计算机视觉中的图匹配方法研究

来源:用户上传      作者:张新强

　　摘   要：计算机视觉在各行各业得到广泛的运用，在图片转化中常常会使用到图匹配的方式来降低误差，提升视觉效果。通过将两张或两张以上的图进行对比分析，来提高计算机视觉分析的精密度和准确性。在长期的研究过程中出现了多种图匹配的方法，文章就不同的匹配方法进行综合论述，以期从中找到一些共同之处和创新点，为计算机的图匹配领域提供新的理论资料。
　　关键词：计算机视觉;图匹配方法;计算机
　　现阶段，计算机视觉要求的精密度和智能化水平越来越高。影响计算机视觉效果的因素有很多，既有硬件方面的，也有软件方面的问题。就硬件水平而言，目前，专业摄像头的像素已经达到一个很高的标准，因此，想要实现视觉效果的提升就必须在软件上下功夫，即在算法、系统和图匹配方式上进行优化升级。本文重点就图匹配的方式进行详细论述，在此之前，关于匹配方式的问题少有论述，本文将弥补图匹配方面理论研究的不足，丰富相关科研资料。
　　1    匹配方式对计算机视觉效果的影响
　　1.1  矢量特征描述法
　　矢量特征描述法简而言之就是对线条的描述和刻画，这种技术被广泛地运用于零件制造行业。这种描述方式更适合对线性指标进行处理，在对色彩丰富、图形复杂的图片进行处理时其精确度就会明显下降。这是由其工作原理所导致的，不同的工作原理决定了它独有的服务对象和工作效率。在使用矢量特征描述的方式对现实生活中的图片进行处理时，常常会出现失误率高、系统运行负荷过大等情况。矢量描述的方法更适合传统的零件加工行业，在节约成本的同时，也能够满足零件生产过程中的基本要求。对于精密度高、较为复杂的图纸，使用矢量特征表述的方法缺乏专业性，尤其是对产品的精度要求严格的企业，这时就需要使用更为立体、全面的图模型方法。
　　1.2  图模型法
　　图模型法是现阶段最常用的图匹配方法，通过对图片进行精细化处理，对图片的内容进行建模，通过对两种模型具体情况的对比来提高匹配的准确性。图模型法能够将平面的照片立体化、层次化，使图片不局限于平面上，使用批次对照的方式，使图片对比更加细致化，即使用图模型的方式能够细化像素、曝光、白平衡等因素对照片质量的影响，通过数字化智能处理的方式，让图形中的内容“活起来”。这种方式适用于多个领域对图片进行匹配的要求。第一步通过智能化程序快速对图片内容进行扫描;第二步进行建模;第三步根据层次化的模型分层对比或匹配，通过科学合理的匹配方案让图匹配更加高效、便捷[1]。
　　2    计算机视觉中图匹配方法的组成要点
　　2.1  特征空间
　　在图片的拍摄过程中，极易受到人为因素的影响，导致图片的质量存在误差，在构图、亮度、对比度、光照等各个方面，任何一个环节的参数变动都会导致照片存在或多或少的差异，导致匹配过程难度提升。所谓特征空间就是指在图片匹配环节，图片的具体参数及情况。不同的图片有不同的参数，在处理时，把握不同图片参数之间的关系，通过电脑进行整体性分析，既要凸显相同点、相似率，更要明确不同点。图片特征问题是对图片进行处理的第一步，在匹配时，为匹配对象确定一个大致的特征区间，是区间内图片的各项参数保持相对平均的基本方法。
　　2.2  相似性度量
　　在匹配的过程中，依据的是相似度的高低。相似度既是衡量相似性也是衡量匹配准确性的重要表现形式之一。在匹配时，应当通过随机的方式，保证不同组都有分工，保证每一组内的图片在特征上的相似度大致满足。通过数字化的结果保证相似性度量。通过函数进行相似度的分析，将复杂的数据使用函数表现出来。相似性的度量方式是建立在函数相似性基础上的，因此，在这一过程中，选择正确的函数公式和回归方程是基础，也是相似性匹配的基本保障[2]。
　　2.3  搜索空间
　　搜索空间即带估计参数组成的空間。对参数内容进行初步归纳，从而形成一个一定范围的空间，最后将不同图的参数区间进行匹配。这种匹配方式使匹配过程更加直观、更富有科学依据。根据参数的不同，能够反映的不仅是图片的质量，更包含了图片的色彩、内容等因素。随着互联网技术的发展和计算机成像技术的成熟，电脑显示器也存在失真的情况，因此，使用参数进行匹配的方式更符合计算机的运行特点。通过细微参数的匹配方式能够反应出肉眼所无法直观看到的差异。使用参数作为搜索更适合计算机的工作模式，能够保证检索的快速性和配对的准确性。
　　2.4  搜索策略
　　搜索策略即搜索时选择的途径和方案。通过对图片参数的比对，选择合适的搜索方案，搜索方案的选择决定了搜索的准确性和全面性。搜索策略的优化，是控制匹配误差、提高匹配质量的最好途径。在搜索策略的选择上，应当遵循最优选择的原则。随着计算机核心数量的增多，可以实现多核心同时运转，同时负责不同算法的分工，因此，在图形匹配时，计算机系统会自动使用不同搜索方案进行配对，通过对不同结果进行分析，用大数据分析的方法择优使用最佳方案。
　　3    现阶段计算机视觉中主要的图匹配方法
　　目前而言，计算机视觉中的图匹配方法主要有以下3种，即谱方法、双随机约束松弛法、稀疏约束松弛法。在实际匹配过程中，合理地利用3种方法能够有效增加计算机匹配的精确程度，每种方法都有其优点和可取之处，通过对匹配方法的具体分析能够促进匹配方式的融合和革新，为综合性图匹配方式的研发提供参考[3]。
　　3.1  谱方法
