目录基于ransac的图像匹配算法改进可重构阵列架构及互连视觉 .ppt

基于RANSAC的图像匹配算法改进 Cheng L, Li M, Liu Y, et al. Remote sensing image matching by integrating affine invariant feature extraction and RANSAC[J]. Computers Electrical Engineering, 2012, 38(4): 1023-1032. 在内外点划分过程中，对于判断阈值进行动态调整 调整主要依据当前点集的特征，主要分为两种动态调整算法 采用尽可能小的threshold，来获得几乎没有误差的内点对，并在迭代中，不断利用下面的公式，对threshold进行扩大，直到某个对应的threshold下，内点对中出现无差点对。 采用尽可能大的一个threshold ，来获得包含误差的内点对。利用内点中的正确率以及内点数量作为判断：如果正确率低于40%，那么就将threshold减半，并反复迭代，直到正确率达到所要求的值。 国内外发展及研究现状算法基本原理 基于RANSAC的图像匹配算法改进 Yan Q, Xu Y, Yang X, et al. HEASK: Robust homography estimation based on appearance similarity and keypoint correspondences[J]. Pattern Recognition, 2014, 47(1): 368-387. 集成了基于像素的优点和基于特征的单应矩阵估计方法的优点 极大似然框架下结合了外观相似性和关键点对应关系的概率模型 选择用拉普拉斯分布代替高斯分布来描述内点坐标误差分布，在描述重尾分布上有更好的效果 采用ECC（加强相关系数）描述参考图像与待变换图像之间的相似性。 国内外发展及研究现状算法基本原理 基于约束随机采样和极大似然概率模型的优化改进 随机采样会浪费大量时间，约束条件下的随机采样，可以提高迭代效率。根据特点条件，过随机采样。 结合极大似然概率模型，将RANSAC计算H矩阵过程转化为最优化问题。采用拉普拉斯分布模型描述像素坐标误差。 采用动态threshold的算法，找到最适合样本的threshold，进而获得最精确的内点集和计算结果H。 利用所有内点进行最精确的计算。 RANSAC基本流程 提取特征 估计匹配特征点数据集 循环重复n次 ,如果 ε发生变化 , 使用公式 （1） 做相应调整 1）在数据集中，随机取样基本子集 ； 2）由基本子集，计算变换矩阵H； 3）评估基本矩阵 F 的相容性； 对数据集中所有数据点 , 利用前面求出的变换矩阵H计算代数误差 计算与变换矩阵H相关的目标函数（阈值） , 划分数据为局内点和局外点 。 选择对应具有最多局内点数目的变换矩阵H。 利用所有内点重新计算变换矩阵H。 参考文献 [1] D. Rossi , F. Campi , S. Spolzino , S. Pucillo and R. Guerrieri A heterogeneous digital signal processor for dynamically reconfigurable computing, IEEE J. Solid-State Circuits, vol. 45, no. 8, pp.1615 -1626 2010. [2]Rossi D, Mucci C, Campi F, et al. Application space exploration of a heterogeneous run-time configurable digital signal processor[J]. Very Large Scale Integration (VLSI) Systems, IEEE Transactions on, 2013, 21(2): 193-205. [3] Asanovic K, Bodik R, Catanzaro B C, et al. The landscape of parallel computing research: A view from Berkeley[R]. Technical Report UCB/EECS-2006-183, EECS Department, University of California, Berkeley, 2006. 参考文献 [4] Asanovic K, Bodik R, Demmel J, et al. A view of the parallel computing landscape[J]. Comm