《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 设计应用 > 面向非刚性形变图像的关键点匹配方法
面向非刚性形变图像的关键点匹配方法
网络安全与数据治理
董家麟，吴丽君
福州大学物理与信息工程学院
摘要： 在图像匹配任务中，非刚性变形会显著干扰传统关键点匹配算法的性能，造成匹配精度下降。针对此问题，提出一种基于概率建模与特征增强的匹配方法。首先，设计自适应关键点采样策略，通过动态空间约束与边界感知过滤，解决复杂形变下的关键点分布冗余问题。其次，针对确定性几何变换估计易陷入局部最优的缺陷，引入Studentt分布建模几何变换参数的不确定性，提升描述符在复杂形变下的适应能力。最后，构建高斯先验的特征增强模块，利用方向敏感算子强化关键结构信息，有效抑制非刚性变形引发的特征偏移。实验结果表明，该方法可有效提升非刚性图像的匹配精度，在处理复杂非刚性形变场景时具有更强的鲁棒性。
中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)志碼：ADOI:10.19358/j.issn.2097-1788.2026.03.005
中文引用格式：董家麟，吳麗君. 面向非剛性形變圖像的關(guān)鍵點(diǎn)匹配方法［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2026，45（3）：33-39.
英文引用格式：Dong Jialin，Wu Lijun. Key point matching method for nonrigid deformed images［J］.Cyber Security and Data Governance，2026，45（3）：33-39.
Key point matching method for nonrigid deformed images
Dong Jialin，Wu Lijun
College of Physics and Information Engineering, Fuzhou University
Abstract： Nonrigid deformations significantly impair the performance of traditional keypoint matching algorithms in image matching tasks, resulting in reduced matching accuracy. To address this issue, a matching method based on probabilistic modeling and feature enhancement is proposed. First, an adaptive keypoint sampling strategy is designed to resolve the redundancy in keypoint distribution under complex deformations by employing dynamic spatial constraints and boundaryaware filtering. Second, to overcome the limitation where deterministic geometric transformation estimation tends to fall into local optima, a Studentt distribution is introduced to model the uncertainty of geometric transformation parameters, thereby enhancing descriptor adaptability in complex deformation scenarios. Finally, a feature enhancement module based on Gaussian priors is constructed. This module utilizes directionsensitive operators to reinforce key structural information, effectively mitigating feature drift caused by nonrigid deformations. Experimental results demonstrate that the proposed method effectively improves matching accuracy for nonrigid images and exhibits superior robustness in scenarios involving complex nonrigid deformations.
Key words : nonrigid image matching; keypoint detection; uncertainty modeling; feature enhancement

引言

圖像匹配是計(jì)算機(jī)視覺(jué)領(lǐng)域的一項(xiàng)基礎(chǔ)且關(guān)鍵的技術(shù)，其核心任務(wù)是在不同視角、不同時(shí)間或不同傳感器獲取的圖像之間建立可靠的對(duì)應(yīng)關(guān)系。該技術(shù)廣泛應(yīng)用于三維重建［1］、醫(yī)學(xué)圖像分析［2］、目標(biāo)跟蹤［3］、結(jié)構(gòu)健康監(jiān)測(cè)［4］等眾多領(lǐng)域?；谔卣鞯钠ヅ浞椒ㄊ窃擃I(lǐng)域的主流技術(shù)路線，其通常包含關(guān)鍵點(diǎn)檢測(cè)、特征描述和特征匹配三個(gè)核心步驟。以SIFT(ScaleInvariant Feature Transform)、SURF(SpeededUp Robust Features)為代表的經(jīng)典算法，通過(guò)提取具有尺度和旋轉(zhuǎn)不變性的局部特征，在處理剛性或仿射變換的場(chǎng)景中取得了巨大成功。特別是隨著深度學(xué)習(xí)的興起，基于學(xué)習(xí)的匹配方法已成為新的研究熱點(diǎn)。早期工作如SuperPoint［5］實(shí)現(xiàn)了關(guān)鍵點(diǎn)檢測(cè)與描述的端到端聯(lián)合學(xué)習(xí)，展現(xiàn)出超越傳統(tǒng)方法的潛力。為了適應(yīng)更具挑戰(zhàn)性的環(huán)境，LiftFeat［6］通過(guò)單目深度預(yù)測(cè)來(lái)引入三維幾何線索，有效增強(qiáng)了描述符在光照劇變和弱紋理區(qū)域的判別力。而XFeat［7］則專(zhuān)注于構(gòu)建輕量化網(wǎng)絡(luò)架構(gòu)，在保證高精度的同時(shí)實(shí)現(xiàn)了極高的運(yùn)行速度，滿足了資源受限設(shè)備上的實(shí)時(shí)匹配需求。

