导读:本文包含了鲁棒匹配论文开题报告文献综述及选题提纲参考文献，主要关键词:SAR图像匹配,相关匹配,尺度不变特征变换
鲁棒匹配论文文献综述
吴元,乔文升,邵鹏[1]（2019）在《一种鲁棒的SAR图像匹配方法》一文中研究指出针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像匹配中虚假匹配和鲁棒性欠缺的问题,提出了一种鲁棒的SAR图像匹配方法。首先通过正射校正来进行预处理,从而消除SAR图像的旋转;然后利用相关匹配方法初步提取同名点;最后根据同名点的空间位置来筛选同名点并计算仿射矩阵进行匹配,提高了SAR图像匹配的精度和鲁棒性。实验证明了所提方法的有效性。(本文来源于《电讯技术》期刊2019年07期）
何欣[2]（2019）在《多光谱图像深度特征描述与鲁棒匹配》一文中研究指出图像特征匹配,指提取两张不同视角拍摄图像的特征,并依据该特征对图像区域进行匹配的过程。作为计算机视觉的一个基础问题,图像特征匹配技术在材料分析、医学成像及图像恢复等领域有着重要应用。传统的人工设计描述符算法,在处理同一光谱下拍摄的图像特征匹配问题中取得了不错的成果,但是在处理多光谱图像特征匹配的问题上表现不佳。深度学习,即以深层神经网络算法为基础的技术,在计算机视觉领域如目标检测和图像分类等多种问题上取得了先进的成果。为了解决多光谱图像的鲁棒匹配问题,本文提出的方法对多光谱图像中的特征信息进行了深度地描述,在不同光谱图像间纹理信息丢失等问题存在的情况下,本文算法可以依据提取到的特征准确地匹配,对变换具备良好的鲁棒性。本文从数据集处理到神经网络结构设计实现了一个应用于多光谱图像鲁棒匹配问题的方案。具体来说,本文完成了以下工作:(1)使用中波长红外热像仪和可见光摄像头采集了图像数据,并对图像数据进行预处理制作了所需的数据集。(2)使用深层卷积神经网络作为特征提取手段对多光谱图像进行匹配。通过在本文制作的多光谱图像特征匹配数据集上的实验证明,现有应用在多光谱图像特征匹配的深度学习方案在本文测试集上的精度为78%,本文算法更加准确地对多光谱图像进行了匹配(90%Accuracy)。同时本文训练生成的模型在公开数据集RGB-NIR中也取得了良好的匹配结果,进一步验证了本文算法的可靠性。(3)模拟多光谱图像中常见的几类变换,在原始的数据集上做了增广处理。为了对变换后的数据集进行匹配,本文在神经网络中引入了旋转响应滤波器、空间金字塔池化和多重预测结构。改进后的神经网络模型在包含变换的数据集上获得了 85%的匹配精度,高于现有的多光谱图像特征匹配深度学习技术达到的精度(68%),这证明本文的方案具备更好的鲁棒性。(本文来源于《北京邮电大学》期刊2019-06-04）
杨皓[3]（2019）在《基于数据扩充和叁元组损失的不匹配声学场景的鲁棒识别方法》一文中研究指出随着智能硬件的飞速发展,多媒体技术的提升以及移动设备的大量普及,机器听觉的应用领域越来越广泛。近年来,在无人车、机器人、智能家居等领域音频信号处理技术被广泛应用,其中声学场景识别在自动驾驶、辅助决策等方面占有重要地位。由于音频设备众多、种类复杂、数据规模不一致,导致识别系统性能下降,因此急需一种鲁棒的声学场景识别方法。为提升声学场景识别方法的鲁棒性,本文将对上述设备不匹配和数据规模不匹配问题进行深入剖析,并提出有效的解决方法。在设备不匹配问题中,首先从信道的角度对不匹配问题进行理论分析,进而提出基于叁元组损失(Triplet Loss)的方法,通过使不同设备间同类样本的距离小于异类样本之间的距离来学习音频中的语义信息,从而自动对信道进行补偿,以提升系统性能;针对真实音频场景数据的复杂分布情况,对叁元组损失进行改进,提出基于局部学习的叁元组损失,它通过计算锚点与其他样本的加权距离来放宽对叁元组的约束,使得每一音频场景数据存在多种可能的流形分布,更加符合真实同类音频场景包含多种音频事件的情况。实验表明,基于局部学习的叁元组损失是一种有效解决信道不匹配问题、适合音频场景分类的方法,其与基线相比性能相对提升23.8%。