CN116310417A - 一种基于形状上下文信息的近似图匹配方法及系统 - Google Patents

一种基于形状上下文信息的近似图匹配方法及系统 Download PDF

Info

Publication number
CN116310417A
CN116310417A CN202310250802.7A CN202310250802A CN116310417A CN 116310417 A CN116310417 A CN 116310417A CN 202310250802 A CN202310250802 A CN 202310250802A CN 116310417 A CN116310417 A CN 116310417A
Authority
CN
China
Prior art keywords
graph
affinity matrix
nodes
affinity
matching
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310250802.7A
Other languages
English (en)
Other versions
CN116310417B (zh
Inventor
牛冬梅
窦文涛
盛守贺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Original Assignee
University of Jinan
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Jinan filed Critical University of Jinan
Priority to CN202310250802.7A priority Critical patent/CN116310417B/zh
Publication of CN116310417A publication Critical patent/CN116310417A/zh
Application granted granted Critical
Publication of CN116310417B publication Critical patent/CN116310417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于形状上下文信息的近似图匹配方法及系统，涉及计算机视觉领域，具体方案包括：基于待匹配的两张属性图中节点之间的对应关系，构建关联图；基于关联图，分别计算包含局部距离信息、形状上下文信息和全图局部角度信息的亲和度矩阵，并融合成一个亲和度矩阵；基于亲和度最高的节点的距离信息，对亲和度矩阵进行更新，得到最终的亲和度矩阵；基于最终的亲和度矩阵，求解两张属性图的匹配关系；本发明增加约束条件与图信息来构造亲和度矩阵，减少引入的噪声和变形误差，降低错误匹配关系亲和度，提高匹配精度。

