基于知识的部分匹配方法研究
基于图像分割的立体匹配方法研究的开题报告
基于图像分割的立体匹配方法研究的开题报告一、选题背景随着无人驾驶、虚拟现实等技术的发展，立体匹配技术越来越受到关注。
立体匹配技术是指利用两张或多张图像（视角）获取的信息，对物体的三维结构进行重建和计算。
对于双目视觉来说，关键就是如何找到两幅图像对应点的匹配关系，也就是所谓的“立体匹配”。
目前，图像分割技术已经成为计算机视觉领域中的基础问题，并且发挥着越来越重要的作用。
图像分割的主要任务是将图像中的像素分成若干互不重叠的子集，每个子集内部具有一定的相似性，而不同的子集之间具有明显的区别。
因此，利用图像分割技术可以将整幅图像分割成具有物理意义的小块，然后通过立体匹配方法进行匹配，进而得到物体的三维结构信息。
因此，本文将深入探究基于图像分割的立体匹配方法，研究其关键技术并进行方法设计与实现。
二、研究内容（1）图像分割的基础知识与算法，包括传统图像分割方法（如阈值分割、边缘检测等），以及目前流行的深度学习方法（如卷积神经网络、Unet等）；（2）立体匹配的基础知识与算法，包括传统立体匹配方法（如基于块匹配、全局优化等），以及现在流行的深度学习方法（如神经网络、深度图等）；（3）基于图像分割的立体匹配的主要核心技术研究，包括基于分割的匹配点提取方法、匹配代价计算方法、匹配点筛选方法等；（4）提出一种结合图像分割技术的全新立体匹配方法，并通过实验证明其性能优异性。
三、研究意义本文旨在通过深入研究基于图像分割的立体匹配方法，探究三维立体匹配中的关键技术，提高立体匹配的效率和精度，为机器视觉领域的发展作出贡献。
四、研究计划第一年1.学习分析图像分割与立体匹配领域的暂存进展；2.熟练掌握图像分割算法；3.深入研究立体匹配算法；4.尝试进行基于图像分割的立体匹配的算法仿真和实验。
第二年1.结合图像分割算法，提出全新的立体匹配算法；2.通过实验验证新算法的效果，并对算法进行调整和优化；3.撰写论文，并进行论文答辩。
五、预期成果1.掌握图像分割与立体匹配算法的基础知识；2.提出基于图像分割的立体匹配算法，并进行有效实现；3.深入探究图像分割在立体匹配中的作用；4.撰写一篇研究论文及其答辩。
基于知识图谱的图像检索技术研究
基于知识图谱的图像检索技术研究随着人工智能技术的不断发展，图像识别和检索技术也在不断更新和改进。
近年来，基于知识图谱的图像检索技术逐渐成为研究热点，取得了令人瞩目的成果。
一、知识图谱介绍知识图谱是一种语义网络，结合了本体、实体、属性、关系等要素，可以描述现实世界中的实体及其属性与关系。
简单来说，知识图谱就是将各种信息进行有机结合并形成一张庞大的网络。
这种网络可以用于包括图像检索在内的各种领域。
二、基于知识图谱的图像检索技术原理基于知识图谱的图像检索技术，主要是将图像中的特征进行提取，并将这些特征映射到知识图谱中。
这样就可以实现图像与知识图谱中实体之间的对应关系。
然后，通过对知识图谱进行查询和分析，就可以实现对图像的检索和识别。
三、基于知识图谱的图像检索技术应用基于知识图谱的图像检索技术可以广泛应用于各个领域。
例如，在医疗领域，可以利用知识图谱中的医学实体和属性对医学图像进行识别和检索；在智能家居领域，可以将各种家居物品和场景形成知识图谱，从而实现家居图像的自动识别和智能控制。
四、基于知识图谱的图像检索技术优势相比传统的图像检索技术，基于知识图谱的图像检索技术有以下优势：1. 语义更加准确知识图谱中的实体和属性都有明确的语义含义。
因此，通过将图像映射到知识图谱中，就可以实现对图像语义的更加准确的描述和识别。
2. 检索效率更高传统的图像检索技术往往需要进行全局匹配，效率比较低。
而基于知识图谱的图像检索技术，可以在知识图谱中进行局部匹配，从而提高检索效率。