在数据规模不匹配问题中,首先从数据平衡角度对系统性能影响进行理论分析,进而提出基于mixup和随机替换的数据扩充方法来对数据规模不匹配问题进行解决,mixup方法通过两个样本的凸组合产生新样本对数据集进行扩充、随机替换方法通过两个样本序列片段的重新组合产生新样本对数据集进行扩充。实验表明,基于mixup的数据扩充方法和基于随机替换的数据扩充方法都可以有效解决数据规模不匹配问题,上述两种方法与基线相比性能分别相对提升45.9%和45.0%。为了增强系统鲁棒性,本文又提出随机均值平移方法,并结合mixup方法解决不匹配问题。随机均值平移方法在训练时随机加上信道之间的差别,以增强系统提取语义信息、忽略信道等无关信息的能力,进而提升系统性能。实验表明,基于随机均值平移方法是一种有效提升系统鲁棒性的方法,其与基线相比性能相对提升46.5%;该方法与mixup结合能进一步改进识别性能,其与基线相比性能相对提升51.0%。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
冯凯,于龙,占栋,张冬凯[4]（2019）在《钢轨轮廓全断面检测中的快速高鲁棒性匹配方法研究》一文中研究指出采用激光摄像技术对钢轨全断面廓形进行检测,为保证检测数据的准确性和实时性,其关键在于钢轨廓形的快速高鲁棒性匹配算法。在分析国内外钢轨轮廓检测、匹配现状的基础上,对钢轨廓形匹配方法进行了系统研究。根据标准钢轨不同半径滚动圆空间几何分布特性,提出利用钢轨廓形的斜率切线值来对钢轨原始廓形轨腰曲线部分进行自动分段,结合最小二乘拟合算法,处理分段后的钢轨廓形,快速完成钢轨廓形初匹配。通过改进ICP算法,完成钢轨廓形二维点云的精确匹配,缩减了匹配时间,提高了匹配鲁棒性。最后,将该方法应用于轨道检测设备的数据采集中,验证了该方法的有效性。(本文来源于《铁道学报》期刊2019年05期）
刘微微[5]（2019）在《基于自适应能量感知的鲁棒图像匹配方法》一文中研究指出近几年人工智能技术在互联网领域迅速崛起,计算机视觉作为其关键技术更是成为热门研究话题。在计算机视觉领域中,无论是视频目标跟踪,或是人脸识别,还是图像分类等研究,方法实现的本质都是图像匹配。虽然现已经有一些有效的图像匹配方法,但由于图像在处理时会出现即时性的变形、遮挡、光照变化等问题,不仅影响了目标的辨识度,还会影响相应算法的最终效果。本文针对上述问题,提出了一种基于能量感知的自适应调整图像匹配策略。通过分析图像中目标与背景的能量分布,自动调整能量分布不均匀的图像,从而减少背景对目标的影响,使目标更加辨识度更高。首先,对于每一帧,选择一种显着性策略对给定的边界框计算显着性映射,本文选取的显着性策略为GLGOV(Gestalt Laws Guided Optimization and Visual Attention)方法;其次,根据显着图生成一个全局二值图,以便对输入图像精准的分割前景和背景;在得到二值图后,分析出前景与背景之间的能量分布,从而确定图像是否能量分布平衡;若目标与背景之间的能量分布不平衡,会采用能量自适应策略,增强目标的精准区域,与此同时抑制其余背景信息,以达到图像能量平衡状态。至此,目标与背景之间的分辨更加清晰。为了对上述方法的有效性和泛化性能进行验证,本文将该策略应用在计算机视觉领域中的叁类典型研究问题上:视频目标跟踪、细粒度图像分类和人脸识别。根据研究问题的不同,分别在OTB2013、OTB2015、Caltech-UCSD Birds-200和ORL权威数据集中进行测试,并与对应研究领域的经典方法进行比较。在数据集中的测试结果表明,本文提出的策略不仅显着地提高了低能量目标的图像匹配效果,并且能够同时在像素级的空间域上和特征级的变换域上证明其有效性。(本文来源于《东北师范大学》期刊2019-05-01）
王美和,陈金波[6]（2019）在《一种快速鲁棒的模板匹配算法》一文中研究指出模板匹配是计算机视觉领域中一项重要的研究内容。提出了一种基于特征点匹配的快速鲁棒的模板匹配算法。为了提升匹配速度,该算法提取模板图片与目标图片的特征点进行匹配,而不是采用传统的计算模板匹配与滑动窗口相似性的方法。首先提取出两幅图片的特征点并对这两个特征点集合进行匹配;然后基于运动统计模型移除错误点对;最后利用网格框架来定位目标图片中的物体。实验结果表明,该算法匹配速度较快、准确度较好,并且在匹配水下声呐图片时有较好的表现。(本文来源于《工业控制计算机》期刊2019年03期）