　　谱方法是建立在光滑函数基础上的运算方式。在计算机视觉中的具体运用分为两种方式，即谱松弛和谱嵌入。两者在运算方式上，没有绝对的区别，但是在处理方式上存在差异。谱嵌入是指在图匹配过程中，使两个图像之间的点进行对位，从周边到中间，通过点的对位情况判断匹配程度。在权值匹配的过程中，目前广泛使用的谱方法主要有正交约束的谱松弛法、奇异值分解的谱嵌入法、图邻接矩阵的谱嵌入法和联合嵌入模型图块。这些都是在谱方法的基础上进行衍生和升级的方法。虽然前者可以从整个图像中得到最佳正值，但往往会得到负值的最终结果，因此，有必要保证图像的均匀性，执行图形匹配时的大小。同时，结合嵌入模型图匹配方法，综合分析了图中所有不动点的嵌入与匹配，构建了系统模型，实现了图顶点嵌入与匹配的协同。 　　3.2  雙随机约束松弛法
　　双随机约束松弛法是图匹配中常用的方法。它是运用线性规划和路径跟随的方式进行图形匹配的，这种匹配方式更具有代表性。运用线性规划相当于是一个无限取近似值的过程，通过对近似值的判断和获取，获得图像匹配过程中的重要信息。运用函数的特点，使匹配过程中主体图像A和参考对象X进行重试、匹配。路径跟随的方法是将匹配对象和被匹配对象定义为两种函数，一者定义为凹函数，另一者定义为凸函数，最后将凹凸函数整合起来，得出一个复合函数，使用复合函数与被匹配对象进行匹配，求出最优解。以上两种方式的特点在于，充分使用数学函数的方式，实现逐层运算，在运算能力和内容上更加全面和细致，然而在图像与函数的转换过程中还存在有一定的问题。
　　3.3  稀疏约束松弛法
　　稀疏约束松弛法是从数据离散性的角度进行分析，在谱方法和双随机约束松弛法中，研究的重点是，不同图像之间参数的集中程度，通过对集中程度进行概括从而确定图像的相似度。稀疏约束松弛法是对所得的结果进行离散化处理，该种方法具备谱方法和双随机约束松弛法的全部优点，并且在此基础上，能够对匹配结果进行离散化处理。稀疏约束松弛法可以视为以上两种方法的综合和提升。通过对图片的分散情况进行分析，来确定图片像素的集中程度、不同色彩之间的配比，从寻找差异的角度去匹配图片，能够简化计算机的工作流程，提高匹配速率。
　　4    结语
　　图匹配技术有赖于计算机运算技术的发展，精确化的匹配需要计算机具备强大的运算能力，对计算机造成的负荷也更大。匹配方式的选择决定了运算方式的差异，针对不同的图像选择适合的运算方法，在长期的经验积累中，形成图像匹配的客观规律，用规律指导匹配过程。使用不同的匹配方式在数据结果上各有侧重也各有优劣。图匹配技术还存在良好的上升空间。为实现精确化处理，在图匹配的方法选择上也应当遵循择优处理的原则。
　　[参考文献]
　　[1]严骏驰，杨小康.计算机视觉中图匹配研究进展：从二图匹配迈向多图匹配[J].控制理论与应用，2018（12）：1715-1724.
　　[2]陈然.基于几何约束的图匹配算法研究[D].北京：北京交通大学，2018.
　　[3]熊凌.计算机视觉中的图像匹配综述[J].湖北工业大学学报，2006（3）：171-173.
　　Research on graph matching method in computer vision
　　Zhang Xinqiang
　　（School of Intelligence and Electronic Engineering， Dalian Neusoft University of Information， Dalian 116023， China）
　　Abstract：Computer vision is widely used in various industries， and graph matching is often used to reduce the error in the process of visual conversion. Through the comparative analysis of two or more diagrams， the precision and accuracy of computer vision analysis can be improved. In the long-term research process， there are many kinds of graph matching methods. In this paper， there are many kinds of graph matching methods in the process of long-term research. This paper discusses different matching methods in order to find some common points and innovations， and to provide new theoretical data for the field of computer graph matching.
　　Key words：computer vision; graph matching methods; computer
转载注明来源:https://www.xzbu.com/8/view-15019915.htm