结合高阶图模型与蚁群优化的图像匹配方法

图像匹配是计算机视觉领域中的一个重要的问题.针对基于图结构模型的图像匹配方法,研究了图模型框架的建立方法以及二阶约束和高阶约束下的图匹配算法框架.为了克服传统的求驻点的优化方法易陷入局部最优解的不足,采用蚁群算法优化目标函数,提出一种基于蚁群算法的高阶图匹配方法.该算法使用张量值计算启发因子提供先验知识,然后根据启发因子和信息素计算转移概率,最后利用搜索到的解对信息素进行局部更新和全局更新.实验表明,该算法能获得比较高的匹配精度,并且在形变噪声、外点和视角变化等因素的干扰下仍具有很强的鲁棒性.

计算机视觉中图匹配研究进展:从二图匹配迈向多图匹配

图匹配试图求解二图或多图之间节点的对应关系.在图像图形领域,图匹配是一个历久弥新的基础性问题.从优化的角度来看,图匹配问题是一个组合优化问题,且在一般情形下具有非确定性多项式复杂程度(non-deter-ministic polynomial, NP)难度的性质.在过去数十年间,出现了大量求解二图匹配的近似算法,并在各个领域得到了较为广泛的应用.然而,受限于优化问题本身的理论困难和实际应用中数据质量的种种限制,各二图匹配算法在匹配精度上的性能日益趋近饱和.相比之下,由于引入了更多信息且往往更符合实际问题的设定,多图的协同匹配则逐渐成为了一个新兴且重要的研究方向.本文首先介绍了经典的二图匹配方法,随后着重介绍近年来多图匹配方法的最新进展和相关工作.最后,本文讨论了图匹配未来的发展.

基于迭代重加权的高阶张量图匹配算法

图匹配是计算机视觉中基础且重要的一个问题。稀疏约束作为一种有效的优化方法,被广泛应用于机器学习和图像处理中。传统的图匹配方法并不能获得足够有效且稀疏的近似解,为解决这个问题且进一步探究稀疏优化在图匹配中的应用,故引入一种L_(1/2)范数以改进高阶张量图匹配模型,并提出了基于迭代重加权的方法以近似求解该非凸非光滑模型。通过标准实验数据集上的对比实验表明,基于迭代重加权的高阶图匹配算法可以得到更加有效且稀疏性强的解,提高了匹配准确率。同时在抵抗匹配噪声的表现上优于传统算法,具有更强的鲁棒性。