图像局部映射二进制串描述符

doi:10.3724/SP.J.1087.2013.01096

计算机应用 ›› 2013, Vol. 33 ›› Issue (04): 1096-1099.DOI: 10.3724/SP.J.1087.2013.01096

图像局部映射二进制串描述符

汤培楷,陈玮,麦毅成

广东工业大学自动化学院，广州 510006

收稿日期:2012-10-09 修回日期:2012-11-29 出版日期:2013-04-01 发布日期:2013-04-23
通讯作者: 汤培楷
作者简介:汤培楷(1988-)，男，广东汕头人，硕士研究生，主要研究方向：机器视觉；陈玮(1963-)，女，浙江温州人，教授，博士，主要研究方向：智能控制、离散事件动态系统；麦毅成(1989-)，男，广东佛山人，硕士研究生，主要研究方向：机器视觉。

Binary projection for image local descriptor

TANG Peikai,CHEN Wei,MAI Yicheng

College of Automation, Guangdong University of Technology, Guangzhou Guangdong 510006, China

Received:2012-10-09 Revised:2012-11-29 Online:2013-04-01 Published:2013-04-23
Contact: TANG Peikai

摘要/Abstract

摘要： 为了提高图像局部特征算法的计算速率与匹配速度，并保持其准确率，提出了一种局部映射二进制串描述符算法。它通过映射的方法将图像局部区域转化成二进制串，从而提高其计算效率与匹配速度，并通过机器学习的方法寻找最佳映射矩阵，保持其准确率。从实验结果表明，只需32比特的二进制串就可以在准确率上媲美现有的局部描述符算法，并在匹配速度上有较大的优势。

关键词: 二进制串, 局部特征, 描述符, 图像匹配, 特征提取

Abstract: In order to reduce the computational burden and maintain the recognition rate of the image local descriptor, a binary projection method for image local descriptor was proposed. The image patch was projected and transformed into a binary string for boosting the performance as well as speeding up the matching speed. The projection matrix was optimized by machine learning method to maintain its recognition rate and robustness. The experimental result indicates that only a 32-bit binary string is needed to perform as well as the state-of-art descriptors and it shows significantly faster matching speed.

Key words: binary string, local feature, descriptor, image matching, feature extraction

中图分类号:

TP391.41

汤培楷陈玮麦毅成. 图像局部映射二进制串描述符[J]. 计算机应用, 2013, 33(04): 1096-1099.

TANG Peikai CHEN Wei MAI Yicheng. Binary projection for image local descriptor[J]. Journal of Computer Applications, 2013, 33(04): 1096-1099.

参考文献

［1］陈方, 蒋云良, 许允喜. 改进的CenSurE特征和基于相加图像梯度的快速描述符［J］. 计算机应用, 2011, 31(7): 1818-1821.

［2］RUBLEE E, GARAGE W， PARK M，et al.ORB: an efficient alternative to SIFT or SURF ［C］// IEEE International Conference on Computer Vision. Barcelona: IEEE, 2011: 2564-2571.

［3］BROWN M, GANG H, WINDER S. Discriminative learning of local image descriptors ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(1): 43-57.

［4］AMBAI M, YOSHIDA Y. CARD: Compact and real-time descrip-tors ［C］// IEEE International Conference on Computer Vision. Barcelona: IEEE, 2011: 97-104.

［5］ CALONDER M, LEPETIT V, STRECHA C, et al. BRIEF: binary robust independent elementary features ［J］. ECCV'10: Proceedings of the 11th European Conference on Computer Vision. Berlin: Springer-Verlag, 2010: 778-792.

［6］ YU GUOSHEN, MOREL J-M. A fully affine invariant image comparison method ［C］// ICASSP'09: Proceedings of the 2009 IEEE International Conference on Acoustics, Speech and Signal Processing. Washington, DC: IEEE computer Society: IEEE, 2009: 1597-1600.

［7］ BAY H, TUYTELAARS T, van GOOL L. SURF: speeded up robust features ［J］. Computer Vision–ECCV 2006. Berlin: Springer-Verlag, 2006: 404-417.

