基于局部几何约束的自适应特征匹配技术研究
发布时间：2021-11-07 14:41
文物保护领域在当今社会受到了广泛的关注和高度的重视,而文物数字化则是数字化时代衍生出的一种关键保护手段。通过三维重建等数字化技术,将文物以三维模型的数据形式存储在计算机中,这样不仅能够达到永久保存珍贵文物的目的,还能够让文物摆脱空间和时间的限制从而被更多人所欣赏。在该实际应用背景下,本文重点针对多视图三维重建技术中特征匹配环节目前存在的匹配速度较慢和鲁棒性较差两个核心问题进行了优化处理,从而使得文物数字化更加快速和真实。本文首先对文物数字化和三维重建领域进行了简单的介绍,并在对特征匹配技术进行国内外现状综述以及分析的基础上,主要进行了以下的研究工作:（1）针对特征匹配全局范围内搜索导致消耗时间过长这一问题,提出了基于网格实现的通过局部几何约束来缩小匹配搜索范围的特征匹配方法。该方法能够在不影响甚至提高特征匹配质量的情况下,减少特征匹配消耗的时间,并且有效增加匹配的数量。（2）针对场景类型不同导致特征匹配质量不稳定这一问题,提出了具有自适应性的鲁棒特征匹配方法。该方法能够根据图像数据集对应真实场景的特点,自适应地选择更为合适的匹配算法,进而使得特征匹配方法能够处理更加复杂和多变的场景。（...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
局部敏感性的哈希函数
浙江大学硕士学位论文第2章相关技术综述14轴上的中位数，利用该中位数形成垂直(1)轴的切分面将维空间划分为两个部分，此时对应的Kd树以该中位数对应的数据为根节点，数据集中其它数据根据其在(1)上的数值与该中位数的关系划分到左右节点部分，即右子节点在(1)上数值都大于该中位数，左子节点在(1)上数值都小于该中位数。(2)迭代划分左右节点。对于深度的节点，同样地，选择()作为划分的依据，其中=()+1，以此则能在原有的划分基础上进一步划分维空间，此时对应的Kd树在该节点上新增了左右子节点。(3)结束迭代。当待划分空间下至多包含一个数据时即完成Kd树的构建。为了便于理解，以=2的数据空间为例，随机生成了若干个二维数据点，图2.3展示了最终的空间划分以及构建的对应Kd树。图2.3二维空间下的Kd树空间划分和构建示意图在构建完Kd树后，需要进行数据搜索，主要分为KNN搜索和范围搜索两类。KNN搜索是指给定查询点和查询个数，找到距离查询点最近的个数据，当=1时即为最近邻搜索；范围搜索是指给定查询点和距离阈值，找到距离小于该阈值的所有数据。特征匹配中需要基于高维特征向量查找最近邻和次近邻，即=2的情况，因此将主要介绍KNN搜索过程。(1)递归向下访问Kd树。从根节点出发，根据查询点在当前划分维度上的坐标值和划分节点的关系进行向下访问搜索。具体来说，若查询点在当前划分维度上小于划分节点对应的坐标，则进行左枝搜索，否则右枝搜索，直到到达叶子节点为止。
浙江大学硕士学位论文 第 2 章 相关技术综述 意味着该方法的效率会随着迭代次数的增加而有所降低。例如在噪声点和大致能形成直线的数据点集合中确定该直线，RANSAC 方法拟合结果如图 2.4 所示。
【参考文献】：
期刊论文
[1]基于计算机视觉的三维重建技术综述[J]. 徐超,李乔. 数字技术与应用. 2017(01)
[2]Image matching algorithm based on SIFT using color and exposure information[J]. Yan Zhao,Yuwei Zhai,Eric Dubois,Shigang Wang. Journal of Systems Engineering and Electronics. 2016(03)
[3]结合颜色不变量的SIFT和形状上下文图像匹配算法[J]. 徐衍鲁,马燕,李顺宝,张相芬. 计算机科学. 2014(S2)
[4]基于SIFT特征点的图像匹配算法[J]. 高峰,魏少华,王学通. 现代电子技术. 2010(18)
硕士论文
[1]基于多视图的非增量式三维重建关键技术的研究与应用[D]. 杨静.中国科学院大学(中国科学院沈阳计算技术研究所) 2018
本文编号：3482035
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
局部敏感性的哈希函数
浙江大学硕士学位论文第2章相关技术综述14轴上的中位数，利用该中位数形成垂直(1)轴的切分面将维空间划分为两个部分，此时对应的Kd树以该中位数对应的数据为根节点，数据集中其它数据根据其在(1)上的数值与该中位数的关系划分到左右节点部分，即右子节点在(1)上数值都大于该中位数，左子节点在(1)上数值都小于该中位数。(2)迭代划分左右节点。对于深度的节点，同样地，选择()作为划分的依据，其中=()+1，以此则能在原有的划分基础上进一步划分维空间，此时对应的Kd树在该节点上新增了左右子节点。(3)结束迭代。当待划分空间下至多包含一个数据时即完成Kd树的构建。为了便于理解，以=2的数据空间为例，随机生成了若干个二维数据点，图2.3展示了最终的空间划分以及构建的对应Kd树。图2.3二维空间下的Kd树空间划分和构建示意图在构建完Kd树后，需要进行数据搜索，主要分为KNN搜索和范围搜索两类。KNN搜索是指给定查询点和查询个数，找到距离查询点最近的个数据，当=1时即为最近邻搜索；范围搜索是指给定查询点和距离阈值，找到距离小于该阈值的所有数据。特征匹配中需要基于高维特征向量查找最近邻和次近邻，即=2的情况，因此将主要介绍KNN搜索过程。(1)递归向下访问Kd树。从根节点出发，根据查询点在当前划分维度上的坐标值和划分节点的关系进行向下访问搜索。具体来说，若查询点在当前划分维度上小于划分节点对应的坐标，则进行左枝搜索，否则右枝搜索，直到到达叶子节点为止。
浙江大学硕士学位论文 第 2 章 相关技术综述 意味着该方法的效率会随着迭代次数的增加而有所降低。例如在噪声点和大致能形成直线的数据点集合中确定该直线，RANSAC 方法拟合结果如图 2.4 所示。
【参考文献】：
期刊论文
[1]基于计算机视觉的三维重建技术综述[J]. 徐超,李乔. 数字技术与应用. 2017(01)
[2]Image matching algorithm based on SIFT using color and exposure information[J]. Yan Zhao,Yuwei Zhai,Eric Dubois,Shigang Wang. Journal of Systems Engineering and Electronics. 2016(03)
[3]结合颜色不变量的SIFT和形状上下文图像匹配算法[J]. 徐衍鲁,马燕,李顺宝,张相芬. 计算机科学. 2014(S2)
[4]基于SIFT特征点的图像匹配算法[J]. 高峰,魏少华,王学通. 现代电子技术. 2010(18)
硕士论文
[1]基于多视图的非增量式三维重建关键技术的研究与应用[D]. 杨静.中国科学院大学(中国科学院沈阳计算技术研究所) 2018
本文编号：3482035
本文链接：https://www.wllwen.com/shekelunwen/kgx/3482035.html
