【摘 要】
：
模板匹配是图形处理研究中的主要内容之一,在机器视觉、医学图像等诸多领域中有着重要的应用。当图像中的目标出现旋转、光照不均匀、视角变化和部分遮挡的情况时,现有的模板匹配方法很难匹配出准确的结果,因而寻找效果更佳的模板匹配方法是一个有意义的研究问题。在现有的多种基于特征点的模板匹配方法中,使用线性规划的模板匹配方法在目标出现旋转和光照不均匀的情况下模板匹配效果较好,但它在目标出现局部形变和部分遮挡时模
论文部分内容阅读
模板匹配是图形处理研究中的主要内容之一,在机器视觉、医学图像等诸多领域中有着重要的应用。当图像中的目标出现旋转、光照不均匀、视角变化和部分遮挡的情况时,现有的模板匹配方法很难匹配出准确的结果,因而寻找效果更佳的模板匹配方法是一个有意义的研究问题。在现有的多种基于特征点的模板匹配方法中,使用线性规划的模板匹配方法在目标出现旋转和光照不均匀的情况下模板匹配效果较好,但它在目标出现局部形变和部分遮挡时模板匹配稳定性会急剧下降。因此,为了提高稳定性,本文提出了使用线性规划模板匹配的一种改进方法。仿真实验表明,即使在目标出现局部形变和部分遮挡的情况下,改进的算法依然具有很好的鲁棒性。本论文的主要工作包括:1)研究了利用图像BBS（Best-Buddies Similarity）特征点的模板匹配算法。在背景杂点较多、目标出现部分遮挡时,使用现有的特征点进行模板匹配得到的结果不太理想。因此提出了使用BBS特征点进行模板匹配,通过仿真实验验证了BBS特征点的匹配方法能很好去除杂点,而且该方法模板匹配的速度较快。2)改进了原有的使用线性规划的特征点匹配算法,改进后的算法能有效解决目标出现局部形变和部分遮挡时的匹配问题。虽然现有使用线性规划的模板匹配方法能够准确、快速的完成模板特征点和目标特征点的匹配,但是在局部形变和部分遮挡的情况下,现有方法的匹配结果却不够稳定。改进后的算法不仅具有仿射不变性,而且在目标出现局部形变和部分遮挡的情况下,模板匹配结果更好。本文通过仿真实验验证了改进后的算法在目标出现旋转、光照以及局部形变和部分遮挡的情况下,依然能得到可靠的匹配结果。与原有使用线性规划的模板匹配算法相比,改进后的算法在目标部分遮挡的情况下能得到更好的匹配结果。
其他文献
艺术语言是创作者艺术表达的具体体现,能够代表创作的水平和画家的思想,版画创作中艺术语言的产生及演变是在众多因素共同作用下的结果。随着经济、政治等均实现了快速扩张发展,艺术、科学技术水平也在不断演进。新媒体、新文化以及新技术已融入到版画艺术里,使当代版画艺术不断呈现出新的表现语言与创作方法,给版画带来了新的机遇。在以往的版画展览中,某些传统版画的艺术语言较为局限,更新速度较慢,比较缺少与当代文化、当
近年来,语音识别技术在无噪环境下取得了突破性的进展,但在带噪环境下识别性能仍然存在下降的问题。因此,鲁棒语音识别研究受广泛的关注,如鲁棒语音特征提取、语音增强和鲁棒性声学模型等。鲁棒性声学模型是提高语音识别系统抗干扰能力的关键技术。然而,鲁棒性声学模型在实际应用中仍然存在很多有待克服的技术问题,譬如对未知噪干扰的泛化能力和对复杂应用场景的建模方案。为了解决这些问题,本课题从端到端的声学模型和深度神
近年来,无人机和机器人等无人智能设备迎来了快速发展,其与接收站实时共享机载传感器数据成为工业界的迫切需求。然而,由于奈奎斯特（Nyquist）采样率的限制和通信信道是极其有限。因此,亟需一种新的技术突破经典的奈奎斯特采样理论,而压缩采样正符合这种技术。压缩采样技术将采样和压缩过程合二为一,极大的减少了采集信号的存储空间。接下来,利用深度学习的方法对压缩采样数据进行数据恢复。由于深度学习卷积网络模型