3. 数据组织更加便捷知识图谱可以将各种信息进行有机结合，并形成一张庞大的网络。
这种网络可以非常便捷地管理和组织大量的数据和信息。
五、总结基于知识图谱的图像检索技术，可以实现对图像的更加准确的识别和检索，可以应用于医疗、智能家居、安防等领域，具有很高的发展前景和市场潜力。
随着人工智能技术的不断发展，相信基于知识图谱的图像检索技术也将不断完善和提升其应用效果。
基于先验知识的目标检测算法
基于先验知识的目标检测算法
基于先验知识的目标检测算法是一种常见的目标检测方法，它利用已知的目标特征、形状、纹理等先验信息来指导目标检测过程，从而提高检测的准确性和稳定性。
以下是一些常见的基于先验知识的目标检测算法：
特征分类法：该方法首先从图像中提取出与目标相关的特征，然后使用分类器对这些特征进行分类，以确定目标的存在和位置。
常见的特征包括边缘、角点、斑点等。
支持向量机（SVM）、神经网络等分类器常用于此方法。
形状模板匹配法：该方法首先定义目标的形状模板，然后在图像中寻找与模板匹配的区域，从而检测出目标。
常见的形状模板匹配算法包括基于像素的匹配算法、基于特征的匹配算法等。
纹理分析法：该方法利用目标的纹理特征来检测目标。
常见的纹理分析算法包括基于滤波器的方法、基于模型的方法等。
其中，基于模型的方法包括Gabor滤波器、小波变换等。
运动信息法：该方法利用目标的运动信息来检测目标。
常见的方法包括光流法、背景减除法等。
其中，光流法通过分析像素点的运动矢量来检测运动目标；背景减除法通过将当前帧与背景帧相减来检测运动目标。
在实际应用中，可以根据具体场景和需求选择适合的目标检测算法。
同时，也可以结合多种方法进行目标检测，以提高检测的准确性和鲁棒性。
基于知识图谱的结构化数据分类算法研究
基于知识图谱的结构化数据分类算法研究作者：王胜漪刘汪洋邹佳蔡惠民来源：《计算机时代》2022年第09期摘要：數据的自动分类有利于实现数据高效管理。
针对政府结构化库表数据中标签数据少、数据交叉多所导致的分类难点问题，提出了结合知识图谱的政府结构化库表数据自动分类算法。
以政务知识图谱为核心，结合BERT、TF-IDF、LDA模型形成了无主题、单主题、多主题分类器，通过组合三个分类器共同实现政府结构化库表数据的自动分类。
经实验表明，该方法与传统短文本分类算法相比，在准确率、召回率和F1值上均较大提升，表现出了良好的分类效果。
关键词：共享开放; 知识图谱; BERT模型; 政府数据; TF-IDF; 文本分类中图分类号：TP391 文献标识码：A 文章编号：1006-8228（2022）09-58-05Research on structured data classification algorithm based on knowledge graphWang Shengyi， Liu Wangyang， Zou Jia， Cai Huimin（National Engineering Laboratory for Big Data Application in Improving Government Governance Capabilities，CETC Big Data Research Institute Co.，Ltd.