一种基于数据聚类的鲁棒SIFT特征匹配方法
Journal of Computer Research and Development(2012)
摘要
针对噪声敏感造成的SIFT特征匹配鲁棒性低问题,提出一种基于数据聚类的两阶段特征匹配方法.在满足特征匹配几何距离最邻近本质要求下扩展了kd数据结构,使其不但能够完成算术平均化匹配特征离线聚类,而且能够实现第1阶段聚类特征在线匹配.在此基础上,给出一种概率最优投票策略选择关键图像进行第2阶段匹配,最后合并两阶段属于关键图像的所有匹配特征对.实验结果表明,对于大量存在重叠关系的图像集合,该方法能够有效减少重复特征数量,降低噪声信息对特征匹配的干扰,极大地提高特征匹配的鲁棒性.
更多查看译文
关键词
voting scheme,robust matching,composite k-d tree,clustering feature,SIFT
AI 理解论文
溯源树
样例
生成溯源树,研究论文发展脉络