论文部分内容阅读
超图匹配作为解决图像匹配问题的重要方法,被广泛应用在目标检测、目标跟踪和多媒体分析等诸多方面,对计算机视觉领域的发展起着重要作用。随着研究的发展和应用范围的扩大,超图匹配获得了越来越多的关注。虽然已经产生许多超图匹配算法,但由于求解超图匹配的数学模型常常是NP难的,绝大多数算法都采用近似的局部最优解来替代目标函数的全局最优解。在实际应用中超图匹配算法也极易受到噪声、外点以及形变因子等因素的影响从而造成匹配准确率降低。目前还没有算法能完全克服这些困难,因此超图匹配的主要目的是找到使匹配结果更准确且计算更快的方法。鉴于此,本文重点研究超图匹配算法,主要工作包括:(1)对现有超图匹配算法进行总结分析,指出当前张量超图匹配算法在目标函数求解过程中存在张量本身不更新导致匹配准确率降低和目标函数松弛求解难影响匹配效果的问题。(2)为解决张量不更新问题,本文在概率模型上进行证明,给出优化张量的方法并提出优化张量超图匹配算法RTM,从而得到更高的匹配准确率;对因为增加优化张量步骤而造成的额外计算时间消耗,在RTM算法基础上提出优化张量与自适应交替增长超图匹配算法RATM。该算法通过自适应交替增长策略,在迭代求解时对三个方向的匹配向量进行自适应动态调整来加速收敛,降低计算时间。(3)针对张量超图匹配目标函数松弛求解难的问题,本文利用凹凸松弛过程提出一种基于CCRP的超图匹配算法CCTM,这一算法只需要目标函数的梯度就可以对目标函数进行松弛,降低了超图匹配的求解难度提高了匹配的准确率。对提出的算法在包含Synthetic、CMU House、Willow在内的三个图像匹配领域常用公开数据集上进行实验验证。全部实验结果证明,本文提出的超图匹配算法,不论在匹配准确率方面还是在匹配目标比率方面,均实现了良好的匹配效果。本文最后对所做的工作进行了简要总结并对未来工作进行了展望。