Description

一种基于形状上下文信息的近似图匹配方法及系统
技术领域
本发明属于计算机视觉领域，尤其涉及一种基于形状上下文信息的近似图匹配方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
图匹配作为计算机视觉和模式识别中的一个重要研究方法，常应用于特征跟踪、目标识别、双目视觉、形状分析和图像检索等方向。在图匹配中，图的顶点表示提取出的图像特征点，边表示两个图像特征点之间的信息，用于衡量点对之间的相似度。给定两幅图，图匹配旨在找出两幅图的节点间的一一对应关系，从而对图进行匹配。
现有的图匹配方法可以分为精确图匹配方法和近似图匹配方法；精确匹配要求匹配的结果和模式图的结构及属性完全一致，这种方法主要应用于对匹配结果的准确率要求较高的领域；与近似图匹配方法相比，精确图匹配方法通常更复杂、更耗时，需要更多图的信息；近似图匹配方法一般将图匹配问题视为一个优化问题，通过求解一个目标函数来获得两幅图之间的最优匹配。
从定义目标函数的角度来看，近似图匹配方法又可以分为基于邻接矩阵的方法和基于亲和度矩阵的方法；基于邻接矩阵的方法只适用于匹配节点数相同的两幅图，在实际研究中，大多数问题的节点数是不同的，所以基于邻接矩阵的方法有较大的局限性；基于亲和度矩阵的方法可以处理复杂的图匹配问题，该方法将计算两个图之间的对应关系问题归结为关联图上的节点选择问题，关联图的节点表示两个原始图之间的候选对应关系。
重加权随机游动(RRWM)方法是一种著名的基于亲和度矩阵的方法，它不需要相同数量的节点来寻找两个图上特征点之间的候选对应关系，对于要匹配的两张图，计算边的距离，即所有点对之间的欧氏距离；通过比较两图各边的欧氏距离差，得到一个亲和度矩阵，该矩阵的每个元素都用来度量图中节点对的相互一致性；基于上述所得亲和度矩阵，应用保留一对一匹配约束的RRWM方法来得到原始的两个图之间的近似匹配。
如何进一步提高匹配精度，一直是图匹配研究领域的主题，在过去几十年中，已经出现了许多关于使用基于亲和度矩阵的方法解决图匹配问题的工作，找到更加合理准确的方法构造一个亲和度矩阵，从而实现匹配精度的提高。
在实际应用中，噪声和变形是不可避免的，同时在匹配过程中可能出现图本身存在弱纹理或重复纹理区域的情况，或者在构造亲和度矩阵时约束条件单一，只考虑了局部边长差条件，仅捕获节点对之间的有限信息，使得不存在匹配关系的点对之间的亲和度很高；这些都可能导致错误的图之间具有较高的匹配度，使最终匹配结果的精度降低。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于形状上下文信息的近似图匹配方法及系统，增加约束条件与图信息来构造亲和度矩阵，减少引入的噪声和变形误差，降低错误匹配关系亲和度，提高匹配精度。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了一种基于形状上下文信息的近似图匹配方法；
一种基于形状上下文信息的近似图匹配方法，包括：
基于待匹配的两张属性图中节点之间的对应关系，构建关联图；
基于关联图，分别计算包含局部距离信息、形状上下文信息和全图局部角度信息的亲和度矩阵，并融合成一个亲和度矩阵；
基于亲和度最高的节点的距离信息，对亲和度矩阵进行更新，得到最终的亲和度矩阵；
基于最终的亲和度矩阵，求解两张属性图的匹配关系。
进一步的，所述属性图由节点集、边集和属性集组成；
所述节点是从原图中提取出的图像特征点，所述边是两个图像特征点之间的相似度。
进一步的，所述关联图中的节点，是两张属性图的节点组成的节点对，表示节点对中两个节点的对应关系。
进一步的，所述亲和度矩阵，由关联图中每对节点之间的亲和度组成；
基于局部距离信息、形状上下文信息和全图局部角度信息，分别计算关联图中每对节点之间的亲和度，得到三个亲和度矩阵。
进一步的，采用重加权随机游动方法，计算每对节点之间的欧氏距离，基于欧氏距离差计算所述局部距离信息；
属性图以每个节点为中心画同心圆、构建网格，获取当前圆心点周围节点的分布情况，计算每对节点的每个网格之间的周围点个数，基于周围点个数差值计算所述形状上下文信息；
通过每对节点之间的垂直线划分点集的方式，由点集的中心节点与每对节点构建三角形，基于三角形的角度，计算所述全图局部角度信息。
进一步的，所述融合成一个亲和度矩阵，具体为：
对三个亲和度矩阵进行归一化后，采用加权相加的方式进行融合。
进一步的，所述基于亲和度最高的节点的距离信息，对亲和度矩阵进行更新，得到最终的亲和度矩阵，具体为：
对于每个节点，从融合后的亲和度矩阵中查找亲和度最高的三个节点；
基于节点间的欧式距离，更新亲和度矩阵。
本发明第二方面提供了一种基于形状上下文信息的近似图匹配系统。
一种基于形状上下文信息的近似图匹配系统，包括关联图构建模块、亲和度计算模块、亲和度更新模块和节点匹配模块：
关联图构建模块，被配置为：基于待匹配的两张属性图中节点之间的对应关系，构建关联图；
亲和度计算模块，被配置为：基于关联图，分别计算包含局部距离信息、形状上下文信息和全图局部角度信息的亲和度矩阵，并融合成一个亲和度矩阵；
亲和度更新模块，被配置为：基于亲和度最高的节点的距离信息，对亲和度矩阵进行更新，得到最终的亲和度矩阵；
节点匹配模块，被配置为：基于最终的亲和度矩阵，求解两张属性图的匹配关系。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种基于形状上下文信息的近似图匹配方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种基于形状上下文信息的近似图匹配方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明提供了一种基于形状上下文信息的近似图匹配方法及系统，用于求解两幅图的匹配关系，解决现有方法存在的错误匹配关系亲和度高、匹配度低的问题，设计原理可靠，结构简单，具有非常广泛的应用前景。
本发明基于图节点局部距离信息、全局形状上下文信息和全局角度信息，对亲和度矩阵进行更新，进一步反映点在空间上的全局分布和局部分布，降低错误匹配关系亲和度，提高亲和度矩阵对图噪声的鲁棒性，提高匹配精度。
本发明聚焦于亲和度矩阵的构造，对其进行不断的调整以提高图匹配的准确度；局部距离信息只能捕获节点对之间有限的信息，不能反映节点的空间分布，将节点的空间分布引入亲和度矩阵在一定程度上减少不匹配的发生；此外，基于局部信息计算的节点对亲和力对图噪声敏感；考虑节点的全局信息构建亲和度矩阵将使得结果更准确更可靠，提高了对图噪声的鲁棒性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例中划分网格的示意图。
图3为第一个实施例中点集划分的示意图。
图4(a)、图4(b)为第一个实施例中三角形内角的示意图。
图5为第二个实施例的系统结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例一
本实施例公开了一种基于形状上下文信息的近似图匹配方法；
如图1所示，一种基于形状上下文信息的近似图匹配方法，包括：
步骤S1：基于待匹配的两张属性图中节点之间的对应关系，构建关联图；
具体的，待匹配的两张属性图分别为G1＝(V1,E1,A1)和图G2＝(V2,E2,A2)，其中，Vx、Ex、Ax分别代表属性图Gx的节点集、边集、属性集，x＝1,2；属性图是根据原图构建的，节点是从原图中提取出的图像特征点，边是两个图像特征点之间的距离，属性是特征点的特征，例如，坐标位置、特征点的特征向量等，距离是两个特征点之间的欧式距离。
根据Vx，Ex和Ax构建关联图GAG＝(VAG)，其中,VAG代表关联图GAG的节点集，节点vai∈VAG是两张属性图的节点组成的节点对(va,vi)，表示节点对(va,vi)中两个节点的对应关系,va∈V1,vi∈V2。
步骤S2：基于关联图，分别计算包含局部距离信息、形状上下文信息和全图局部角度信息的亲和度矩阵，并融合成一个亲和度矩阵；
具体的，关联图GAG上的每对节点vai∈VAG和vbj∈VAG存在一个亲和度Wai；bj，亲和度Wai；bj构成亲和度矩阵W。
本实施例聚焦于亲和度矩阵的构造，对其进行不断的调整以提高图匹配的准确度；局部距离信息只能捕获节点对之间有限的信息，不能反映节点的空间分布，将节点的空间分布引入亲和度矩阵可以在一定程度上减少上述不匹配的发生，此外，基于局部信息计算的节点对亲和度对图噪声敏感；考虑节点的全局信息构建亲和度矩阵将使得结果更准确更可靠，能明显提高对图噪声的鲁棒性，因此，本实施例基于局部距离信息、形状上下文信息和全图局部角度信息，分别计算关联图中每对节点的亲和度。
包含局部距离信息的亲和度矩阵
采用重加权随机游动(RRWM)方法，计算每对节点之间的欧氏距离，基于欧氏距离差计算局部距离信息，构建包含图GAG局部距离信息的亲和度矩阵W1，具体为：
给定属性图G1中的两个节点
Figure BDA0004127845700000061
和/>
Figure BDA0004127845700000062
属性图G2中的节点分别为/>
Figure BDA0004127845700000063
和/>
Figure BDA0004127845700000064
其中，/>
Figure BDA0004127845700000065
代表G1中的第a个节点，/>
Figure BDA0004127845700000066
代表G1中的第b个节点，/>
Figure BDA0004127845700000067
代表G2中的第i个节点，/>
Figure BDA0004127845700000068
代表G2中的第j个节点，a＝1,2,…,|V1|，b＝1,2,…,|V1|；i＝1,2,…,|V2|，j＝1,2,…,|V2|，|V1|是V1的节点个数，|V2|是V2的节点个数；如果/>
Figure BDA0004127845700000069
与/>
Figure BDA00041278457000000610
相似，/>
Figure BDA00041278457000000611
与/>
Figure BDA00041278457000000612
相似，则欧氏距离/>
Figure BDA00041278457000000613
与欧氏距离/>
Figure BDA00041278457000000614
相似。
亲和度矩阵W1为(|V1|×|V2|)×(|V1|×|V2|)大小的矩阵，两张属性图的两个节点
Figure BDA0004127845700000071
和/>
Figure BDA0004127845700000072
的亲和度/>
Figure BDA0004127845700000073
计算公式为：
Figure BDA0004127845700000074
其中，d(x,y)为节点x和节点y之间的欧氏距离，参数δ2为一个比例因子。
包含形状上下文信息的亲和度矩阵
属性图以每个节点为中心画同心圆、构建网格，获取当前圆心点周围节点的分布情况，计算每对节点的每个网格之间的周围点个数，基于周围点个数差值计算形状上下文信息，构建包含GAG全局形状上下文信息的亲和度矩阵W2，具体为：
在属性图G1上，以V1中的每个节点va为中心，画同心圆，将同心圆分成n层和m个分区，则有n×m个网格，然后使用一个大小为n×m的数组来记录当前圆心点周围节点的分布情况，对属性图G2采取同样的方式进行处理。
图2是划分网格的示意图，如图2所示，n＝3表示画了3个同心圆,m＝8表示经过圆心的4条直线，将同心圆划分为8个扇形分区，则总共有24个网格，对于每张属性图的每个节点，都按照此同心圆进行划分，并统计每个区域内的节点数量。
对于待匹配的属性图G1和G2，计算两张属性图的两个节点
Figure BDA0004127845700000075
和/>
Figure BDA0004127845700000076
落入每个网格之间的个数差值，即形状上下文中的差值。每对节点的代价Cs可通过公式(2)来计算：
Figure BDA0004127845700000077
其中，k表示第k个网格，K是网格数，即K＝n×m，g(x1)表示图G1中的节点x1在第k个网格内的周围点个数，h(x2)表示图G2中的节点x2在第k个网格内的周围点个数。
全局形状上下文信息亲和度矩阵W2为(|V1|×|V2|)×(|V1|×|V2|)大小的矩阵，一对节点
Figure BDA0004127845700000081
和/>
Figure BDA0004127845700000082
之间的亲和力/>
Figure BDA0004127845700000083
可通过公式(3)来计算：
Figure BDA0004127845700000084
包含全图局部角度信息的亲和度矩阵
通过每对节点之间的垂直线划分点集的方式，由点集的中心节点与每对节点构建三角形，基于三角形的角度，计算所述全图局部角度信息，构建包含GAG局部角度信息的亲和度矩阵W3，具体为：
图3是点集划分的示意图，如图3所示，对于属性图G1，给定节点
Figure BDA0004127845700000085
和节点/>
Figure BDA0004127845700000086
借助节点/>
Figure BDA0004127845700000087
和节点/>
Figure BDA0004127845700000088
的垂直线，将属性图G1中的节点划分为两个点集/>
Figure BDA0004127845700000089
和/>
Figure BDA00041278457000000810
点集/>
Figure BDA00041278457000000811
由更接近/>
Figure BDA00041278457000000812
的节点组成，点集/>
Figure BDA00041278457000000813
由更接近/>
Figure BDA00041278457000000814
的节点组成；对属性图G2进行同样划分，得到另外两个节点集/>
Figure BDA00041278457000000815
和Vj 2。
分别计算点集
Figure BDA00041278457000000816
和Vj 2的中心节点/>
Figure BDA00041278457000000817
和/>
Figure BDA00041278457000000818
构建三角形，计算三角形的角度，图4(a)是内角α1、α2、α3、α4的计算方法示意图，如图4(a)所示，α1为图G1中节点
Figure BDA00041278457000000819
之间的三条边所构成的内角；α2为图G1中节点
Figure BDA00041278457000000820
之间的三条边所构成的内角；α3为图G1中节点/>
Figure BDA00041278457000000821
之间的三条边所构成的内角；α4为图G1中节点/>
Figure BDA00041278457000000822
之间的三条边所构成的内角。
图4(b)是内角β1、β2、β3、β4的计算方法示意图，如图4(b)所示,β1为图G2中节点
Figure BDA00041278457000000823
之间的三条边所构成的内角；β2为图G2中节点/>
Figure BDA00041278457000000824
之间的三条边所构成的内角；β3为图G2中节点/>
Figure BDA00041278457000000825
之间的三条边所构成的内角；β4为图G2中节点
Figure BDA00041278457000000826
之间的三条边所构成的内角。
如果
Figure BDA0004127845700000091
与/>
Figure BDA0004127845700000092
相似、/>
Figure BDA0004127845700000093
与/>
Figure BDA0004127845700000094
相似，那么角α1与β1相似、角α2与β2相似。除此之外，角α3和β3是相似的，角α4和β4也是相似的。
局部角度信息亲和度矩阵W3为(|V1|×|V2|)×(|V1|×|V2|)大小的矩阵，一对节点
Figure BDA0004127845700000095
和/>
Figure BDA0004127845700000096
之间的亲和力/>
Figure BDA0004127845700000097
计算公式为：
Figure BDA0004127845700000098
Figure BDA0004127845700000099
Figure BDA00041278457000000910
得到包含局部距离信息的亲和度矩阵W1、形状上下文信息的亲和度矩阵W2和全图局部角度信息的亲和度矩阵W3后，使用不同的权重组合融合形成亲和度矩阵W4，具体为：
在融合之前，由于三个矩阵的数量级不同，需要将矩阵进行归一化，可通过公式(7)来统一矩阵的数量级：
Figure BDA00041278457000000911
其中，min(Wx)和max(Wx)分别是矩阵Wx中最小的元素和最大的元素，x＝1,2,3。
由于W2和W3分别提取了形状上下文信息和角度信息，所以它们的权值是相同的，通过公式(8)可得到亲和度矩阵W4为：
W4＝k1×W1+(1-k1) ×(W2+W3) (8)
其中，参数k1为局部距离亲和度矩阵W1的权值，本实施例中，k1＝0.6或0.7。
步骤S3：基于亲和度最高的节点的距离信息，对亲和度矩阵进行更新，得到最终的亲和度矩阵。
在亲和度矩阵W4的基础上，需要对最终的亲和度矩阵W进行一次更新，具体为：
关联图GAG中每个节点(vai,vbj)所对应的四个节点
Figure BDA0004127845700000101
搜索亲和度最高的节点，以节点/>
Figure BDA0004127845700000102
为例，x1，x2和x3是在最终矩阵W4中找出的亲和度最高的属性集G2中的三个节点，l1，l2和l3分别是节点/>
Figure BDA0004127845700000103
和这三个节点x1，x2和x3之间的距离；对于其他3个节点
Figure BDA0004127845700000104
和/>
Figure BDA0004127845700000105
采用同样的处理方法获取亲和度最高的节点的距离信息。
以节点与亲和度最高的三个节点的欧式距离作为权重更新W以获得更高的匹配精度，通过公式(9)可得到最终的亲和度矩阵W为：
Wai；bj＝k2×Wai；bj+(1-k2)×(U1+U2)/2 (9)
Figure BDA0004127845700000106
Figure BDA0004127845700000107
Figure BDA0004127845700000108
Figure BDA0004127845700000109
其中，d(x,y)是x和y之间的欧氏距离，在这个公式中，y是与x亲和度最高的三个节点之一，亲和度矩阵W的对角元素Wai；ai表示对应关系
Figure BDA00041278457000001010
的一元亲和关系，非对角元素Wai；bj表示两个对应关系/>
Figure BDA00041278457000001011
和/>
Figure BDA00041278457000001012
之间的亲和关系。
步骤S4：基于最终的亲和度矩阵，求解两张属性图的匹配关系。
在本实施例中，采用重加权随机游走(RRWM)方法，基于更新后的亲和度矩阵W，求解属性图G1、属性图G2的匹配关系。
RRWM方法在求解的过程中，起到增强可靠节点的作用和削弱不可靠节点的作用；在构造关联图GAG和计算完亲和度矩阵W之后，需要通过在关联图GAG上重加权随机游走，将图匹配问题转化为点的排序和选择问题，最终得到图G1、图G2的匹配关系。
具体实现时，本领域技术人员也可采用其他相关现有技术。
实施例二
本实施例公开了一种基于形状上下文信息的近似图匹配系统；
如图5所示，一种基于形状上下文信息的近似图匹配系统，包括关联图构建模块、亲和度计算模块、亲和度更新模块和节点匹配模块：
关联图构建模块，被配置为：基于待匹配的两张属性图中节点之间的对应关系，构建关联图；
亲和度计算模块，被配置为：基于关联图，分别计算包含局部距离信息、形状上下文信息和全图局部角度信息的亲和度矩阵，并融合成一个亲和度矩阵；
亲和度更新模块，被配置为：基于亲和度最高的节点的距离信息，对亲和度矩阵进行更新，得到最终的亲和度矩阵；
节点匹配模块，被配置为：基于最终的亲和度矩阵，求解两张属性图的匹配关系。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例一所述的一种基于形状上下文信息的近似图匹配方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的一种基于形状上下文信息的近似图匹配方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于形状上下文信息的近似图匹配方法，其特征在于，包括：
基于待匹配的两张属性图中节点之间的对应关系，构建关联图；
基于关联图，分别计算包含局部距离信息、形状上下文信息和全图局部角度信息的亲和度矩阵，并融合成一个亲和度矩阵；
基于亲和度最高的节点的距离信息，对亲和度矩阵进行更新，得到最终的亲和度矩阵；
基于最终的亲和度矩阵，求解两张属性图的匹配关系。
2.如权利要求1所述的一种基于形状上下文信息的近似图匹配方法，其特征在于，所述属性图由节点集、边集和属性集组成；
所述节点是从原图中提取出的图像特征点，所述边是两个图像特征点之间的相似度。
3.如权利要求1所述的一种基于形状上下文信息的近似图匹配方法，其特征在于，所述关联图中的节点，是两张属性图的节点组成的节点对，表示节点对中两个节点的对应关系。
4.如权利要求1所述的一种基于形状上下文信息的近似图匹配方法，其特征在于，所述亲和度矩阵，由关联图中每对节点之间的亲和度组成；
基于局部距离信息、形状上下文信息和全图局部角度信息，分别计算关联图中每对节点之间的亲和度，得到三个亲和度矩阵。
5.如权利要求1所述的一种基于形状上下文信息的近似图匹配方法，其特征在于，采用重加权随机游动方法，计算每对节点之间的欧氏距离，基于欧氏距离差计算所述局部距离信息；
属性图以每个节点为中心画同心圆、构建网格，获取当前圆心点周围节点的分布情况，计算每对节点的每个网格之间的周围点个数，基于周围点个数差值计算所述形状上下文信息；
通过每对节点之间的垂直线划分点集的方式，由点集的中心节点与每对节点构建三角形，基于三角形的角度，计算所述全图局部角度信息。
6.如权利要求1所述的一种基于形状上下文信息的近似图匹配方法，其特征在于，所述融合成一个亲和度矩阵，具体为：
对三个亲和度矩阵进行归一化后，采用加权相加的方式进行融合。
7.如权利要求1所述的一种基于形状上下文信息的近似图匹配方法，其特征在于，所述基于亲和度最高的节点的距离信息，对亲和度矩阵进行更新，得到最终的亲和度矩阵，具体为：
对于每个节点，从融合后的亲和度矩阵中查找亲和度最高的三个节点；
基于节点间的欧式距离，更新亲和度矩阵。
8.一种基于形状上下文信息的近似图匹配系统，其特征在于，包括关联图构建模块、亲和度计算模块、亲和度更新模块和节点匹配模块：
关联图构建模块，被配置为：基于待匹配的两张属性图中节点之间的对应关系，构建关联图；
亲和度计算模块，被配置为：基于关联图，分别计算包含局部距离信息、形状上下文信息和全图局部角度信息的亲和度矩阵，并融合成一个亲和度矩阵；
亲和度更新模块，被配置为：基于亲和度最高的节点的距离信息，对亲和度矩阵进行更新，得到最终的亲和度矩阵；
节点匹配模块，被配置为：基于最终的亲和度矩阵，求解两张属性图的匹配关系。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
CN202310250802.7A 2023-03-10 2023-03-10 一种基于形状上下文信息的近似图匹配方法及系统 Active CN116310417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310250802.7A CN116310417B (zh) 2023-03-10 2023-03-10 一种基于形状上下文信息的近似图匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310250802.7A CN116310417B (zh) 2023-03-10 2023-03-10 一种基于形状上下文信息的近似图匹配方法及系统

Publications (2)

Publication Number Publication Date
CN116310417A true CN116310417A (zh) 2023-06-23
CN116310417B CN116310417B (zh) 2024-04-26

Family

ID=86788312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310250802.7A Active CN116310417B (zh) 2023-03-10 2023-03-10 一种基于形状上下文信息的近似图匹配方法及系统

Country Status (1)

Country Link
CN (1) CN116310417B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100284620A1 (en) * 2009-05-06 2010-11-11 Superfish Ltd. Method for organizing a database of images and retrieving images from that database according to a query image
US20130343642A1 (en) * 2012-06-21 2013-12-26 Siemens Corporation Machine-learnt person re-identification
CN106530341A (zh) * 2016-11-01 2017-03-22 成都理工大学 一种保持局部拓扑不变性的点配准算法
CN107330928A (zh) * 2017-06-09 2017-11-07 北京理工大学 基于改进形状上下文的图像特征匹配方法
CN108122202A (zh) * 2018-01-05 2018-06-05 武汉大学 一种基于形状上下文的地图线状要素多尺度信息派生方法
US20190147617A1 (en) * 2017-11-14 2019-05-16 Samsung Electronics Co., Ltd. Method and apparatus for processing a plurality of undirected graphs
CN109784353A (zh) * 2017-11-14 2019-05-21 北京三星通信技术研究有限公司 一种无向图匹配的方法、设备和存储介质
CN110097093A (zh) * 2019-04-15 2019-08-06 河海大学 一种异源图像精确匹配方法
CN112085092A (zh) * 2020-09-08 2020-12-15 哈尔滨工业大学（深圳） 一种基于时空连续性约束的图匹配方法及装置
CN112949765A (zh) * 2021-04-07 2021-06-11 闽江学院 融合局部和全局信息的图像匹配方法
CN114882260A (zh) * 2022-05-31 2022-08-09 济南大学 一种图匹配方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100284620A1 (en) * 2009-05-06 2010-11-11 Superfish Ltd. Method for organizing a database of images and retrieving images from that database according to a query image
US20130343642A1 (en) * 2012-06-21 2013-12-26 Siemens Corporation Machine-learnt person re-identification
CN106530341A (zh) * 2016-11-01 2017-03-22 成都理工大学 一种保持局部拓扑不变性的点配准算法
CN107330928A (zh) * 2017-06-09 2017-11-07 北京理工大学 基于改进形状上下文的图像特征匹配方法
US20190147617A1 (en) * 2017-11-14 2019-05-16 Samsung Electronics Co., Ltd. Method and apparatus for processing a plurality of undirected graphs
CN109784353A (zh) * 2017-11-14 2019-05-21 北京三星通信技术研究有限公司 一种无向图匹配的方法、设备和存储介质
CN108122202A (zh) * 2018-01-05 2018-06-05 武汉大学 一种基于形状上下文的地图线状要素多尺度信息派生方法
CN110097093A (zh) * 2019-04-15 2019-08-06 河海大学 一种异源图像精确匹配方法
CN112085092A (zh) * 2020-09-08 2020-12-15 哈尔滨工业大学（深圳） 一种基于时空连续性约束的图匹配方法及装置
CN112949765A (zh) * 2021-04-07 2021-06-11 闽江学院 融合局部和全局信息的图像匹配方法
CN114882260A (zh) * 2022-05-31 2022-08-09 济南大学 一种图匹配方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘美菊;杨宏钰;李凌燕;高恩阳;: "连续蒙特卡洛算法下图像匹配问题的研究", 控制工程, no. 05, 20 May 2017 (2017-05-20), pages 973 - 977 *
华承昊;窦丽华;方浩;付浩;: "SLAM中融合形状上下文和随机步进的图匹配数据关联算法", 北京理工大学学报, no. 04, 15 April 2016 (2016-04-15) *

Also Published As

Publication number Publication date
CN116310417B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN111561923B (zh) 基于多传感器融合的slam制图方法、系统
CN106023298B (zh) 基于局部泊松曲面重建的点云刚性配准方法
CN111076733B (zh) 一种基于视觉与激光slam的机器人室内建图方法及系统
CN110081888B (zh) 一种基于可信度的惯导和地磁融合的室内定位算法
CN111780763A (zh) 一种基于视觉地图的视觉定位方法、装置
CN103337052B (zh) 面向宽幅遥感影像的自动几何纠正方法
KR101346323B1 (ko) 지상기준점과 부가매개변수를 이용한 비측량용 디지털 카메라 촬영 시스템의 자체검정 방법
CN111780764A (zh) 一种基于视觉地图的视觉定位方法、装置
CN113409410A (zh) 一种基于3d激光雷达的多特征融合igv定位与建图方法
CN111145227B (zh) 一种地下隧道空间多视点云的可迭代整体配准方法
JP7300550B2 (ja) 視覚標識に基づき標識マップを構築する方法、装置
CN113916130B (zh) 一种基于最小二乘法的建筑物位置测量方法
CN112270698A (zh) 基于最邻近曲面的非刚性几何配准方法
CN112150358A (zh) 一种抗大几何畸变的影像特征匹配方法
CN116310417B (zh) 一种基于形状上下文信息的近似图匹配方法及系统
CN117132737A (zh) 一种三维建筑模型构建方法、系统及设备
WO2023116327A1 (zh) 基于多类型地图的融合定位方法及电子设备
CN112446952B (zh) 三维点云法向量的生成方法、装置、电子设备及存储介质
CN115164769A (zh) 一种基于倾斜摄影技术的三维不动产测算方法
CN109636840B (zh) 一种基于鬼影像检测建筑物阴影的方法
CN112183171B (zh) 一种基于视觉信标建立信标地图方法、装置
CN115908243B (zh) 一种无损检测图像的分割方法、装置、设备及存储介质
WO2023198088A1 (zh) 机器人的位姿确定方法、装置、机器人以及存储介质
Kang et al. Positioning Errors of Objects Measured by Convolution Neural Network in Unmanned Aerial Vehicle Images
Arslan Accuracy assessment of single viewing techniques for metric measurements on single images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant