基于局部相对形状上下文与Q-谱的点模式匹配算法

本文提出了一种基于局部相对形状上下文与Q-谱的点模式匹配算法,对每个点构造相应的线图,并对线图的无符号Laplacian矩阵进行谱分解;利用谱分解所获得的特征值(Q-谱)作为点的特征,进而计算点的初始匹配概率;通过定义局部相对形状上下文计算点的相似性距离;将Q-谱方法与局部相对形状上下文结合进行概率松弛迭代获得匹配结果.实验结果表明了本文算法的可行性与有效性.     

基于相对形状上下文和谱匹配方法的点模式匹配算法

该文提出了一种将不变特征与谱匹配方法相结合的点模式匹配算法。该算法首先提出一种新的基于点集的不变特征相对形状上下文,然后利用点集间相对形状上下文的统计检验匹配测度来定义新的相容性度量,并以此为基础构造分配图及其亲近矩阵。最后利用分配图亲近矩阵的主特征向量以及匹配约束条件来实现点模式匹配问题的求解。模拟仿真与真实数据实验验证了该文算法的有效性和鲁棒性。     

基于谱方法和松弛标记的非刚性点匹配算法

谱方法是点模式匹配中一种重要的方法,但该方法对于点模式中噪声与出格点较为敏感,为克服了传统谱匹配方法存在问题,提出了一种运用谱方法和松弛标记的非刚性点模式匹配算法。该方法首先提取点模式中点的KL特征获取点与点的匹配概率,然后运用松弛标记法得到点集间明确的匹配关系;同时,为保证算法的鲁棒性,给松弛标记法定义一个匹配的目标函数,在函数的优化框架下迭代的计算匹配的最优解。本文主要从三方面对传统谱方法进行了改进:首先运用基于KL的匹配概率计算方法提高了原谱图方法抗噪方面的性能,进而在松弛标记方法框架中运用谱方法进行匹配,使算法对出格点具有更好的鲁棒性,最后融合的运用了点的谱图特征和空间分布特征,使算法在较大形变情况下仍能实现有效匹配。文章实验验证了算法的有效性。      

SIFT与形状上下文结合的异源图像匹配算法

针对红外图像和可见光图像灰度差异大、匹配困难的问题,提出了一种基于改进的尺度不变特征变换和形状上下文描述的局部多特征匹配算法。首先通过高斯差分检测算法分别提取两幅图像的特征点;针对特征点梯度方向存在反转现象,结合梯度镜像方法对特征点统计特征点邻域梯度方向信息;然后引入图像边缘特征生成形状上下文描述子,与梯度方向描述子级联成联合描述子;最后采用欧氏距离和卡方距离加权的联合距离和最近邻算法对特征点进行匹配。实验结果证明,在红外图像和可见光图像匹配中,该算法相比原始SIFT算法能有效减少误匹配特征点对,达到较高的匹配精度。     

基于改进三维形状上下文的点云配准

针对目前常用配准算法不能满足生产制造行业中高精度工艺要求的问题,本文基于三维点云提出一种改进三维形状上下文（3DSC）点云配准的有效解决方案。首先,通过改进的降采样方式设定阈值采集轮廓点云,对采集的点云依次进行三维网格划分形成形状上下文。然后,进行改进的3DSC初始配准,进而采用迭代最近点（ICP）精确配准,实现了源点云与目标点云之间的旋转平移变换。为验证改进算法的有效性,采用FPFH-ICP、PFH-ICP、传统3DSC和本文改进算法进行配准实验对比。实验结果表明,对于bunny点云和flowerpot点云,本文改进算法精度分别可达2.253 55e-05 m和9.969 02e-06 m,明显优于其他算法的配准精度。与传统3DSC配准算法相比,改进的3DSC配准算法可节省75%～85%的配准时间。改进的3DSC点云配准方法有利于提高配准精度且能优化配准时间,提高了配准效率。     

基于角度扩展形状上下文描述的目标检测算法研究

广义Hough变换的轮廓R表以及传统形状上下文是一种较好的形状描述算子,它们可以较好地解决非形变目标定位问题,但是对于解决存在形变的目标检测定位问题却存在不少困难.为解决该问题提出基于角度扩展的改进形状上下文图像特征描述.传统形状上下文形状描述器对于相近的两条边缘线具有不同的角度描述,在描述其相似度时会产生一定的偏差.通过对传统形状上下文描述图像特征的角度参数进行扩展,可以在一定程度上提高检测算法在目标发生形变情况下的鲁棒性.实验表明,本文算法通过对目标样本的训练能够有效的抽取稳定的形状上下文特征,然后通过匹配投票检测出目标位置,在计算机视觉领域具有一定的应用意义.     

关于模式匹配法相对收敛性问题的研究

本文论证了模式匹配法相对收敛性问题是由于没有取本征模完备正交集中连续的前N项所致。为了解决这一问题,本文提出首先对本征模完备集进行排序,然后进行模式匹配。数值例子计算结果表明,这种先排序的模式匹配法不但很好地解决了相对收敛性问题?而且加快了收敛速度,在本征模个数相同的情况下,能有效地提高解的精度。将这种方法应用于波导接头不连续性问题的分析,结果表明,这种方法具有稳定、精度高和收敛快等优点。     

基于点模式匹配的芯片缺陷检测算法研究

针对高速与高精度场景下芯片缺陷检测实时性和准确性难以同时保证的问题,提出一种基于方位环境特征的点模式匹配定位算法(Azimuth Environment Feature Vector-Based Point Pattern Matching Localization Algorithm,AEF-PPMLA),提升检测的实时性、准确性和易用性。该算法含两个部分:方位环境特征向量计算方法(Azimuthal Environment Feature Vector Calculator Method,AEF-VCM)和相似度计算方法 (Matching Degree Calculator Method,MDCM)。AEF-VCM对芯片的方位环境特征进行向量描述,减少点匹配的计算量,提高检测的实时性; MDCM采用卡方检验算法来度量特征向量的相似度,提高检测的准确度。实验部分验证算法的定位精度、耗时以及缺陷识别的准确率,结果表明所提出的AEF-PPMLA能够快速准确定位芯片并识别引脚缺陷,满足高质量生产需要。     

基于潜在主题的混合上下文推荐算法

针对单个环境上下文中项目访问记录稀疏的问题,推荐系统难以获取与当前环境上下文关联的用户偏好。该文设计了一种新的上下文关联性推荐(CTRR)算法。CTRR算法通过CTRR_LDA模型求解推荐项目出现在特定环境上下文的概率,并结合上下文后过滤推荐算法,对用户进行推荐。CTRR_LDA模型是在(LDA)模型的基础上,结合环境上下文和项目特征上下文,提出的项目与环境上下文的关联概率模型。该模型将环境上下文划分为多个环境上下文因子,每个环境上下文因子表示为K维的主题分布,挖掘环境上下文因子中项目出现的潜在主题特征。利用LDOS-CoMoDa网站上真实的电影数据集进行实验,验证了算法的可靠性。     

基于形状描述算子的仿射点匹配算法

针对仿射点匹配问题,首先通过建立点模式之间仿射映射关系,运用虚拟对应点估计待匹配点集的仿射参量,然后运用形状描述算子进行点集间匹配关系的求解,通过上述步骤的反复迭代最终求得点匹配问题的最优解集.算法较好地解决了仿射变换下的点集匹配问题,即使在较强的噪声和出格点干扰情况下,仍能获得较高的正确匹配率.实验证明了算法的有效性和鲁棒性.     

基于恒等子图搜索的点模式匹配算法

点模式匹配问题是计算机视觉和模式识别领域中的一个重要课题,但由于噪声、视场等因素始终难以完全解决.通过构建点模式关系图,把点模式匹配问题转化为关系图最大恒等子图搜索问题,由此给出图、子图、图同构和恒等、支持顶点对及支持顶点对集的概念并对它们满足的一些性质和定理进行了证明,最后提出了一种对最大恒等子图搜索的有效算法,在对...     

