文獻(xiàn)標(biāo)識(shí)碼: A
DOI: 10.19358/j.issn.2096-5133.2021.04.011
引用格式: 王鑫城,范紅,劉錫澤,等. 基于多特征融合的商品識(shí)圖匹配算法研究[J].信息技術(shù)與網(wǎng)絡(luò)安全,2021,
40(4):70-74.
0 引言
隨著人工智能的不斷發(fā)展,對(duì)圖像進(jìn)行特征提取并通過(guò)特征匹配完成對(duì)目標(biāo)的對(duì)比及識(shí)別,成為了計(jì)算機(jī)視覺(jué)領(lǐng)域中最主要的手段之一,并在大量領(lǐng)域有著廣泛的應(yīng)用,如人臉識(shí)別、車(chē)牌檢測(cè)、無(wú)人駕駛和醫(yī)學(xué)診斷等。對(duì)于商品貨架圖片而言,特征點(diǎn)的提取數(shù)量與匹配的精度會(huì)對(duì)商家后續(xù)的運(yùn)作有較大的影響。在圖像匹配算法研究中,最為常見(jiàn)的莫過(guò)于尺度不變特征變換算法(Scale-Invariant Feature Transform,SIFT),經(jīng)典SIFT算法由LOWE D G在1999年提出[1],并于2004年完善[2]。該算法穩(wěn)定性高,對(duì)旋轉(zhuǎn)、尺度縮放和亮度變換保持不變性。傳統(tǒng)SIFT算法的描述子是具有128維的特征向量,在特征點(diǎn)的特征向量生成以及最后進(jìn)行匹配的過(guò)程中需要大量的運(yùn)行時(shí)間。因此,降低特征向量的維數(shù)是學(xué)者們的一個(gè)重要研究方向,如SPCA、PCA[3]算法。另一個(gè)研究方向是采用特殊結(jié)構(gòu)[4],基于二分查找的思想,對(duì)得到的特征描述子進(jìn)行劃分,同時(shí)結(jié)合KNN算法,加快特征向量的匹配搜索速度,常用的結(jié)構(gòu)有KD-Tree[5]等。2006年BAY H提出SUFR(Speeded Up Robust Features)[6]算法,提升了特征提取速度,但在對(duì)尺度和旋轉(zhuǎn)的適應(yīng)性方面不及SIFT算法。秦緒佳[7]提出在特征匹配中引入灰度域和空間域的自相關(guān)性,提高匹配準(zhǔn)確性,但增加了算法復(fù)雜度,耗時(shí)大。RUBLEE E等[8]結(jié)合了BRIEF算法和FAST算法,提出了ORB算法來(lái)解決旋轉(zhuǎn)不變性問(wèn)題,但其特征符的區(qū)分性弱,匹配效果一般。
本文詳細(xì)內(nèi)容請(qǐng)下載:http://ihrv.cn/resource/share/2000003480
作者信息:
王鑫城,范 紅,劉錫澤,胡晨熙,林 威,禹素萍
(東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院,上海201620)