×

兹马思-数学第一资源

一种新的快速鲁棒的二值仿射不变图像匹配描述子。(英语) Zbl公司 1407.68427
摘要:针对现有二值描述子计算复杂度高、无仿射不变性、随视点变化而误匹配率高的缺点,提出了一种新的二值仿射不变描述子BAND。与其他描述子不同的是,BAND具有不规则的模式,它基于特征点周围的局部仿射不变区域,并且有五个方向,LBP可以有效地获得这些方向。最终,一个256位二进制字符串是通过简单的随机采样模式计算出来的。实验结果表明,该波段在旋转、图像缩放、噪声、光照、小尺度透视变换等条件下具有良好的匹配效果。与当前主流描述符相比,该方法具有更好的匹配性能,但所需时间较少。
理学硕士:
68吨10 模式识别,语音识别
68U10 图像处理的计算方法
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] 洛伊,D。G、 ,局部尺度不变特征的目标识别,第七届IEEE计算机视觉国际会议论文集(ICCV'99),IEEE
[2] 洛伊,D。G、 ,三维物体识别的局部特征-视图聚类,IEEE计算机视觉与模式识别会议论文集(CVPR'01),IEEE
[3] 洛伊,D。G、 《尺度不变关键点的图像特征识别》,国际计算机视觉杂志,60,2,91-110,(2004)
[4] 海湾,H。;Ess,A。;图耶特拉斯,T。;范古尔,L.,《加速鲁棒特征(SURF),计算机视觉和图像理解》,110,3346-359,(2008)
[5] 克,Y。;Sukthankar,R.,PCA-SIFT:局部图像描述符的一种更独特的表示方法,IEEE计算机视觉与模式识别会议论文集(CVPR’04),IEEE
[六] Mikolajczyk,K。;Schmid,C.,局部描述符的性能评估,IEEE模式分析与机器智能汇刊,27,10,1615-1630,(2005)
[7] 莫雷尔,J。M、 。;于,G.,ASIFT:全仿射不变图像比较的新框架,暹罗影像科学杂志,2,2438-469,(2009)·Zbl公司 1181.68252
[8] 加州理工大学。;麻风,V。;Strecha,C.,简介:二进制鲁棒独立基本特征,计算机视觉ECCV2010。计算机视觉ECCV2010,计算机科学讲义,6314778-792,(2010),柏林,德国:斯普林格,柏林,德国
[9] 鲁布利E。;拉博,V。;科诺里奇,K。;Bradski,G.,ORB:SIFT或SURF的有效替代方案,IEEE国际计算机视觉会议论文集(ICCV’11),IEEE
[10] Leutenegger,S。;克力,M。;西格瓦特,R。Y、 ,BRISK:二进制鲁棒不变可伸缩关键点,IEEE国际计算机视觉会议论文集(ICCV’11),IEEE
[11] 塔卡斯,G。;钱德拉塞卡,V。;Tsai,S.,用于大规模识别的旋转不变快速特征,数字图像处理应用XXXV
[12] 阿拉希,A。;奥尔蒂斯,R。;Vandergheynst,P.,Freak:快速视网膜关键点,IEEE计算机视觉和模式识别会议论文集(CVPR'12),IEEE
[13] 马塔斯,J。;朋友,O。;城市,M。;Pajdla,T.,来自最大稳定极值区域的鲁棒宽基线立体声,图像和视觉计算,22,10,761-767,(2004)
[14] 图耶特拉斯,T。;范古尔,L.,《基于仿射不变区域匹配广泛分离的视图》,国际计算机视觉杂志,59,1,61-85,(2004)
[15] 卡迪尔,T。;Brady,M.,显著性,尺度和图像描述,国际计算机视觉杂志,45,2,83-105,(2001)·Zbl公司 987.68597
[16] 奥贾拉,T。;皮蒂凯宁,M。;Maenpaa,T.,多分辨率灰度和旋转不变纹理分类,模式分析与机器智能IEEE汇刊,24,7,971-987,(2002)
[17] 斯特雷查,C。;冯·汉森,W。;范古尔,L。;福亚,P。;Thoennessen,U.,“高分辨率图像的摄像机校准和多视点立体视觉基准研究”,第26届IEEE计算机视觉和模式识别会议论文集(CVPR'08)
[18] 罗斯滕。;Drummond,T.,《高速角点检测的机器学习》,计算机视觉ECCV2006。计算机视觉ECCV2006,计算机科学讲义,3951430-443,(2006),柏林,德国:斯普林格,柏林,德国
[19] 罗斯滕,E。;波特,R。;Drummond,T.,《更快更好:角点检测的机器学习方法》,IEEE模式分析与机器智能汇刊,32,1105-119,(2010)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。