， Guiyang， Guizhou 550081， China）Abstract： The automatic classification of data is conducive to the efficient management of data. Aiming at the classification difficulties caused by less label data and more data intersection in government structured database table data， an automatic classification algorithm of government structured database table data combined with knowledge graph is proposed. Taking the government affairs knowledge graph as the core， combined with the BERT， TF-IDF， and LDA models，three classifiers including no-topic， single-topic， and multi-topic are formed. By combining the three classifiers， the automatic classification of government structured database table data is realized. Experiments show that compared with the traditional short text classification algorithm， the method has a great improvement in the accuracy rate， recall rate and F1 value， and shows a good classification effect.Key words： sharing and openness; knowledge graph; BERT; government data; TF-IDF; text classification0 引言在大数据发展的今天，政府数据资源的开放共享是大数据产业蓬勃发展的关键。
多轮对话系统中基于知识图谱的意图识别技术研究
多轮对话系统中基于知识图谱的意图识别技术研究随着人工智能技术的不断发展，语音技术应用的场景也越来越广泛。
多轮对话是指在一次问答中，针对用户的每一个问题都需进行回答和提示，然后再确定意图，并将结果返回给用户。
而多轮对话系统中，意图识别是一个非常重要的环节，直接影响到整个对话的质量。
本文主要讨论基于知识图谱的意图识别技术在多轮对话系统中的应用。
1. 多轮对话系统的构成和意图识别方法多轮对话系统的构成一般包括语音识别、自然语言处理、意图识别、对话管理和语音合成等几个部分。
其中，意图识别是指通过对用户输入的自然语言进行处理，判断用户所表达的意图，做出相应的回应。
而目前，主要的意图识别方法包括统计机器学习、深度学习和基于知识图谱的方法。
2. 知识图谱和意图识别知识图谱是一种由大规模结构化和语义化数据构成的计算机可读的图形化知识表示形式。
知识图谱可以将实体、关系和属性等信息结构化存储，并通过具有语义表达能力的图形模型来表达数据之间的语义相关性。
因此，在多轮对话系统中，基于知识图谱的意图识别方法可以利用这种丰富的语义信息来提高意图判断的准确性。
3. 基于知识图谱的意图识别方法在基于知识图谱的意图识别方法中，首先需要构建一个完整的知识图谱，并将其存储在图数据库中。
然后，对于用户的输入语句，首先需要进行自然语言处理，如分词、词性标注和命名实体识别等。
接着，从知识图谱中匹配用户输入语句中所包含的实体和关系，并将其转换成一个图形模型。
最后，通过图形模型的表示形式来进行意图识别。
在基于知识图谱的意图识别方法中，知识图谱的建立和维护是一个非常困难的问题。
因为知识图谱的构建需要从海量的数据中提取结构化的信息，并将其描绘成一个完整的图形模型。