［8］ YAN K, SUKTHANKAR R. PCA-SIFT: a more distinctive representation for local image descriptors ［C］// Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE, 2004,2: 506-513.

［9］ LOWE D G. Distinctive image features from scale-invariant keypoints ［J］. International Journal of Computer Vision, 2004, 60(2): 91-110.

［10］ ROSTEN E, DRUMMOND T. Machine learning for high-speed corner detection ［C］// Computer Vision–ECCV 2006. Berlin: Springer-Verlag, 2006: 430-443.

［11］ ROSIN P L. Measuring corner properties ［J］. Computer Vision and Image Understanding, 1999, 73(2): 291-307.

［12］ Learning local image descriptors data ［EB/OL］ . ［2012-11-28］. http://www.cs.ubc.ca/~mbrown/patchdata/patchdata.html.

［13］ MIKOLAJCZYK K, SCHMID C. A performance evaluation of local descriptors ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(10): 1615-1630.

［14］ Robotics research group, university of Oxford. Affine covariant features ［EB/OL］ . ［2012-11-28］. http://www.robots.ox.ac.uk/~vgg/research/affine/.

[1]	郑志强, 胡鑫, 翁智, 王雨禾, 程曦. 基于改进DenseNet的牛眼图像特征提取方法[J]. 计算机应用, 2021, 41(9): 2780-2784.
[2]	佘玉龙, 张晓龙, 程若勤, 邓春华. 基于边缘关注模型的语义分割方法[J]. 计算机应用, 2021, 41(2): 343-349.
[3]	赵津, 宋文爱, 邰隽, 杨吉江, 王青, 李晓丹, 雷毅, 邱悦. 儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3394-3401.
[4]	朱新成, 何坤金, 倪娜, 郝博. 基于改进迭代最近点算法的接骨板贴合性快捷计算方法[J]. 计算机应用, 2021, 41(10): 3033-3039.
[5]	尹春勇, 何苗. 基于改进胶囊网络的文本分类[J]. 计算机应用, 2020, 40(9): 2525-2530.
[6]	周云, 陈淑荣. 基于双流非局部残差网络的行为识别方法[J]. 计算机应用, 2020, 40(8): 2236-2240.
[7]	张家岗, 李达平, 杨晓东, 邹茂扬, 吴锡, 胡金蓉. 基于深度卷积特征光流的形变医学图像配准算法[J]. 计算机应用, 2020, 40(6): 1799-1805.
[8]	徐代, 岳璋, 杨文霞, 任潇. 基于改进的三向流Faster R-CNN的篡改图像识别[J]. 计算机应用, 2020, 40(5): 1315-1321.
[9]	邱云飞, 刘兴. 具有抗仿射性的局部特征点匹配方法[J]. 计算机应用, 2020, 40(4): 1133-1137.
[10]	刘尚旺, 刘承伟, 张爱丽. 基于深度可分卷积神经网络的实时人脸表情和性别分类[J]. 计算机应用, 2020, 40(4): 990-995.
[11]	沈亮, 王鑫, 陈曙晖. 面向移动应用识别的结构化特征提取方法[J]. 计算机应用, 2020, 40(4): 1109-1114.
[12]	郭志强, 胡永武, 刘鹏, 杨杰. 基于特征融合的室外天气图像分类[J]. 计算机应用, 2020, 40(4): 1023-1029.
[13]	张俊升, 徐晶晶, 余伟. 面部美化图像质量无参考评价方法[J]. 计算机应用, 2020, 40(4): 1184-1190.
[14]	陈梅婕, 谢振平, 陈晓琪, 许鹏. 专利新词发现的双向聚合度特征提取新方法[J]. 计算机应用, 2020, 40(3): 631-637.
[15]	朱喆, 许少华. 降噪自编码器深度卷积过程神经网络及在时变信号分类中的应用[J]. 计算机应用, 2020, 40(3): 698-703.

图像局部映射二进制串描述符

Binary projection for image local descriptor

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics