基于局部特征描述的图像匹配方法分析

作为计算机视觉的基本研究内容,图像局部特征描述的目的是利用特征向量来稳定地表达被检测图像的局部特征,从而利用这些特征构成的描述子来稳定进行图像的匹配,具有一定的理论研究价值和实际工程应用价值。特别是随着近年来深度学习技术的兴起与快速发展,该领域的研究者们都相继提出了许多不同的研究方法。如今,基于学习的局部特征描述方法在该领域越来越受欢迎。然而,在不同场景和任务要求中,研究者都在致力于如何设计在精确性、鲁棒性和效率方面具有卓越性能的图像局部特征描述方法。本文对经典的手工设计和主流的基于学习两类方法分别进行全面而系统的分析与总结。最后总结了图像局部特征描述的现状,并为未来的工作提供参考。

正交Gaussian-Krawtchouk不变矩的构建及在图像匹配中的应用研究

针对基于几何矩及不变矩的图像特征描述存在信息冗余,计算复杂,图像表征能力不强等问题,本文深入研究了正交的Gaussian-Krawtchouk矩及其不变矩的表达形式。依据不同的尺度因子特点,提出了基于多尺度Gaussian-Krawtchouk不变矩的图像局部特征描述方法,并用于五种不同类型图像的特征匹配。实验结果表明,这种不变矩较其他传统的特征描述方法具有更好的图像表征能力,更强的数字稳健性。该不变矩用于图像匹配是有效可行的,具有良好的实用价值。

贝叶斯目标跟踪技术在变电站作业管控中的应用研究

通过调用变电站视频监控系统数据,在视频画面中捕捉移动物体,利用目标跟踪技术,可以实现变电站作业安全管控。提出了一种基于贝叶斯原理的目标跟踪技术。采用多个局部图像特征如灰度、方向梯度与局部二值模式描述目标外观,基于分批增量判别分析,动态融合多种特征,实现目标与背景的最优分离。通过进化算子迭代重采样实现有效粒子数的最大化,从而保持粒子多样性,实现稳定跟踪。对成都220 kV变电站的目标跟踪实验结果表明,此方法对背景光照、目标姿态变化及局部被遮挡等情况跟踪稳定性良好,此跟踪技术可以很好地应用于变电站作业管控中。