动漫产业作为我国文化产业的重要板块,是国家近年来大力扶持发展的重点产业。我国动画水平曾立足于世界巅峰,却从20世纪80年代后逐渐落寞,崛起之路困难重重。2015年随着“IP时代”的到来,动漫产业乘着IP的风呈现爆发式增长,一度成为资本市场的宠儿,拓展动漫IP价值的需求不断涌现。与此同时,在互联网浪潮的推动下,跨界融合逐渐成为全球各产业主流的发展趋势,为动漫IP带来了前所未有的发展机遇。然而,由于我
人类行为识别是计算机视觉中一个重要的主题,行为识别既包括单人执行一系列动作以完成某项任务,也包括许多人分散在一个大的空间里,共同努力完成一个共同的任务,即群体行为。群体行为识别的一个典型的应用场景是体育视频理解,体育战术自动分析等关键技术,具有重要的应用前景和商业价值。但由于背景杂乱、个体之间的关系复杂等原因,使得面向体育视频的行为识别成为一个及其重要而又非常具有挑战性的问题。本文对体育运动排球视
随着第五代移动通信（The Fifth Generation,5G）时代的到来,人们对传输速率和通信可靠性有了更高的要求,对未来无线通信生活的多样性有了更多的期待。然而在“万物互联”的时代,无线通信业务需求呈现出的巨大增长趋势导致现有的技术不足以支撑海量的通信设备,因此在发展现有通信技术的同时部署新的系统对提高通信性能有重要意义。与此同时,为缓和移动通信过程中的能量消耗与通信设备的有限电量存储之间
随着无线通信技术的快速发展,移动通信数据流量呈现出爆炸式增长趋势,这不仅给传统的通信网络体系带来了巨大的负担,也给未来绿色通信网络的设计、运行以及维持带来了严峻的挑战。同时随着未来通信网络中更多的无线移动终端设备连接到互联网中,“万物互联”的通信演进模式已成为必然。然而其也带来了一些非常严峻的挑战,比如,如何在保证绿色通信的情况下为用户提供可靠的通信服务,以及如何增强通信网络的智能化水平。为解决以
低分辨率场景下的目标分类与识别问题对社会公共安全和国防等意义重大。随着图像信息获取技术的巨大进步,人们对获取的图像信息的使用需求也越来越大,特别是在一些特定应用中,对图像中精细目标信息的需求愈加强烈。然而该类精细目标的图像分辨率相对较低,能够获取的有用信息量较少,在借助高分辨率模板图像进行目标相似性度量时,待识别低分辨率目标图像与高分辨率模板图像之间的维度空间不匹配问题,使得低分辨率场景下的目标识
图像修复作为数字图像处理中的一个重要分支,广泛应用在文物保护、刑侦、生物医疗、航空航天等领域。传统的图像修复方法存在图像块误匹配、块区域修复视觉效果较差等问题,深度学习作为一种新兴的工具,在提取特征上相比传统方法能够获得更深层、更加具有特定性的特征表示,已经在计算机视觉和图像处理领域中都取得了良好的效果。基于深度学习的生成对抗网络（GAN,Generative Adversarial Networ
人类有一种对映入眼帘的场景有快速选择性观察的视觉注意机制,它能够帮助人类在短时间内获取最大的信息量。这种视觉注意机制在计算机视觉领域中被称为视觉显著性,计算机视觉领域的研究者们通过提取数字图像中的显著性特征来模仿人眼的视觉显著性。计算机视觉显著性的研究启发于生物学,由传统手工提取特征的计算模型开启显著性预测的篇章,向自适应的学习数据样本中显著性特征的深度网络模型发展。其中,基于深度网络的显著性预测