基于粒子群优化的图像局部特征提取算法研究

论文摘要

图像特征提取是图像匹配、目标检测以及目标分类等领域的关键步骤。在图像特征提取中,局部特征是目前的研究热点。理想的图像局部特征能表达图像局部区域的信息,对视角变化、光照变化、尺度缩放、旋转等情况具备不变性。本文深入分析了图像局部特征算法的研究现状,在经典的SIFT以及ASIFT特征提取算法的基础上,根据计算机视觉的原理,把图像匹配问题转化成参数优化问题。并以粒子群算法与鲁棒估计算法为工具,提高了图像匹配的稳定性。具体工作如下：（1）提出了基于粒子群优化的ASIFT （Affine-SIFT）特征提取算法。ASIFT算法是在SIFT算法的基础上针对图像的仿射变换而提出的一种基于局部特征的图像特征提取算法。相比SIFT算法,ASIFT保持了良好的缩放、旋转不变性,并且在大视角变化情况下,ASIFT通过仿射采样,使算法具备了完全仿射不变性。研究发现,ASIFT中的仿射变换参数是连续的,即通过ASIFT的离散采样得到的变换模型往往不能反应参考图像和输入图像之间的真实关系。因此,本文提出基于粒子群优化的ASIFT特征提取算法（PSO-ASIFT）,其目的是在仿射变换参数的连续空间中搜索图像之间的最优变换模型。实验结果表明,相比原ASIFT算法,本文的算法能得到更稳定的匹配结果,尤其是在图像具有多视角变化的情况下,本文算法的优越性更突出。（2）提出了改进的Multi-GS多结构估计算法。为了消除PSO-ASIFT图像匹配中错配特征的影响,本文充分分析了最小二乘法、Hough变换、RANSAC以及Multi-GS算法的优缺点,并在Multi-GS算法的基础上提出基于逆序的特征点相似度量。该方法通过随机产生的一组模型计算特征点残差,最后根据残差排序中模型的逆序值评价特征相似度,避免了Multi-GS算法人工确定h子窗口的缺点。通过对PSO-ASIFT算法的特征匹配结果进行多结构提取的实验表明,本文提出的算法有效改进了Multi-GS算法的模型估计效率。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 引言
• 1.1 论文研究背景及研究意义
• 1.2 国内外研究现状
• 1.2.1 特征检测算法
• 1.2.2 特征描述算法
• 1.3 本文研究内容
• 1.4 本文组织结构
• 第二章 经典的局部特征提取算法
• 2.1 局部不变特征相关理论
• 2.1.1 尺度空间理论
• 2.1.2 图像仿射变换
• 2.2 尺度不变特征变换SIFT算法
• 2.2.1 在尺度空间检测极值点
• 2.2.2 精确定位关键点
• 2.2.3 确定关键点主方向
• 2.2.4 生成特征点描述符
• 2.2.5 特征点匹配
• 2.3 最稳定极值区域（MSER）算法
• 2.4 Harris-Affine和Hessian-Affine算法
• 2.5 本章小结
• 第三章 基于粒子群优化的ASIFT特征提取算法
• 3.1 引言
• 3.2 ASIFT算法原理
• 3.2.1 仿射成像模型
• 3.2.2 传递倾斜参数
• 3.2.3 ASIFT算法的流程
• 3.3 基于粒子群优化的ASIFT算法
• 3.3.1 粒子群算法原理
• 3.3.2 基于粒子群优化的ASIFT特征提取算法原理
• 3.4 实验结果与分析
• 3.4.1 实验设置
• 3.4.2 实验结果与分析
• 3.5 本章小结
• 第四章 基于鲁棒估计的错配特征去除算法
• 4.1 一般的模型拟合方法
• 4.1.1 最小二乘法
• 4.1.2 Hough变换
• 4.1.3 RANSAC算法
• 4.2 多结构估计Multi-GS算法
• 4.2.1 Multi-GS算法
• 4.2.2 改进的Multi-GS算法
• 4.3 实验结果
• 4.4 本章小结
• 总结与展望
• 参考文献
• 致谢
• 个人简历
• 在学期间研究成果及发表的学术论文