点线特征融合的误匹配剔除算法

来源 :计算机科学 | 被引量 : 6次 | 上传用户:phoebe19
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
特征匹配作为计算机视觉的一项关键技术而备受关注。近年来,基于描述子的特征点匹配技术取得了一系列突破性进展,但曲线长度不一、端点定位不准确以及周围包含的重复性纹理较多等因素,导致了曲线匹配研究依旧是一个极具挑战性的热点研究课题,且现有曲线匹配方法大多出现匹配总数少、匹配正确率低的问题。为增加特征匹配的总数和正确率,利用特征点和特征曲线的位置关系提出一种点线特征融合的误匹配剔除算法(Point Line feature Fusion,PLF)。首先定义点到曲线的距离,利用点、曲线描述子提取图像的点、线特
其他文献
针对传统图像稀疏表示字典学习算法仅对图像训练学习单一字典,不能很好地对包含不同图像信息的图像块进行最优稀疏表示的问题,将图像灰度熵的思想引入到字典学习算法中,提出基于图像灰度熵的自适应字典学习算法。该算法将图像库作为训练样本,对图像库图像进行分块,计算各子块的灰度熵大小,依据灰度熵大小对子块进行分类,针对不同类别子块,设定不同K-奇异值分解算法参数,分别进行字典训练,从而得到多个不同的字典。根据灰
基于内容的图像检索是目前图像检索领域的研究重点。LBP纹理特征是基于内容的图像检索领域常用的特征。传统的LBP算法应用于图像检索系统时检索效率低,且不具有旋转不变性。旋转不变LBP(rotation invariant LBP,LBPri)算法虽然具备旋转不变性,但检索精度不高。为了提高基于内容的图像检索的精度和效率,在传统LBP算法的基础上提出一种增强旋转不变LBP描述符(Enhanced ro
事件时序关系分类是事件抽取的重要后续任务。随着深度学习技术的发展,神经网络在事件时序关系分类任务中发挥着重要作用。但是,对于传统的循环神经网络或卷积神经网络而言,
多姿态人脸关键特征的自动识别,对处理人脸数据库中的图像具有重要意义。为了保证人脸关键特征被准确识别,需要对人脸关键特征进行提取。传统算法对多姿态人脸关键特征进行自动识别时有效性差、识别率低、效率低。为此,文中提出了一种基于向量机的多姿态人脸关键特征自动识别算法,利用相机的焦距将人脸关键特征图像的三维坐标表示出来,计算出多姿态人脸关键特征的三维信息。利用滤波器处理多姿态人脸的关键特征并对其进行提取,