而这需要涉及到自然语言处理、语义分析和关系抽取等多个方向的研究。
4. 实例分析以图书咨询系统为例，该系统可提供有关图书的基本信息和借阅信息等服务，用户可以通过语音交互进行查询。
在用户询问“有没有关于程序设计的书？”时，需要进行意图识别，才能找到相应的图书信息进行回答。
基于知识图谱的文本自动标注技术研究
基于知识图谱的文本自动标注技术研究随着互联网的快速发展和信息爆炸式增长，获取并组织大规模文本数据变得越来越重要。
文本标注是指为文本中的实体、概念或关系赋予特定标签，以提高文本理解和应用的过程。
在大规模文本数据的处理中，传统手动标注的方式已经难以满足需求，因此基于知识图谱的文本自动标注技术应运而生。
本文旨在探讨这一技术在自然语言处理领域的应用和研究进展。
知识图谱是一种结构化的知识表示模型，通过将实体、关系和概念以节点和边的形式连接在一起，形成一个具有语义关联的图形数据库。
它能够对海量的实体和关系进行有效的组织和检索，为文本自动标注提供了有力支持。
基于知识图谱的文本自动标注技术主要包括两个关键步骤：实体识别和实体链接。
实体识别是指从文本中识别出具有特定意义的实体，例如人名、地名、机构名等。
实体链接则是将这些实体链接到知识图谱中的对应节点，从而赋予实体语义标签。
在实体识别方面，基于知识图谱的方法主要利用实体的上下文语境和语义信息进行识别。
通过构建一个候选实体集合，然后使用机器学习和深度学习算法进行分类，最终确定正确的实体标签。
另外，还可以通过实体识别模型与已知实体库进行匹配，提高实体识别的准确性和召回率。
实体链接是将文本中的实体与知识图谱中的实体进行对应的过程。
它的关键在于如何选择合适的候选实体，并通过实体相似度计算和语义关联等方法找到最佳匹配。
常用的方法包括基于规则的匹配、基于统计的实体消歧和基于知识图谱的实体推理等。
基于知识图谱的文本自动标注技术在实际应用中有着广泛的应用领域。
首先，在信息抽取和知识图谱构建中，文本自动标注可以提高实体和关系抽取的效率和准确性，为知识图谱的构建提供有力支持。
其次，在自然语言理解和问答系统中，文本自动标注能够更好地理解用户意图和语义，提高系统的交互效果和准确率。
此外，在社交媒体分析和文本挖掘中，文本自动标注也具有重要的应用价值，可以帮助分析用户行为和提取有价值的信息。
基于热核信号的3D图形的分层匹配方法
基于热核信号的3D图形的分层匹配方法I. 引言- 介绍3D图形的分层匹配方法以及其在热核信号中的应用- 强调热核信号对于医学图像分析的重要性II. 相关工作- 对已有的基于热核信号的3D图形匹配方法进行综述和分析 - 总结不同方法的优缺点，并指出其在特定场景下的适用性III. 基于热核信号的3D图形分层匹配方法- 提出一种新的基于热核信号的3D图形分层匹配方法- 详细说明该方法的工作原理，包括深度学习技术和梯度下降算法的应用IV. 实验结果与分析- 使用我们提出的方法对热核信号图像进行分层匹配- 与其他方法进行比较，并说明提出方法的优势所在- 分析实验结果，探讨该方法的局限性V. 结论和展望- 总结本论文主要内容，并指出下一步研究的方向- 强调本研究对于医学图像分析的意义和应用前景VI. 参考文献随着计算机技术的不断发展和医学影像学的广泛应用，3D图形匹配已成为医学图像处理领域的一个重要研究方向之一。
3D图形匹配可以描述体素或点之间的相对位置及其之间的关系，是研究医学图像形态分析、特征分析、手术仿真等领域的基础。
与2D图像相比，3D图形匹配具有更复杂的图形结构和更大的数据规模，因此需要更精确和高效的算法来进行匹配。
在医学图像处理中，热核信号是一种常见的图像信号，可用于对临床疾病进行诊断和治疗。
热核信号具有很强的空间分辨率和时间分辨率，这为匹配和定位提供了可靠的信息来源。
基于热核信号的3D图形分层匹配方法是一种新兴的研究方向，在医学影像学中应用广泛。
