【摘要】：圖像存在遮擋、尺度縮放、多干擾時,傳統(tǒng)加速魯棒特征(SURF)算法會產(chǎn)生錯誤匹配問題,提出一種基于匹配角度聚類的匹配算法。算法先提取SURF特征點,利用特征點的主方向信息進行圖像角度矯正,再統(tǒng)計并聚類粗匹配對的匹配角度信息,依據(jù)類中元素數(shù)目和類簇數(shù)目進行兩級篩選,剔除異常角度信息的誤匹配對。算法與隨機抽樣一致性算法(RANSAC)進行實驗對比,表明該算法能有效提高匹配正確率和保證低誤剔除率,提高了商品圖像的識別率。
【圖文】：

治?題，先將輸入圖像的角度矯正到接近垂直擺放角度。設O、O'分別為樣本圖和測試圖中SUＲF特征點的主方向信息。定義DO為兩圖中對應特征點的主方向角度之差的絕對值，即DΟi=Οi－Ο'i(4)以5°為一個區(qū)間，統(tǒng)計DOi落在每個區(qū)間的頻率，取頻率最高區(qū)間的中值為該圖的主角度定義為DOmost。將DOmost與角度矯正閾值OT進行比較，，若DOmost≥OT，則按DOmost的角度值對測試圖像進行角度矯正;反之，則不必對測試圖像進行角度矯正。為滿足后續(xù)聚類匹配算法條件，實驗中取OT=10°。圖1中，(a)為輕微旋轉(zhuǎn)的測試圖;(b)為角度矯正后的測試圖，可以看出由拍照角度引起的圖像旋轉(zhuǎn)問題經(jīng)主方向角度矯正后達到了商品圖像垂直放置的狀態(tài);(c)為旋轉(zhuǎn)180°倒置的測試圖;(d)為角度矯正后的測試圖，可以看出由擺放不當引起的圖像倒置問題經(jīng)主方向角度矯正后也達到了商品圖像垂直放置的狀態(tài)。圖1角度矯正效果2．2聚類匹配算法傳統(tǒng)的SUＲF算法在匹配階段會強制把所有的特征點都進行匹配，導致錯誤匹配對的出現(xiàn)，并且貨架商品圖像內(nèi)容豐富相似性高，誤匹配對數(shù)量也相應增多，對后續(xù)的識別判決造成影響。通過在匹配階段將粗匹配對按照匹配角度信息進行聚類處理，剔除誤匹配對，提高匹配正確率。本文利用粗匹配圖上的坐標差比例來衡量匹配角度信息，設I、I'分別為樣本圖和測試圖，它們的粗匹配對為M={Pi，Qi，i=1，2，…，n}，其中Pi是樣本圖中的特征點，Qi是測試圖中的特征點。任取M中一對匹配對Pi(x1i，y1i)、Qi(x2i，y2i)，則匹配角度為θi=(y2i－y1i)/(x2i－x1i)(5)由于匹配圖內(nèi)的樣本圖和測試圖為左右放置(圖4)，x2i≠第

遙嚅篤ヅ浣隙啵?則將這C個類簇依據(jù)元素個數(shù)降序排列，取前Tc個類作為正確類留下。e)按照匹配角度與匹配對關系將正確類中的匹配角度信息映射成匹配對信息，得到正確匹配對。3實驗結(jié)果分析比較3．1改進算法的參數(shù)性能本節(jié)將討論算法中各參數(shù)指標對實驗效果的影響，從而選出最佳參數(shù)并分析該參數(shù)意義。實驗環(huán)境是在VS2010和開源庫OpenCV2．4．9下進行。實驗圖片庫選取20種不同品種的貨架牛奶商品作為樣本庫，由于單個商品是由一行貨架圖像分割而來，分割結(jié)果存在差異，所以測試商品庫對每個品種分五種類型測試。圖2中，(a)為分割圖片包含整個商品定義為Ⅰ型;(b)為分割圖片超過商品右邊界且右邊界圖像同類定義為Ⅱ型;(c)為分割圖片超過商品左邊界且左邊界圖像同類定義為Ⅲ型;(d)為分割圖片超過商品右邊界且右邊界圖像不同類定義為Ⅳ型;(e)為分割圖片超過商品左邊界且左邊界圖像不同類定義為Ⅴ型。圖2測試圖類型示例在分析匹配角度的分布情況時，采用自適應聚類將正確匹配對應的匹配角度聚為若干個相似的大類，誤匹配對應的匹配角度聚為分散的若干小類，之后依據(jù)類簇中元素個數(shù)和類簇數(shù)目即可篩選出大多數(shù)的誤匹配角度。實驗采用自適應的K-means聚類算法，由于正確匹配角度和誤匹配角度都可能出現(xiàn)多個聚類類簇，在設定自適應聚類初值時先考慮極端情況:假設所有的正確匹配角度都聚為一類，而所有的誤匹配角度也聚為一類，因此設定初始聚類數(shù)目為2。實驗中發(fā)現(xiàn)部分誤匹配角度與正確匹配角度相差極大，因此利用最大最小法選取K-means的聚類中心，減少大誤匹配角度值的干擾。實驗中的自適應聚類指標為復合加權類簇半徑:a)計算每個類的類簇半徑，若某個類只有一個元素而無法計算類簇半徑時，那么該類是誤匹配孤立點直接去除。