基于分块形状特征的异源图像匹配方法

在基于特征的异源图像匹配中,由于成像原因导致的轮廓不完整会使得匹配难度增加。针对这一问题,提出了一种基于分块形状特征的匹配方法。首先从基准图和实时图中提取轮廓特征并对其进行分块,然后提取分块特征并归一化,最后采用加权相似性度量实现匹配定位。由于利用候选目标区域信息排除了虚警,进一步提高了匹配的正确性和鲁棒性。采用该方法对红外与可见光图像进行了测试。结果表明,本文方法具有较好的匹配性能。     

基于字频的单模式匹配算法

通过模仿人类查找字符串的过程,本文提出了一种新的单模式匹配算法(MBF算法).该算法利用QS算法的思想和已经成功匹配的前、后缀信息对模式进行预处理.在查找阶段,MBF算法利用了字符使用频率和连续跳跃的查找思想.实验表明,MBF算法比同类的其它算法更加高效.     

基于近似距离序的重复模式图像匹配算法

由于重复模式图像局部信息的歧义性,即使在视角变化很小的情况下,仅通过比较局部描述子之间的相似性得到的匹配结果往往并不可靠。为了解决这个问题,该文根据特征点空间的分布特性,给出了一种新颖的几何相容性表示方法近似距离序;结合利用局部描述子获得的匹配代价,定义了一种混合形式的目标函数,将匹配问题转化为一对一约束下的优化问题;最后,通过概率松弛法求解目标函数的极大值,获得特征点之间的对应关系。在不同类型图像上的比较实验表明,所提出的方法能够有效地解决重复模式图像匹配问题。     

异步多特征红外与可见光图像匹配算法

针对红外与可见光图像特征点匹配的难题,提出了一种基于异步多特征的红外与可见光图像匹配算法。首先采用多尺度FAST －9角点检测算法进行特征点提取;而后,对提取的特征点构造主方向;再统计特征点邻域的梯度方向,构造一种类SIFT的特征点描述子;采用阈值宽松的最近邻匹配算法进行粗匹配;然后,提取特征点邻域边缘信息构造基于边缘的形状上下文描述子;最后采用相应的相似性度量算法对粗匹配结果进行提纯。实验结果表明,提出的算法对旋转、尺度、视角变换具有鲁棒性,且能够实现不同天候条件下的图像匹配,正确匹配率较SURF算法有明显提高。     

基于全局最优的快速一致性点漂移算法

目前受到广泛关注和研究的一致性点漂移(CPD)算法是一种基于高斯混合模型的点模式匹配算法,虽然该算法具有较强的鲁棒性,但其存在局部最优性和收敛速度随点集大小增加而下降等问题。针对上述问题,该文提出了一种新的基于全局最优的快速一致性点漂移算法。该算法首先将点集进行正交标准形约简,利用约简后点集的重要性质,推导出不完全观测数据的对数似然函数在全局最优解附近凸函数区域的边界值,再以该边界值为基础,采用多重初始化策略来实现全局最优。最后,提出了基于置信域的全局收敛二次平方迭代期望最大化算法,实现了全局优化算法的超线性收敛。模拟仿真与真实数据实验验证了该文算法是有效的、快速的以及鲁棒性较强的。     

一种应用于图像配准中的点特征匹配算法

点特征匹配在机器视觉、图像配准等领域中有着重要的应用.针对空间存在较大仿射几何差异的图像中的点特征匹配问题,提出了一种利用马氏距离仿射不变性进行约束的松弛匹配算法,并将该算法应用于遥感图像配准中.实验结果表明,算法可以很好的完成点特征匹配,匹配点对数量充足且具备很高的正确率,从而可以保证图像配准的精度.