学位论文 > 优秀研究生学位论文题录展示
基于监督学习的图像局部特征点检测子研究
作 者: 李冰
导 师: 吕宝粮
学 校: 上海交通大学
专 业: 计算机软件与理论
关键词: 图像局部特征点检测子 尺度不变特征变换 基于学习的排序 图像检索 物体分类 排序的尺度不变特征变换重复度 匹配度 稀疏编码 基于排序的支持向量机
分类号: TP391.41
类 型: 硕士论文
年 份: 2012年
下 载: 88次
引 用: 0次
阅 读: 论文下载
内容摘要
近些年来,绝大多数图像局部特征表示方法的研究主要关注于设计和学习有效的刻画图像局部特征点的描述子(descriptor)方法,而优化局部特征点检测子(detector)的研究确很少被人关注,如何获取稳定的局部特征点仍然是一个具有挑战性的问题。传统的局部特征点检测方法主要基于手工规则选取稳定的特征点,规则不具有普遍性。本硕士论文主要是采用数据驱动的监督学习方法,研究并改进获取稳定的局部特征点的检测子算法。本文主要针对尺度不变特征变换(SIFT)算法进行研究,提出新的局部特征点检测子Rank-SIFT算法,来提高局部特征点的稳定性。在此方法中,采用基于学习的排序(Learning toRank)框架,通过设计图像局部特征点周围的差分、梯度以及边缘反应等特征,在同一场景的一组图片中定义并计算候选特征点稳定度评分,提取训练数据,训练Rank-SVM模型。用此模型来评估每个候选特征点的稳定程度,从而选择出稳定的特征点。同时本文构建了供评估实验用的图片数据库,设计基于重复度(Repeatability Score)和匹配度(Matching Score)两种评测标准,并分别在Oxford图像数据库和PASCAL数据库上进行大规模图像检索(Image Retrieval)和物体分类(Category Classi?cation)应用实验,评测提出方法的效果。实验结果证明:与传统方法SIFT相比,新方法Rank-SIFT能够稳步提高特征点的稳定性。同时本文中用稀疏编码的实验方法分析设计的每一维特征在稳定度判别中的重要程度。最后,实现基于网络在线图像局部特征点检测子系统,开发并公布开源软件工具包。
|
全文目录
摘要 5-6 ABSTRACT 6-8 目录 8-11 表格索引 11-12 插图索引 12-14 主要符号对照表 14-15 第一章 绪论 15-23 1.1 计算机视觉与局部特征点检测子算法 15-16 1.2 图像局部特征点检测子算法发展 16-19 1.3 本文的主要研究内容和创新点 19-22 1.3.1 研究背景与意义 19-21 1.3.2 本文的主要工作和创新点 21-22 1.4 本文的章节安排 22-23 第二章 图像局部特征点检测子算法 23-31 2.1 尺度不变特征变化算法 23-29 2.1.1 算法回顾 23-26 2.1.2 算法缺点讨论 26-28 2.1.3 改进的基本想法 28-29 2.2 本章小节 29-31 第三章 基于排序的尺度不变特征变换(Rank-SIFT) 算法 31-41 3.1 局部特征点的稳定度 31-33 3.1.1 稳定度定义 31-32 3.1.2 SIFT 特征点稳定度例子 32-33 3.2 局部特征点特征设计 33-35 3.3 基于学习的排序模型 35-37 3.3.1 Rank-SVM 模型 35-37 3.4 基于排序的尺度不变特征变换算法分析 37-39 3.4.1 Rank-SIFT 算法优点分析 37-38 3.4.2 Rank-SIFT 算法的时间复杂度分析 38-39 3.5 本章小节 39-41 第四章 Rank-SIFT 算法效果评估分析 41-51 4.1 局部特征点重复度(Repeatability Score) 和匹配度(Matching Score) 41-43 4.2 图像检索(Image Retrieval) 43-45 4.2.1 基于内容的图像检索算法 43 4.2.2 评估算法 43-45 4.3 物体分类(Category Classi?cation) 45 4.4 Rank-SIFT 局部特征点各特征维数分析 45-49 4.4.1 线性核的Rank-SVM 模型分析 46 4.4.2 稀疏编码的L1-SVM 模型分析 46-48 4.4.3 评估算法 48-49 4.5 本章小节 49-51 第五章 Rank-SIFT 算法评估实验 51-69 5.1 局部特征点重复度(RepeatabilityScore)和匹配度实验 51-54 5.1.1 数据库 51-52 5.1.2 实验步骤 52-53 5.1.3 重复度和匹配度实验 53-54 5.2 图像检索(Image Retrieval) 实验 54-55 5.3 物体分类(Category Classification) 实验 55-56 5.4 Rank-SIFT 局部特征点各特征维数分析实验 56-58 5.4.1 线性核的Rank-SVM 模型分析实验 56-57 5.4.2 稀疏编码的L1-SVM 模型分析实验 57-58 5.5 本章小节 58-69 第六章 Rank-SIFT 在线demo 和开源工具包 69-73 6.1 Rank-SIFT 在线demo 69 6.2 Rank-SIFT 开源软件包 69-71 6.3 本章小节 71-73 总结与展望 73-75 参考文献 75-85 致谢 85-87 攻读学位期间发表的学术论文目录 87
|
相似论文
- 用于检索的人脸特征提取与匹配算法研究,TP391.41
- 基于用户兴趣特征的图像检索研究与实现,TP391.41
- Q学习在基于内容图像检索技术中的应用,TP391.41
- 基于内容的服装图像检索技术研究及实现,TP391.41
- 基于多示例学习的用户关注概念区域发现,TP391.41
- 图像的稀疏表示及编码模型研究,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 多样性密度学习算法的研究与应用,TP181
- 人—环境匹配度对职员创造性的影响研究,B849
- 粒计算理论及其在图像检索中的应用研究,TP18
- 基于内容的唐卡图像检索技术研究,TP391.41
- 图像感兴趣区域提取方法研究,TP391.41
- 基于形状的汉画像检索技术研究,TP391.41
- 基于内容的医学图像检索算法研究,TP391.41
- 基于内容的商标图像检索技术的研究,TP391.3
- 医学图像检索中基于混合方法的相关反馈技术研究,TP391.3
- 基于纹理特征的图像分类研究,TP391.41
- 基于兴趣区域匹配图像检索系统的研究与实现,TP391.41
- 基于内容的医学图像检索关键技术研究,TP391.41
- 福维克家电(中国)区销售人员职业倦怠影响因素研究,F426.6
- 基于低层综合特征的图像反馈检索,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|