【相似文獻】

相關期刊論文 前10條

1 李旭;林偉;溫金環(huán);史彩云;;基于圖譜理論的圖像聚類數(shù)的確定及應用[J];工程數(shù)學學報;2012年05期

2 宋銘利;高新科;;基于距離的最大聚類數(shù)探索算法的探討[J];礦山機械;2006年09期

3 田彥山;;基于山峰聚類的聚類上限確定方法[J];江西師范大學學報(自然科學版);2007年02期

4 孫吉貴;劉杰;趙連宇;;聚類算法研究[J];軟件學報;2008年01期

5 于慧娟;崔軍;毋曉志;李偉;;一種改進的凝聚圖聚類方法[J];山西煤炭管理干部學院學報;2010年03期

6 崔軍;郭春艷;賈宗維;;一種連通非加權圖的快速聚類方法[J];計算機工程與應用;2008年07期

7 岳清華;鄭剛;;一種動態(tài)心電圖波形聚類策略的研究[J];天津理工大學學報;2008年01期

8 張逸清;劉文才;;聚類數(shù)的確定[J];計算機與數(shù)字工程;2007年02期

9 劉燕馳;;基于密度的最佳聚類數(shù)確定方法[J];中國管理信息化;2011年09期

10 王洪春;彭宏;;一種基于熵的聚類算法[J];計算機科學;2007年11期

相關會議論文 前9條

1 高翠芳;吳小俊;;基于二階差分的聚類數(shù)自動確定方法[A];江蘇省系統(tǒng)工程學會第十一屆學術年會論文集[C];2009年

2 劉洋;江志綱;丁增喜;王大玲;鮑玉斌;于戈;;一種基于圖的聚類算法GB-Cluster[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2002年

3 李浪波;傅彥;劉紅;;基于范例推理的網(wǎng)格和密度聚類算法[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

4 婁冬梅;陳明;朱有娜;;一種基于密度的無參數(shù)聚類算法[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2006年

5 魏昕路;洪志令;姜青山;;一種基于樣本縮減策略的新窗口式聚類算法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2007年

6 程尊平;周鼎;王晨;周皓峰;汪衛(wèi);施伯樂;;SDPHC——基于密度的分割和分層的自校聚類算法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2004年

7 張曉峰;王麗珍;陸葉;;一種基于屬性加權的不確定K-means聚類算法[A];第26屆中國數(shù)據(jù)庫學術會議論文集（B輯）[C];2009年

8 蔡軍;袁華鵬;陳金海;施伯樂;;一種基于相似性分析的聚類新算法:PDS算法[A];第十八屆全國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2001年

9 胡仲義;郭超;王永炎;劉勝航;王宏安;;基于時間衰減和特征變量的數(shù)據(jù)流聚類算法[A];第29屆中國數(shù)據(jù)庫學術會議論文集（B輯）（NDBC2012）[C];2012年

相關博士學位論文 前10條

1 王振佳;基于基因表達數(shù)據(jù)的雙聚類算法研究[D];山東大學;2016年

2 任敏;自適應模糊聚類算法及其在入侵檢測中的應用研究[D];山東師范大學;2017年

3 胡雅婷;可能性聚類方法研究及應用[D];吉林大學;2012年

4 王縱虎;聚類分析優(yōu)化關鍵技術研究[D];西安電子科技大學;2012年

5 周世兵;聚類分析中的最佳聚類數(shù)確定方法研究及應用[D];江南大學;2011年

6 楊燕;基于計算智能的聚類組合算法研究[D];西南交通大學;2006年

7 馮永;基于計算智能的聚類技術及其應用研究[D];重慶大學;2006年

8 劉晨;高伸縮性聚類分析方法研究[D];哈爾濱工程大學;2013年

9 王強;局部疊加基因表達模式聚類分析方法研究[D];哈爾濱工業(yè)大學;2012年

10 姜磊;混合演化聚類算法研究及其應用[D];武漢大學;2012年

相關碩士學位論文 前10條

1 魏建東;K-means初始化算法研究[D];南京理工大學;2015年

2 張依;基于MapReduce的k-means聚類算法并行化研究[D];中央民族大學;2015年

3 劉嬋;蟻群與K均值聚類算法融合研究及其在用戶分群中的應用[D];西南科技大學;2015年

4 朱琪;基于減法聚類的混合算法研究[D];湖南科技大學;2015年

5 韓偉森;聚類集成研究與應用[D];貴州大學;2015年

6 譚浩;K-Means算法改進及其在森林健康評價中的應用[D];中南林業(yè)科技大學;2015年

7 嚴巍;以KPCA為核心的FCM算法改進[D];成都理工大學;2015年

8 蔡洪山;大數(shù)據(jù)分析中的聚類算法研究[D];安徽理工大學;2016年

9 宋建林;K-means聚類算法的改進研究[D];安徽大學;2016年

10 張靜靜;軟投票聚類集成的研究及其并行化實現(xiàn)[D];西南交通大學;2016年

本文編號：2559729