基于宽基线的弱纹理特征点提取与匹配方法研究.ppt

智能系统与网络智能实验室 5.基于纹理合成的弱纹理区域 特征点提取方法 基于Graph Cut算法的特征点匹配调整效果图 智能系统与网络智能实验室 5.基于纹理合成的弱纹理区域 特征点提取方法 不同纹理下的特征点提取效果 Texture images SIFT SURF Harris-Affine OP/TP OP OP/TP OP OP/TP OP T09(Wood grain) 0.6062 137 0.5465 376 0.3436 167 T12(Brick wall) 0.6293 146 0.5355 347 0.3319 152 T04(weave) 0.6654 179 0.3573 174 0.4011 223 T03(Straw) 0.6813 171 0.5081 314 0.3458 175 T08(Water) 0.6957 208 0.5620 390 0.3851 201 T06(calf leather) 0.7833 318 0.5756 411 0.4177 241 T02(Bark) 0.8018 356 0.5758 418 0.3897 205 T01(Grass) 0.8022 369 0.5615 402 0.3860 210 T13(Plastic bubbles) 0.8083 371 0.5658 404 0.4019 207 T07(Beach sand) 0.8164 378 0.5522 397 0.4026 219 T05(Woolen cloth) 0.8242 422 0.5893 452 0.4044 220 T11(Pigskin) 0.8257 431 0.5961 459 0.4063 221 T10(Raffia) 0.8447 506 0.5543 388 0.4323 249 Avg 0.7527 307.07 0.54 379.38 0.39 206.92 智能系统与网络智能实验室 5.基于纹理合成的弱纹理区域 特征点提取方法 TSIQ在宽基线下的特征点匹配效果 智能系统与网络智能实验室 5.基于纹理合成的弱纹理区域 特征点提取方法 TSIQ在各种环境变化下的稳定性 智能系统与网络智能实验室 5.基于纹理合成的弱纹理区域 特征点提取方法 TSIQ在各种环境变化下的稳定性 智能系统与网络智能实验室 5.基于纹理合成的弱纹理区域 特征点提取方法 准稠密匹配下的效果对比 智能系统与网络智能实验室 5.基于纹理合成的弱纹理区域 特征点提取方法 Change algorithm #corresponding-point on untex Horizontal Camera Angle Quasi+TSIQ 813 Quasi 637 Vertical Camera Angle Quasi+TSIQ 876 Quasi 222 Scale Quasi+TSIQ 270 Quasi 130 准稠密匹配下的效果对比 智能系统与网络智能实验室 7. 总结与展望 总结 对弱纹理区域的特点进行了研究，提出了一种适用于提取弱纹理区域中 特征点提取方法。该方法基于区域局部自相似性的概念提取图像中自相 似性较高的点作为相应的特征点，设计了一种基于稀疏表示的特征点匹 配方法，该方法对特征描述子的选取并不敏感，且其具有较强的稳定性 及鲁棒性。； 将传统特征点提取算子及匹配方法的适用性进行扩展，提出了一种基于 纹理合成的弱纹理特征点提取方法。该方法采用仿射变换将所合成的纹 理分别添加到图像对的弱纹理区域中替换之前的弱纹理区域，此外，为 了确保所添加后的纹理的准确性（采用图割算法（Graph Cut）对所提取 到的特征点对进行修正， 智能系统与网络智能实验室 7. 总结与展望 展望 考虑更多复杂背景如局部遮挡、畸变等，提高算法的鲁棒性、 实用性，真正服务于人们的日常生活； 进一步提高算法的速度，已达到工业领域应用标准； 尝试利用不断涌现的新生物智能机理完善算法的性能，提高 优化效率和精度。 智能系统与网络智能实验室 8. 攻读博士学位期间的成果 1. 杂志论文 [1] Min Mao, Kuangrong Hao, Yongsheng Ding, Self-Similarity B