GMS匹配方法学习总结汇报.pptx

燕山大学电气学院 GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 1/18 GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 汇报人： 汇报时间： GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 2/18 •《GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence》 这篇论文主要针对特征匹配问题，提出了一种基于网格的、运动统计特性的方法，该方法可以迅速剔除错误的匹配，从而提高匹配的稳定性。 燕山大学电气学院 GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 3/18 燕山大学电气学院 该方法的效果与SIFT匹配的效果对比如下： Yanshan University GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 4/18 Feature Matching Introduction 准备工作（找到）（SIFT、SURF、ORB） • 点的检测和探测、特征点的提取：寻找特征点，找容易识别的点，特征比较明显的点有角点、边缘的点； • 描述：对每个点计算出周围的特征； • 匹配：用到Nearest-Neighbor（近邻算法），GMS、CODE、RepMatch将Nearest-Neighbor中正确的点找出来，错误的点去掉； • 几何关系：主要用到RANSAC方法。特征点中符合几何关系就是正确的点，不符合几何关系就是错误的点。 RANSAC，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。 Brute-Force GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 5/18 燕山大学电气学院 RANSAC实验结果对比如下： GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 5/18 GMS Algorithm 燕山大学电气学院 GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 7/18 GMS Algorithm 运动统计-Motion Statistics 燕山大学电气学院 GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 8/18 GMS Algorithm 燕山大学电气学院 根据大数定律，当事件足够大时，正确匹配与错误匹配就会出现规律，即t就一定。因此，pt和pf在某种情况下可看成定值，所以，若xi匹配正确与匹配错误时邻域a内正确匹配点服从一个二值分布： n：匹配点数 K：每个网格分成小patch数 GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 9/18 GMS Algorithm 燕山大学电气学院 P越大，正确的点和错误的点看起来越不一样，这个模型就越强，越能解决问题。 （正比关系） GMS:Grid-based Motion Statistics for Fast,Ultra-robust Feature Correspondence 10/18 GMS Algorithm • 说明： ①在之前提到的说法中是给每一个匹配画两个圈，这样的问题是：如何画这个圈？画多少个圈？画多大的圈？哪些点画在一个圈里？时间复杂度O（N） ②所以如果引入网格，就不需要对每个匹配画圈，在进行匹配之后就把图片打成网格，只要数一个网格中有多少个点就可以了。 Grid-based Motion Statistics 燕山大学电气学院 GMS:Grid-based Motion Statistics for Fast,Ultra-r