图像匹配中若干关键问题的研究

【摘要】：图像匹配是计算机视觉、图像处理和模式识别中最重要的研究内容之一,最近几十年来一直是人们研究的难点和热点。它是多种图像处理及应用如目标识别、变化检测、三维建模等的基础,其效果将直接影响到后续图像处理工作的效果,并已在计算机视觉、航空航天遥感测量、光学和雷达跟踪、虚拟现实场景生成、医学影像分析、景物制导等领域得到了广泛的应用。 本文研究了图像匹配中的若干关键技术,着重围绕刚体匹配中的特征提取、特征匹配和形变物体(非刚体)匹配三个问题进行了深入的分析和研究,主要创新性成果如下: ①针对Harris检测出的角点位置会发生偏移和易产生伪角点,以及在角点匹配过程中计算复杂,容易产生误匹配等缺点,提出了基于良分布亚像素定位角点的刚体匹配方法。该方法首先使用多尺度Harris算子检测图像的角点作为初始兴趣点,并采用自适应非极大值抑制对兴趣点的数量进行限制,以减少后续过程的计算复杂度,提高算法效率,同时使得角点在图像中处于良分布状态。然后利用亚像素定位技术进行精确定位,排除伪角点和不稳定的角点。最后使用随机抽样一致性(RANdom SAmple Consensus,RANSAC)算法对初始匹配进行鲁棒的模型参数估计。实验结果表明算法匹配效率改进明显,并具有良好的精确性和鲁棒性。 ②提出了一个新的匹配准则—角点对Cauchy-Schwarz距离(Corner Cauchy-Schwarz Divergence, CCSD),并在此基础上提出了一种基于CCSD的刚体匹配方法。首先,采用第二章中提出的多尺度Harris角点检测和亚像素定位方法提取图像中的角点;然后根据Cauchy-Schwarz距离提出了CCSD准则确定候选匹配角点对;最后使用RANSAC算法计算图像间变换模型。大量实验结果表明,该方法具有较强的适用性、精确性和有效性。 ③提出了一个改进的相似性度量并将其与图嵌入框架相结合产生了一种形变物体相似性度量图嵌入匹配方法。在形变物体(如人脸)的匹配研究工作中,我们发现欧几里得度量和相关系数度量对相似样本的区分在不同的场合各有优劣,因此本文将这两种度量综合起来形成一种新的改进相似性度量准则,并将这种新的度量准则应用在图嵌入框架下,产生了一种形变物体的相似性度量图嵌入匹配方法。本文重点研究了该方法在人脸特征匹配和识别中的应用,并在Extended Yale B和CMU PIE人脸数据库上做了大量的实验,验证了该算法的有效性。 ④提出了一种形变物体的Gabor纹理表示及匹配方法。原始的主动表观模型(Active appearance model, AAM)用灰度值表示纹理,由于其维度太高,因此需要大量的存储空间,同时会降低计算效率。另外,灰度值无法为图像匹配提供足够的信息。最近研究表明,图像经Gabor小波变换后的幅度信息(Gabor magnitude,GM)和相位信息(Gabor phase,GP)都包含对图像匹配有用的信息,但是直接采用GM和GP作为纹理表示维度太高,因此本文采用它们的统计性质来作为图像的纹理表示,即分别用对数正态分布(Lognormal density,LD)和广义高斯分布(General Gaussian density,GGD)来拟合GM和GP。根据LD和GGD拟合所得到的参数,我们提出了三种简化的形变物体Gabor纹理表示,并将其应用于AAM对形变物体(人脸)进行匹配。在IMM和CQUECE人脸数据库上的测试结果表明本文提出的基于Gabor小波的纹理表示需要更少的存储空间,并能取得更好的鲁棒性和计算效率。 ⑤将偏最小二乘(Partial least squares, PLS)分别应用于AAM的训练和匹配,提出了一种基于偏最小二乘的形变物体匹配方法。具体地说,在AAM训练阶段,PLS分别对两组变量(纹理残差和参数变化量)提取它们的相关性最大的潜在变量,并通过构建这两组潜在变量的关系来对原始的两组变量进行建模。在AAM匹配阶段,参数变化量预测可以利用训练阶段得到的模型,由纹残差得到。另外,在AAM中,图像的维度远大于所用的训练样本数,这就出现了小样本问题,即相关矩阵可能是奇异矩阵,而PLS非常适合解决这类问题。实验结果表明,本章所提出的算法性能明显优于原始的AAM,并且与基于典型相关分析(Canonical correlation Analysis, CCA)的AAM相比,在保持相同的收敛速度的同时具有更高的计算效率。