蓝玉海[7]（2018）在《自然场景下鲁棒高效的模板匹配方法研究》一文中研究指出模板匹配是计算机视觉中的一个基础而又重要的研究方向,该技术在诸多领域有着广泛的应用,如通用的物体检测、机器视觉系统中的目标定位、视频监控系统中的目标跟踪、图像拼接和商品细粒度识别等领域。目前模版匹配算法主要集中解决在工业场景下灰度图像的模板匹配问题,但在自然场景中的鲁棒性很差,远远还达不到应用的水平。自然场景下的彩色图像与工业场景的灰度图大相径庭,通常复杂多变不具备可控性。因此,自然场景下鲁棒而又高效的模版匹配方法在学术和应用上仍有待解决。最近学术上出现了一系列基于最近邻场的方法。这些方法大大地提高了模版匹配在自然场景中的表现,但它们对数据有非常强的假设导致它们对大旋转和大形变非常敏感,并且运算复杂度非常高,很难应用到现实场景中。本文基于最近邻场深入挖掘全局语义信息的重要性,提出一种新颖的全局感知多样性(GAD)相似性度量。该度量方法有机地使用全局语义信息监督局部多样性信息,使其能够更进一步地滤除背景和局外点,具有很强的鲁棒性,并且对大旋转和大形变具有不敏感性。与此同时,为了使GAD相似性度量能够达到在实际场景中的运行时间要求,本文精心地设计了一套高效的算法。具体地,采用积分图像快速计算全局语义信息以及利用缓存快速更新局部多样性信息,使得算法的时间复杂度从O(|Ι|·|Γ|)大幅降为O(|Ι|),即运行时间能够提升10~3至10~4倍。为了衡量本文提出的GAD相似性度量的鲁棒性及其对应的算法实现的高效性,拟在四个有挑战性的公开数据集上,将提出的GAD算法和目前学术上最前沿的模版匹配算法进行大量的对比实验和分析。实验结果将表明,本文提出的GAD算法在准确性和效率上都大幅度地优于之前的无形变损失的方法,并且在大旋转或者大形变的情况下相比于带形变损失的方法更具有鲁棒性。此外,在高分辨率(1280×720)的图像上,本文提出的GAD算法计算相似性度量的时间仅为3 ms,接近实时的性能。(本文来源于《哈尔滨工业大学》期刊2018-12-01）
林锐涛,潘可达,许韩斌,彭显刚,何佳汉[8]（2018）在《基于用户电量特征匹配与鲁棒极限学习机的用户短期电量预测》一文中研究指出如何快速准确实现电力用户的短期电量预测对需求响应的实施以及售电公司的经营具有重要的意义。提出一种基于相似用户电量特征匹配与鲁棒极限学习机的用户短期电量预测方法。首先通过主成分分析与余弦相似度相结合的聚类分析方法建立用户电量特征库;然后通过皮尔逊相关系数法选取与待预测用户用电特性相似度较高的用户,将其用电信息匹配生成预测参考日数据集;最后建立鲁棒极限学习机模型实现对用户短期电量预测。为验证所提方法的有效性,采用实际案例进行仿真分析。结果表明该方法可以有效提高用户短期电量预测精度。(本文来源于《智慧电力》期刊2018年11期）
王焱,吕猛,孟祥福,李宇浩[9]（2019）在《具有光照鲁棒的图像匹配方法》一文中研究指出针对现有的基于局部特征的图像匹配算法对光照变化敏感、匹配正确率低等问题,提出一种具有光照鲁棒性的图像匹配算法。首先使用实时对比保留去色(RTCP)算法灰度化图像,然后利用对比拉伸函数模拟不同光照变换对图像的影响从而提取抗光照变换特征点,最后采用局部强度顺序模式建立特征点描述符,根据待匹配图像局部特征点描述符的欧氏距离判断是否为成对匹配点。在公开数据集上,所提算法与尺度不变特征变换(SIFT)算法、加速鲁棒特征(SURF)算法、"风"(KAZE)算法和ORB算法在匹配速度和匹配正确率上进行了对比实验。实验结果表明:随着图像亮度差异的增加,SIFT算法、SURF算法、"风"(KAZE)算法和ORB算法匹配正确率下降迅速,所提算法下降缓慢并且正确率均高于80%;所提算法特征点检测较慢和描述符维数较高,平均耗时为23. 47 s,匹配速度不及另外四种算法,但匹配质量却远超过它们。对实时性要求不高的系统中,所提算法可以克服光照变化对图像匹配造成的影响。(本文来源于《计算机应用》期刊2019年01期）