该方法利用热核信号图像的特征，结合深度学习技术和梯度下降算法来实现3D图形匹配。
其主要思路是将3D图形拆分为多个层次，然后在每个层次中分别进行匹配，从而提高匹配速度和精度。
本文的主要研究目的是探讨基于热核信号的3D图形分层匹配方法的原理、实现和效果，并对该方法进行系统评估和对比实验。
文章主要分为五个部分。
第一部分是引言，介绍3D图形匹配和热核信号的相关概念和研究现状，强调热核信号在医学图像分析中的应用价值。
图像匹配方法研究综述
图像匹配方法研究综述一、本文概述图像匹配，作为计算机视觉和图像处理领域的重要研究内容，旨在从大量的图像数据库中寻找与给定查询图像相似或相同的图像。
随着数字图像数据的爆炸性增长，图像匹配技术在许多实际应用中，如目标识别、遥感图像处理、人脸识别、图像检索、视频监控、医学图像分析等领域，都发挥了关键的作用。
然而，由于图像匹配涉及的问题复杂多样，包括光照变化、尺度变化、旋转、遮挡、噪声干扰等因素，使得图像匹配成为一个具有挑战性的研究课题。
本文旨在全面综述图像匹配方法的研究现状和发展趋势。
我们将对图像匹配问题进行明确的定义和分类，阐述其在实际应用中的重要性。
然后，我们将详细介绍传统的图像匹配方法，如基于特征的方法、基于区域的方法、基于变换的方法等，并分析其优缺点和适用场景。
接下来，我们将重点介绍近年来兴起的深度学习方法在图像匹配中的应用，包括卷积神经网络（CNN）、孪生网络、注意力机制等，并探讨其与传统方法的比较和优势。
我们还将对图像匹配的评价指标和常用数据集进行介绍，以便读者对各类方法的性能有更加直观的了解。
我们将对图像匹配方法的未来发展趋势进行展望，以期为相关研究人员提供有益的参考和启示。
通过本文的综述，我们希望能够为读者提供一个全面、深入的图像匹配方法的知识体系，促进该领域的研究进展和应用发展。
二、图像匹配方法分类图像匹配作为计算机视觉和图像处理领域的重要研究内容，其目标是在不同视角、光照、尺度或形变等情况下，找到两幅或多幅图像之间的相似性或关联性。
根据算法的不同特点和应用场景，图像匹配方法大致可以分为以下几类。
基于特征的方法：这类方法首先提取图像中的关键特征，如角点、边缘、斑点等，然后对这些特征进行描述和编码，最后通过特征之间的相似性度量来实现图像匹配。
常见的特征提取算法有SIFT、SURF、ORB等，它们能够在一定程度上应对光照、尺度和旋转等变化。
基于特征的方法通常具有较高的准确性和鲁棒性，但计算复杂度较高，实时性较差。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第２９卷第６期 ２０１２年６月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏ１．２９ Ｎｏ．６
Ｊｕｎ．２０１２
基于知识的部分匹配方法研究 张小洪，李相军，林晓泽 （重庆大学软件学院，重庆４０００３０）
摘要：针对Ｓｕｐｅｒ提出的基于知识的部分匹配方法中，直接以坐标值描述部分轮廓的方法容易受形变或扭曲 等干扰因素的影响，基于ＳＩＦＴ描述思想提出了一种新的ＢＳＩＦＴ轮廓描述子，用于改进Ｓｕｐｅｒ的坐标值描述方法。 首先介绍了基于知识的部分匹配方法的基本思想、特点及实现过程；然后详细阐述了ＢＳＩＦＴ描述子的构建方法； 最后，通过实验验证了该方法具有更好的鲁棒性，部分匹配的准确度更高，匹配的部分轮廓更有意义。 关键词：部分轮廓；ＢＳＩＦＴ描述子；概率函数；部分匹配 中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１００１—３６９５（２０１２）０６—２３９７—０４ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３６９５．２０１２．０６．１０７
