基于自适应增强的图像二值描述子

针对经典的尺度不变特征变换和快速鲁棒特征描述子存在空间占用和参数自适应学习能力较差的问题,提出一种基于自适应增强的图像二值描述子,采用优化学习的思路获取图像描述子。使用学习方法得到图像描述子的通用框架,在基于阈值响应的相似度函数上,给出一种改进的相似度函数,通过该函数可快速学习图像的描述子及二值描述子。运用图像的梯度特征构建弱学习器,通过自适应增强方法寻找弱学习器的最优权重和非线性特征响应,得到区分性强且鲁棒性好的局部特征描述子。图像匹配实验结果表明,该图像二值描述子占用存储空间少、匹配性能好。...

Full description

Saved in:
Bibliographic Details
Published in计算机工程 Vol. 42; no. 6; pp. 230 - 234
Main Author 卢来 王军民 范锐
Format Journal Article
LanguageChinese
Published 广东海洋大学寸金学院,广东湛江,524094%广东海洋大学信息学院,广东湛江,524088 2016
Subjects
图像匹配
图像描述
尺度不变特征变换
局部特征
弱学习器
快速鲁棒特征
描述子
自适应增强
图像匹配
weak learner
快速鲁棒特征
Speeded up Robust Feature(SURF)
自适应增强
描述子
descriptor
局部特征
image matching
Scale Invariant Feature Transform (SIFT)
尺度不变特征变换
图像描述
image description
local feature
弱学习器
Adaboost
Online AccessGet full text
ISSN1000-3428
DOI10.3969/j.issn.1000-3428.2016.06.041

Cover

More Information
Summary:针对经典的尺度不变特征变换和快速鲁棒特征描述子存在空间占用和参数自适应学习能力较差的问题,提出一种基于自适应增强的图像二值描述子,采用优化学习的思路获取图像描述子。使用学习方法得到图像描述子的通用框架,在基于阈值响应的相似度函数上,给出一种改进的相似度函数,通过该函数可快速学习图像的描述子及二值描述子。运用图像的梯度特征构建弱学习器,通过自适应增强方法寻找弱学习器的最优权重和非线性特征响应,得到区分性强且鲁棒性好的局部特征描述子。图像匹配实验结果表明,该图像二值描述子占用存储空间少、匹配性能好。
Bibliography:31-1289/TP
descriptor;image description;Adaboost;image matching;Scale Invariant Feature Transform（SIFT）;Speeded up Robust Feature（SURF）;local feature;weak learner
LU Lai,WANG Junmin,FAN Rui（1.Cunjin College,Guangdong Ocean University,Zhanjiang,Guangdong 524094,China;2.School of Information,Guangdong Ocean University,Zhanjiang,Guangdong 524088,China）
Classic descriptors such as Scale Invariant Feature Transform（SIFT） and Speeded up Robust Feature（SURF） have some drawbacks in storage capacity and parameter adaptive learning,so a binary descriptor for images based on Adaboost is proposed,which can obtain image descriptor from optimal learning.A general framework using the learning method to obtain the image descriptor is developed,and a modified similarity function is presented on the basis of similarity function based on threshold response,by which the image descriptors and binary descriptors can be quickly learned.Weak learners are constructed by using the gradient features of the image,and the optimal weights an
ISSN:1000-3428
DOI:10.3969/j.issn.1000-3428.2016.06.041