然而，在許多實(shí)際應(yīng)用中，圖像內(nèi)容會(huì)發(fā)生復(fù)雜的非剛性變形(Nonrigid Deformation)，例如人體姿態(tài)變化、面部表情變化、衣物褶皺以及建筑結(jié)構(gòu)或生物組織的形變等。這種不規(guī)則的幾何形變嚴(yán)重破壞了傳統(tǒng)特征匹配算法所依賴(lài)的局部幾何結(jié)構(gòu)不變性假設(shè)，導(dǎo)致特征描述符的區(qū)分度下降、匹配歧義性增加，最終造成匹配

準(zhǔn)確率和魯棒性顯著降低。因此，如何有效處理非剛性變形，實(shí)現(xiàn)高精度的圖像匹配，已成為計(jì)算機(jī)視覺(jué)領(lǐng)域備受關(guān)注的研究熱點(diǎn)。

為應(yīng)對(duì)非剛性變形挑戰(zhàn)，早期工作如DaLI［8］通過(guò)編碼局部3D曲面提升了魯棒性，但計(jì)算與存儲(chǔ)開(kāi)銷(xiāo)較大。GeoBit［9］與GeoPatch［10］等方法雖引入了幾何感知特征，卻嚴(yán)重依賴(lài)含噪的深度圖像，限制了應(yīng)用。為減少對(duì)深度信息的依賴(lài)，DEAL［11］在單目圖像中隱式建模變形，但其性能仍受制于傳統(tǒng)關(guān)鍵點(diǎn)檢測(cè)器缺乏形變等變性的約束。后續(xù)的DALF［12］雖通過(guò)空間變換網(wǎng)絡(luò)(STN)聯(lián)合學(xué)習(xí)形變特征取得了顯著進(jìn)展，但其采用的確定性參數(shù)估計(jì)在面對(duì)復(fù)雜變形時(shí)易陷入局部最優(yōu)，并可能導(dǎo)致關(guān)鍵邊緣特征的模糊與偏移。這正是本研究旨在解決的核心問(wèn)題。

針對(duì)上述局限，本文提出一種面向非剛性圖像的魯棒關(guān)鍵點(diǎn)匹配方法，主要貢獻(xiàn)如下：

（1)提出自適應(yīng)關(guān)鍵點(diǎn)采樣策略(AKS)：突破了傳統(tǒng)基于響應(yīng)值的采樣在形變區(qū)域分布不均的限制，通過(guò)動(dòng)態(tài)調(diào)整空間分布約束確保稀疏性，提升了關(guān)鍵點(diǎn)在形變邊緣的定位精度。

（2)構(gòu)建概率化薄板樣條變換網(wǎng)絡(luò)(PTPSNet)：摒棄了傳統(tǒng)的確定性參數(shù)估計(jì)范式，通過(guò)對(duì)變換參數(shù)進(jìn)行概率分布建模與邊際化處理，有效規(guī)避了復(fù)雜形變估計(jì)中的局部最優(yōu)解問(wèn)題，實(shí)現(xiàn)了對(duì)幾何變換不確定性的顯式建模。

（3)設(shè)計(jì)高斯概率特征增強(qiáng)模塊(GPFE)：針對(duì)非剛性形變導(dǎo)致的特征漂移與高頻信息丟失，引入高斯空間先驗(yàn)強(qiáng)化關(guān)鍵結(jié)構(gòu)表達(dá)，在不增加顯著計(jì)算開(kāi)銷(xiāo)的前提下提升了描述符的判別力。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ihrv.cn/resource/share/2000007024


作者信息：

董家麟，吳麗君

(福州大學(xué)物理與信息工程學(xué)院，福建福州350108)

2.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。