吴幼丝,邓非,万方[10]（2018）在《基于本质矩阵鲁棒估计的球形全景匹配》一文中研究指出针对球形全景的匹配问题,提出了基于本质矩阵鲁棒估计的匹配方法。首先构建了球形全景的投影模型,通过推导球形全景的对极几何关系,得到本质矩阵的估计模型和对极线求解算法,再利用SIFT(scale invariant feature transform)算法进行特征提取和匹配,最后采用RANSAC(random sample consensus)算法,以改进的Sampson距离算子设置阈值,对本质矩阵进行鲁棒估计并剔除误匹配。实验结果表明,该方法切实可行,可提高球形全景匹配的精度。(本文来源于《测绘地理信息》期刊2018年03期）
鲁棒匹配论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
图像特征匹配,指提取两张不同视角拍摄图像的特征,并依据该特征对图像区域进行匹配的过程。作为计算机视觉的一个基础问题,图像特征匹配技术在材料分析、医学成像及图像恢复等领域有着重要应用。传统的人工设计描述符算法,在处理同一光谱下拍摄的图像特征匹配问题中取得了不错的成果,但是在处理多光谱图像特征匹配的问题上表现不佳。深度学习,即以深层神经网络算法为基础的技术,在计算机视觉领域如目标检测和图像分类等多种问题上取得了先进的成果。为了解决多光谱图像的鲁棒匹配问题,本文提出的方法对多光谱图像中的特征信息进行了深度地描述,在不同光谱图像间纹理信息丢失等问题存在的情况下,本文算法可以依据提取到的特征准确地匹配,对变换具备良好的鲁棒性。本文从数据集处理到神经网络结构设计实现了一个应用于多光谱图像鲁棒匹配问题的方案。具体来说,本文完成了以下工作:(1)使用中波长红外热像仪和可见光摄像头采集了图像数据,并对图像数据进行预处理制作了所需的数据集。(2)使用深层卷积神经网络作为特征提取手段对多光谱图像进行匹配。通过在本文制作的多光谱图像特征匹配数据集上的实验证明,现有应用在多光谱图像特征匹配的深度学习方案在本文测试集上的精度为78%,本文算法更加准确地对多光谱图像进行了匹配(90%Accuracy)。同时本文训练生成的模型在公开数据集RGB-NIR中也取得了良好的匹配结果,进一步验证了本文算法的可靠性。(3)模拟多光谱图像中常见的几类变换,在原始的数据集上做了增广处理。为了对变换后的数据集进行匹配,本文在神经网络中引入了旋转响应滤波器、空间金字塔池化和多重预测结构。改进后的神经网络模型在包含变换的数据集上获得了 85%的匹配精度,高于现有的多光谱图像特征匹配深度学习技术达到的精度(68%),这证明本文的方案具备更好的鲁棒性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
鲁棒匹配论文参考文献
[1].吴元,乔文升,邵鹏.一种鲁棒的SAR图像匹配方法[J].电讯技术.2019
[2].何欣.多光谱图像深度特征描述与鲁棒匹配[D].北京邮电大学.2019
[3].杨皓.基于数据扩充和叁元组损失的不匹配声学场景的鲁棒识别方法[D].哈尔滨工业大学.2019
[4].冯凯,于龙,占栋,张冬凯.钢轨轮廓全断面检测中的快速高鲁棒性匹配方法研究[J].铁道学报.2019
[5].刘微微.基于自适应能量感知的鲁棒图像匹配方法[D].东北师范大学.2019
[6].王美和,陈金波.一种快速鲁棒的模板匹配算法[J].工业控制计算机.2019
[7].蓝玉海.自然场景下鲁棒高效的模板匹配方法研究[D].哈尔滨工业大学.2018
[8].林锐涛,潘可达,许韩斌,彭显刚,何佳汉.基于用户电量特征匹配与鲁棒极限学习机的用户短期电量预测[J].智慧电力.2018
[9].王焱,吕猛,孟祥福,李宇浩.具有光照鲁棒的图像匹配方法[J].计算机应用.2019
[10].吴幼丝,邓非,万方.基于本质矩阵鲁棒估计的球形全景匹配[J].测绘地理信息.2018