Ｒｅｓｅａｒｃｈ ｏｎ ｋｎｏｗｌｅｄｇｅ—ｂａｓｅｄ ｐａｒｔ ｃｏｒｒｅｓｐｏｎｄｅｎｃｅ ｍｅｔｈｏｄ ＺＨＡＮＧ Ｘｉａｏ—ｈｏｎｇ，ＬＩ Ｘｉａｎｇ－ｊｕｎ，ＬＩＮ Ｘｉａｏ—ｚｅ （Ｓｃｈｏｏｌ ｏｆＳｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ ４０００３０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｆｏｃｕｓｉｎｇ ｏｎ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｐａｒｔ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｏｏｒｄｉｎａｔｅ—ｖａｌｕｅｓ ｉｎ Ｓｕｐｅｒ’Ｓ ｋｎｏｗｌｅｄｇｅ—ｂａｓｅｄ ｐａｒｔ ｃｏｒｒｅ— ｓｐｏｎｄｅｎｃｅ ａｌｇｏｒｉｔｈｍ，ｔｈａｔ ｔｈｅ ｃｏｎｔｏｕｒ’Ｓ ｃｏｏｒｄｉｎａｔｅ ｖａｌｕｅｓ ａｒｅ ｅａｓｙ ｃｈａｎｇｅｄ ｂｙ ｔｈｅ ｆａｃｔｏｒｓ ｏｆ ｄｅｆｏｒｍａｔｉｏｎ，ｄｉｓｔｏｒｔｉｏｎ ａｎｄ ＳＯ ｏｎ．Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｎｏｖｅｌ ＢＳＩＦＴ ｄｅｓｃｒｉｐｔｏｒ ｗｈｉｃｈ ｗａｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｉｄｅａ ｏｆ ＳＩＦＴ ｄｅｓｃｒｉｐｔｏｒ ｔｏ ｉｍｐｒｏｖｅ Ｓｕｐｅｒ’Ｓ ｃｏｏｒｄｉ— ｎａｔｅ—ｖａｌｕｅ ｄｅｓｃｒｉｐｔｉｏｎ ｍｅｔｈｏｄ．Ｆｉｒｓｔ，ｉｔ ｉｎｔｒｏｄｕｃｅｄ ｔｈｅ ｂａｓｉｃ ｉｄｅａｓ，ｃｈａｒａｃｔｅｒｉｓｔｉｃ ａｎｄ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｋｎｏｗｌｅｄｇｅ－ｂａｓｅｄ ｐａｒｔ ｃｏｒｒｅｓｐｏｎｄｅｎｃｅ ｍｅｔｈｏｄ，ｔｈｅｎ ｄｅｓｃｒｉｂｅｄ ｔｈｅ ＢＳＩＦＴ ｄｅｓｃｒｉｐｔｏｒ’Ｓ ｃｏｎｓｔｒｕｃｔｉｏｎ ｐｒｏｃｅｓｓ ｉｎ ｄｅｔａｉｌ．Ｆｉｎａｌｌｙ，ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔ ｄｅｍｏｎｓｔｒａｔｅｓ ｔｈｉｓ Ｈｏｖｅｌ ｍｅｔｈｏｄ ｃａｎ ｏｂｔａｉｎ ａ ｂｅｔｔｅｒ ｒｏｂｕｓｔｎｅｓｓ，ｇｅｔ ｈｉｇｈｅｒ ａｃｃｕｒａｃｙ ａｎｄ ｌｅｔ ｔｈｅ ｍａｔｃｈｉｎｇ ｐａｒｔｓ ｍｏｒｅ ｍｅａｎｉｎｇ— ｆｕｌ＿ Ｋｅｙ ｗｏｒｄｓ：ｐａｒｔ ｃｏｎｔｏｕｒ；ＢＳＩＦＴ ｄｅｓｃｒｉｐｔｏｒ；ＣＰＦ（ｃｈａｎｃｅ ｐｒｏｂａｂｉｌｉｔｙ ｆｕｎｃｔｉｏｎｓ）；ｐａｒｔ ｃｏｒｒｅｓｐｏｎｄｅｎｃｅ
０ 引言 目前对于形状匹配问题的研究主要集中在两个形状之间 的匹配问题的研究。形状轮廓作为形状最显著的特征，一直是 形状匹配研究中的研究重点…。至今，学者们已提出了大量 的形状匹配方法，这些方法可以分为几何形状匹配方法和结构 化匹配方法。 几何匹配方法通过寻找形状之问轮廓点或底层空间数据 的对应关系进行匹配，这类方法的主要缺点是形状底层空间数 据之间的对应关系很模糊，容易造成歧义现象。针对此问题， 学者们提出许多改进方法，这些方法基于全局优化 ’ 或中心 点上下文信息 来消除底层空间数据之间的模糊性。例如： Ｍｏｉｌ等人提出的形状上下文匹配方法 Ｊ，该方法具有平移、旋 转和伸缩不变等特征；Ｂａｉ等人 研究了形状骨骼线，提出了 形状骨骼匹配方法；Ｌｉ等人 定义了一种复杂矩用于形状的 特征描述；ｘｕ等人 定义了一种轮廓柔韧性来实现二维形状 的匹配等。 