圖像匹配技術(shù)是計(jì)算機(jī)視覺領(lǐng)域的關(guān)鍵技術(shù)之一,在各個(gè)方面均有著廣泛的應(yīng)用。傳統(tǒng)的圖像匹配算法依靠淺層特征,在現(xiàn)實(shí)應(yīng)用中,為適配特征,需耗費(fèi)大量時(shí)間制作模板,操作過程復(fù)雜,效率較低。且算法抗干擾能力較差,對(duì)圖像視點(diǎn)變換等情況適應(yīng)性一般。本文針對(duì)此情況,利用深度學(xué)習(xí)強(qiáng)大的特征提取能力,將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像匹配,研究了基于異構(gòu)孿生網(wǎng)絡(luò)的圖像匹配算法。本文首先在現(xiàn)有的相似度比較網(wǎng)絡(luò)基礎(chǔ)上,初步設(shè)計(jì)了兩個(gè)圖像匹配網(wǎng)絡(luò),并對(duì)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)進(jìn)行了分析。其次,將匹配流程與傳統(tǒng)算法類似的全卷積孿生網(wǎng)絡(luò)進(jìn)行改進(jìn),先將基礎(chǔ)網(wǎng)絡(luò)替換為ResNet18,并融合網(wǎng)絡(luò)底層與頂層特征,同時(shí)考慮到支路特征及度量的不對(duì)稱性,最終設(shè)計(jì)了兩種異構(gòu)孿生特征金字塔網(wǎng)絡(luò)（HeS-FPNv1、v2）。并將模板與待匹配圖相關(guān)卷積方式改為深度可分離型卷積,提高實(shí)時(shí)性。同時(shí)摒棄了原始全卷積孿生網(wǎng)絡(luò)的多尺度模板,在相關(guān)卷積后加入?yún)^(qū)域選取網(wǎng)絡(luò)（RPN）自動(dòng)生成多尺度匹配結(jié)果,并結(jié)合圖像匹配的特點(diǎn),改變傳統(tǒng)RPN網(wǎng)絡(luò)正負(fù)樣本的選取方式,設(shè)計(jì)了相應(yīng)的損失函數(shù),且加入梯度約束損失項(xiàng),提升網(wǎng)絡(luò)性能。為進(jìn)一步提升匹配精度,本文借鑒孿生區(qū)域選取網(wǎng)絡(luò),設(shè)計(jì)... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：107 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

模板選取示意圖

差、互相關(guān)、歸一化互相關(guān)等，也可通過深度神經(jīng)網(wǎng)絡(luò)來自動(dòng)學(xué)習(xí)度量方法。傳統(tǒng)相似度度量方式往往只在一定條件下有效，對(duì)于變化較大的目標(biāo)，深度神網(wǎng)絡(luò)的效果遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)方法。2.2 匹配影響因素分析圖像匹配中存在著不少干擾因素，如形狀變化、光照影響、遮擋、模糊、相似景干擾等，設(shè)計(jì)一個(gè)魯棒性強(qiáng)的匹配算法，盡可能適應(yīng)干擾影響，有著不少的難度1)形狀變化在實(shí)際場(chǎng)景中，由于傳感器成像的時(shí)間、角度等不同，成像目標(biāo)的整體形狀都可能發(fā)生極大的變化，特別是非剛性的形狀變化，極大影響了匹配的效果。如圖 2-3 所示：

圖 2-4 光照變化示意圖受光照影響，汽車上的陰影分布不同，目標(biāo)整體像素值發(fā)生改變，部分結(jié)構(gòu)由暗變明，部分由明變暗，有著一定的干擾。3)遮擋干擾遮擋指帶匹配圖中的目標(biāo)部分不在視野中，使得整體特征損失，如圖 2-5 所示：圖 2-5 遮擋干擾示意圖圖中小女孩被擋住了一部分，在人肉眼也無法精確定位目標(biāo)整體的情況下，對(duì)于


本文編號(hào)：3138467