建等的基础,另一方面,由于传统的特征点提取方法不能在弱纹理区域中提取可靠的对应点,因此其成为了该领域亟待解决的难点之一。本文针对该问题进行了研究。论文涉及模式识别,寻优算法,数字图像处理等多学科的理论方法
2、。主要包括:1.介绍了特征点提取与匹配方法的基本原理,详细地阐述和总结了国内外对特征点提取方法的的研究进展和现况及其应用领域;概述了将其应用于三维重建中所涉及到的关键技术,并介绍了模式识别中相关方法的理论及其在各自领域中相应的应用,包括:稀疏表示,图割算法以及Meanshift算法,为本文所研究的基于宽基线的弱纹理特征点的提取与匹配算法提供了理论依据和基本思路。2.对弱纹理区域的特点进行了研究,提出了一种适用于提取弱纹理区域中特征点的方法。该方法基于区域局部自相似性的概念提取图像中自相似性较高的
3、点作为相应的特征点,另一方面,由于弱纹理特征点的特征不明显,因而较难找到一种合适的特征描述子对其特征进行描述,从而使得传统的基于欧氏距离的特征点匹配方法对其并不适用,因此,设计了一种基于稀疏表示的特征点匹配方法,该方法对特征描述子的选取并不敏感,且其具有较强的稳定性及鲁棒性。实验结果表明该方法对弱纹理特征点的匹配准确率要远远高于传统的基于欧式距离的匹配效果。3.为了将传统特征点提取算子及匹配方法的适用性进行扩展,使其能够在图像弱纹理区域中提取到相应的特征点并进行准确的匹配,提出了一种基于纹理合成
4、的弱纹理特征点提取方法。该方法以纹理合成算法为基础,并采用仿射变换将所合成的纹理分别添加到图像对的弱纹理区域中替换之前的弱纹理区域,此外,为了确保所添加后的纹理的准确性(即,若之前在弱纹理区域中对应的点,在替换后仍为对应点),我们采用图割算法(GraphCut)对所提取到的特征点对进行修正,通常采用这种粗匹配到精确匹配相结合的特征点匹配方法,建立了一套基于纹理合成的弱纹理特征点匹配机制。通过对各种包含弱纹理的图像进行实验验证,结果证明本方法在扩展了传统特征点提取方法的基础上,保证了较高的匹配准确
5、率,可用于宽基线下对弱纹理区域的稠密匹配。4.传统的深度图像大多是在窄基线的情况下所生成的,但该方法不具有通用性,并且所受限制条件过多,另一方面,由于传统的特征点提取方法可在宽基线情况下提取到相应的特征点,但由于其提取出的特征点周围一般都具有较强的纹理特征,但在现实环境中往往存在大量的弱纹理区域,因而该方法较难应用于实际中。为此,我们提出了一种基于Meanshift的特征描述机制,根据每一点周围的纹理强度,采用Meanshift算法找出其对应的区域,根据该区域给出对应的特征描述子,最后,利用极线
6、约束在极线上找到匹配的特征点,并根据匹配结果采用图割算法调节相应的能量函数来得到最终的深度图像。实验结果表明,该方法能够在宽基线下得到较为准确的深度图像,扩展了传统立体匹配的适用范围。论文最后对所做的研究工作进行了总结,并对下一步的研究内容及研究方向进行了讨论和展望。第一章绪论1.研究背景和意义随着计算机,半导体以及通信技术的快速发展,人类生活的各个领域正向着高度信息化的方向所发展。在所有信息中视觉系统承担了人类处理,感知和理解外部世界信息的绝大部分工作,实际生活中,人类所获取信息总量的75%以
7、上来自视觉系统。目前,包括心理学、神经学、认知科学等各领域科学家对人类视觉系统进行了大量的研究,然而人类对其工作原理及认知过程的了解还远远不够;对视觉感知缺乏切实可信的数学模型;并且对大脑皮层如何视觉信息处理的具体过程尚不明确。计算机视觉作为图像分析领域的一个重要分支,其主要的研究目的是根据摄像机所拍摄到的一幅或多幅2D图像认知或重现真实的3D场景信息,例如物体的形状、位置、大小以及运动等的信息,即通过计算机实现对真实世界的三维场景的识别、感知及理解。该学科不仅对工程领域具有重要的实用价值,更是
8、一门极富挑战性的研究领域,用于该领域的研究方法涉及物理学、信号处理、认知科学、应用数学以及统计学等各个学科的相关知识。20世纪60年代中期计算机视觉领域进入了其开创性的阶段。最初美国麻省理工学院的Roberts成功地利用计算机语言对三维积木世界进行了描述【】。之后,Waltz,Clows以及Huffman等人在此基础上将二维图像分析推广到三维的场景分析中,解决了阴影处理和景物解释等问题。该进展标志着计算机视觉的诞生,并在接下来的20年中其迅速发展成了一门新的研究领域。此外,Marr教授在70年代
此文档下载收益归作者所有