结构化匹配方法基于形状的部分轮廓，以及部分轮廓之间 的相互关系来匹配形状。这种方法的主要缺点是结构化表示 的可靠性很差，因为较小的几何变换就可能导致形状结构上发 生很大的变化。目前，解决该问题的主要方法都是通过构建近 似的图、树或序列进行形状匹配 ” 。 针对目前几何方法和结构化方法存在的问题，Ｓｕｐｅｒ １４］提 出了一种基于知识的部分匹配方法，该方法从多个方面解决了 几何和结构化方法的缺点。首先，该方法采用复合分割的方式 减少底层几何数据的模糊性，生成的复合ｐａｒｔｓ更能体现形状 的本质特征；同时，与结构化方法相比，部分匹配方法直接用形 状之问的ｐａｒｔｓ进行匹配，不需要考虑部分轮廓之间的相互关 系；其次，基于知识的部分匹配方法不需要任何的形状类别信 息，可以处理任意类型的形状匹配问题。部分匹配可以视为是 介于几何和结构化方法之间的一种新方法。 在Ｓｕｐｅｒ方法中，分割出来的ｐａｒｔｓ直接以采样后轮廓点 的坐标值进行描述，而形状的轮廓容易受到形变、扭曲等干扰 因素的影响，使得轮廓点的坐标值变得不稳定，因此这种坐标 值描述方法不具有很好的鲁棒性。为此，本文提出了一种新的 用于部分轮廓描述的ＢＳＩＦＴ（ｂｏｕｎｄａｒｙ ｓｃａｌｅ—ｉｎｖａｒｉａｎｔ ｆｅａｔｕｒｅ ｔｒａｎｓｆｏｒｍ）描述子，该描述子是基于ＳＩＦＴ 描述子的思想所构 建的。ＳＩＦＴ描述子＿１ 对图像的旋转、尺度缩放、视角变化、仿 射变换以及噪声都具有较强的鲁棒性。实验表明，本文提出的 ＢＳＩＦＴ保持了ＳＩＦＴ描述子的强鲁棒性，与Ｓｕｐｅｒ方法相比，基 于ＢＳＩＦＹ描述子的部分匹配具有更好的匹配效果。
收稿日期：２０１１—１０—３０；修回日期：２０１１—１２—０２ 基金项目：国家自然科学基金资助项目（６０９７５０１５）；重庆大学研究生科技创新基金资助 项目（ＣＤＪＸＳＩＯ０９０００２）；中央高校基本科研业务费科研重点专项（ＣＤＪＺＲ１１０９５５０１）；重庆自然科学基金资助项目（ｃｓｒｓ２０１０ＢＢ２０６１） 作者简介：张小洪（１９７３－），男，教授，主要研究方向为模式识别、人工智能、软件工程及应用；李相军（１９８７一），男，重庆巫溪人，硕士研究生，主 要研究方向为模式识别（ｗｅｉｈａｉ ６２４＠１２６．ｃｏｍ）；林晓泽（１９８８－），男，福建泉州人，硕士研究生，主要研究方向为图像处理． ・２３９８・ 计算机应用研究 第２９卷 １ 基于知识的部分匹配方法 Ｓｕｐｅｒ提出了基于知识的部分匹配思想，其将部分匹配分 为ｐａｎ生成、ｐａｎ表示和ｐａｒｔ匹配三个部分。
１．１ Ｐａｎ生成 在Ｓｕｐｅｒ的部分匹配方法中，采用复合分割的方式获取形 状的ｐａｒｔｓ。复合分割的步骤是：ａ）若Ｃ表示形状的轮廓，首先 采用特征检测算法获取形状的特征点集Ｋ＝｛ｋ ”， ｝；ｂ）对 于集合Ｋ中的任意两个值ｋ 、 ，用［ｋ ，｜ｉ｝ ］表示Ｃ中从点ｋ 到 点 包含的轮廓点，［ｋ ， ，］是不同特征点之间的方向间隔，有 ［ｋ ， ｕ［ ，，ｋ ］＝Ｃ，［ｋ ， ，］表示形状的一个ｐａｎ。采用复合 分割的方式，若检测出形状轮廓有ｎ个特征点，则可分割出 ｎ（ｎ一１）个ｐａｎｓ。 Ｓｕｐｅｒ在其部分匹配方法中没有给出获取形状特征点的具 体方法。角点是轮廓最重要的特征之一，因此本文以轮廓角点 作为特征点。与其他角点检测算法相比，ＢＤｏＧ角点检测算 法 的实现简单，准确度高，因此本文用该方法获取形状的角 点信息。 复合分割获得的ｐａｎｓ，除了相邻角点构成的ｐａｒｔｓ只包含 单个角点的信息外，其他ｐａｎｓ都包含了多个角点的信息，有些 ｐａｎｓ甚至可以近似表示形状的整体轮廓。