无约束环境下基于可扩展多样性相似度的多尺度模板匹配
计算机视觉与模式识别
2019-07-03 v1
摘要
我们提出了一种新颖的多尺度模板匹配方法,该方法在无约束环境下对缩放和旋转均具有鲁棒性。其背后的关键组件是一种称为可扩展多样性相似度(SDS)的相似性度量。具体而言,SDS利用两组点之间最近邻(NN)匹配的双向多样性。为解决该相似性度量的尺度鲁棒性问题,NN搜索中联合使用了局部外观与排序信息。此外,通过在相似度度量中引入尺度变化惩罚项与极半径项,SDS被证明是一种在整体尺寸与旋转变化、非刚性几何形变、背景杂波及遮挡下均表现良好的相似性度量。SDS的性质在统计上得到论证,且在合成与真实世界数据上的实验表明,SDS可显著优于当前最优方法。
引用
@article{arxiv.1907.01150,
title = {Multi-scale Template Matching with Scalable Diversity Similarity in an Unconstrained Environment},
author = {Yi Zhang and Chao Zhang and Takuya Akashi},
journal= {arXiv preprint arXiv:1907.01150},
year = {2019}
}
备注
British Machine Vision Conference (BMVC2019)