这种方式虽然包含 了一定的冗余数据，但却可以表示出形状及其部分轮廓在不同 形态下的分布，从而保证了匹配时，该方法对形状的旋转、缩放 等几何变换具有不变性。对于相邻角点构成的ｐａｎｓ，由于轮 廓段太小，显然这类ｐａｒｔｓ包含的有用信息很少。在部分匹配 时，可以通过设定阈值的方法将这些ｐａｎｓ去掉，从而减少算法 的计算时间。 １．２ Ｐａｎ表示 形状分割获得的ｐａｎｓ不具有尺度不变性，通过平移、旋 转、对称和缩放等几何变换方法将其统一到以角点为坐标轴的 ［０，１］标准尺度空间，从而保证了每个ｐａｎ的几何不变性。同 时，不同的ｐａｎｓ包含的轮廓点个数不相同，因此需要对其进行 采样。Ｓｕｐｅｒ在其部分匹配方法中没有给出具体的采样方法， 本文根据ｐａｎ归一化后轮廓点的顺序进行均匀采样。采样的 计算过程如式（１）所示： ｋ＝Ｎ／Ｓ Ｐ＝ｋ ｘｊ； ≤ｓ，第 次采样 Ｐ ＝ｉｎｔ（ｐ）；取整 ，Ｉ、 ｓ＿Ｘ（ ）＝Ｘ（ｐ ）＋（Ｘ（ｐ ＋１）一ｘ（ｐ ））×（ｐ－ｐ ） ｓ—ｌ，∽：ｌ，（ｐｒ）＋ 捌 （ｐ ｒ）） 其中：Ⅳ表示ｐａｎ包含的轮廓点个数；Ｓ是设置的采样数；Ｘ、Ｙ 表示ｐａｎ轮廓点坐标的 、Ｙ坐标值。该采样方法是按照采样 间隔，对相邻的两个点用线性插值的方法进行采样。ＰａＮ分割 和ｐａｎ表示的整个过程如图１所示。 Ｓｕｐｅｒ直接以ｐａｎ采样后轮廓点的坐标值描述形状，由于 形状受到形变或扭曲等因素干扰后，其局部轮廓会发生较大变 化，因此坐标值描述方法的稳定性较差。本文用ＢＳＩＦＴ描述子 表示ｐａｒｔ采样后的轮廓点。ＢＳＩＦＴ描述子通过多种加权操作， 可以很好地消除各种干扰因素对形状的影响，同时降低了ｐａｎ 表示的维度。本文第２章对ＢＳＩＦＴ描述子的构建过程进行了 详细的阐述。 轮 （ｈ）采样 （ｇＪ镅放变换 图１ Ｐａｒｔ分割及表示示意图 １．３ Ｐａｒｔ匹配 Ｓｕｐｅｒ提出了一种概率函数（ＣＰＦ） 用于匹配两个ｐａｎｓ。 ＣＰＦ的基本思想是：要判断Ｐ、ｑ之间的相似度，首先用一种度 量标准（如欧氏距离）计算出Ｐ、ｑ之间的距离Ｄ；然后用训练数 据库中的每个ｐａｒｔ分别与Ｐ、ｑ进行比较，求出获得一个到Ｐ或 ｑ的距离小于Ｄ的ｐａｎ的概率。也就是说，ＣＰＦ通过计算获得 一个新ｐａｎ，它与Ｐ或ｑ的相似度要高于Ｐ、ｇ之间相似度的概 率，来表示Ｐ、ｑ之间的相似性。如果这种概率值很低，则说明 Ｐ、ｇ之间的相似度很高；反之，则说明Ｐ、ｑ之间的相似度很低。 ＣＰＦ与以往依靠某种度量标准来计算两个物体之问的相 似性的方法不同，它引入了一个知识库，通过与知识库中已有 物体的比较，来确定两个物体相似的概率值。这种匹配的思 想，符合人类视觉系统对事物的认知过程。 ２ ＢＳＩＦＴ描述子 ＳＩＦＴ描述子是一种用于图像区域特征描述的鲁棒描述方 法。本文基于ＳＩＦＴ描述子的基本思想，提出了一种用于轮廓 曲线特征描述的ＢＳＩＦＴ描述子。两种描述方法的主要区别在 于位置、高斯、方向加权的实现。 对分割出的每个ｐａｎ，ＢＳＩＦＦ描述子首先计算该轮廓段上 点的梯度方向和梯度模值，如式（２）所示。对于ｐａｎ上的每个 点，根据与其相邻的前后两个点的坐标值计算该点的梯度值和 梯度方向。 ｍ（ｉ）＝￣／（ｙ（ｉ＋１）一ｙ（ｉ一１））‘＋（ （ｉ＋１）一 （ｉ一１））‘ （ ）＝ａｔａｎ ２（（ｙ（ ＋１）一ｙ（ 一１））／（ （ｉ＋１）一 （ｉ—Ｉ）））（２） 类似于ＳＩＦＦ描述子需要对其邻域进行分块，在计算ｐａｎ 的权重之前，首先需要将其轮廓进行分段。若采样后的ｐａｒｔ有 Ｓ个点，设分段间隔为Ｄ，则可将该ｐａｎ分为Ｓ／Ｄ段，表示为ｎ。 每Ｄ个轮廓点被分为一段，每一段的中心点作为该段的加权 点，用ｃ，（第 段的中心点）表示。对ｐａｎ上的每个轮廓点，依 次计算其高斯、位置、方向加权，然后将同一分段内的所有轮廓 点的权重向量累加，生成描述子。ＢＳＩＦＴ描述子的加权过程如