欧美日韩精品免费在线观看视频,日韩免费观看视频,国产福利不卡

面向非刚性形变图像的关键点匹配方法

网络安全与数据治理

董家麟，吴丽君

福州大学物理与信息工程学院

摘要： 在图像匹配任务中，非刚性变形会显著干扰传统关键点匹配算法的性能，造成匹配精度下降。针对此问题，提出一种基于概率建模与特征增强的匹配方法。首先，设计自适应关键点采样策略，通过动态空间约束与边界感知过滤，解决复杂形变下的关键点分布冗余问题。其次，针对确定性几何变换估计易陷入局部最优的缺陷，引入Studentt分布建模几何变换参数的不确定性，提升描述符在复杂形变下的适应能力。最后，构建高斯先验的特征增强模块，利用方向敏感算子强化关键结构信息，有效抑制非刚性变形引发的特征偏移。实验结果表明，该方法可有效提升非刚性图像的匹配精度，在处理复杂非刚性形变场景时具有更强的鲁棒性。

關鍵詞： 非刚性图像匹配关键点检测不确定性建模特征增强

中圖分類號：TP391文獻標志碼：ADOI:10.19358/j.issn.2097-1788.2026.03.005
中文引用格式：董家麟，吳麗君. 面向非剛性形變圖像的關鍵點匹配方法［J］.網絡安全與數據治理，2026，45（3）：33-39.
英文引用格式：Dong Jialin，Wu Lijun. Key point matching method for nonrigid deformed images［J］.Cyber Security and Data Governance，2026，45（3）：33-39.

Key point matching method for nonrigid deformed images

Dong Jialin，Wu Lijun

College of Physics and Information Engineering, Fuzhou University

Abstract： Nonrigid deformations significantly impair the performance of traditional keypoint matching algorithms in image matching tasks, resulting in reduced matching accuracy. To address this issue, a matching method based on probabilistic modeling and feature enhancement is proposed. First, an adaptive keypoint sampling strategy is designed to resolve the redundancy in keypoint distribution under complex deformations by employing dynamic spatial constraints and boundaryaware filtering. Second, to overcome the limitation where deterministic geometric transformation estimation tends to fall into local optima, a Studentt distribution is introduced to model the uncertainty of geometric transformation parameters, thereby enhancing descriptor adaptability in complex deformation scenarios. Finally, a feature enhancement module based on Gaussian priors is constructed. This module utilizes directionsensitive operators to reinforce key structural information, effectively mitigating feature drift caused by nonrigid deformations. Experimental results demonstrate that the proposed method effectively improves matching accuracy for nonrigid images and exhibits superior robustness in scenarios involving complex nonrigid deformations.

Key words : nonrigid image matching; keypoint detection; uncertainty modeling; feature enhancement

引言

圖像匹配是計算機視覺領域的一項基礎且關鍵的技術，其核心任務是在不同視角、不同時間或不同傳感器獲取的圖像之間建立可靠的對應關系。該技術廣泛應用于三維重建［1］、醫學圖像分析［2］、目標跟蹤［3］、結構健康監測［4］等眾多領域。基于特征的匹配方法是該領域的主流技術路線，其通常包含關鍵點檢測、特征描述和特征匹配三個核心步驟。以SIFT(ScaleInvariant Feature Transform)、SURF(SpeededUp Robust Features)為代表的經典算法，通過提取具有尺度和旋轉不變性的局部特征，在處理剛性或仿射變換的場景中取得了巨大成功。特別是隨著深度學習的興起，基于學習的匹配方法已成為新的研究熱點。早期工作如SuperPoint［5］實現了關鍵點檢測與描述的端到端聯合學習，展現出超越傳統方法的潛力。為了適應更具挑戰性的環境，LiftFeat［6］通過單目深度預測來引入三維幾何線索，有效增強了描述符在光照劇變和弱紋理區域的判別力。而XFeat［7］則專注于構建輕量化網絡架構，在保證高精度的同時實現了極高的運行速度，滿足了資源受限設備上的實時匹配需求。

然而，在許多實際應用中，圖像內容會發生復雜的非剛性變形(Nonrigid Deformation)，例如人體姿態變化、面部表情變化、衣物褶皺以及建筑結構或生物組織的形變等。這種不規則的幾何形變嚴重破壞了傳統特征匹配算法所依賴的局部幾何結構不變性假設，導致特征描述符的區分度下降、匹配歧義性增加，最終造成匹配

準確率和魯棒性顯著降低。因此，如何有效處理非剛性變形，實現高精度的圖像匹配，已成為計算機視覺領域備受關注的研究熱點。

為應對非剛性變形挑戰，早期工作如DaLI［8］通過編碼局部3D曲面提升了魯棒性，但計算與存儲開銷較大。GeoBit［9］與GeoPatch［10］等方法雖引入了幾何感知特征，卻嚴重依賴含噪的深度圖像，限制了應用。為減少對深度信息的依賴，DEAL［11］在單目圖像中隱式建模變形，但其性能仍受制于傳統關鍵點檢測器缺乏形變等變性的約束。后續的DALF［12］雖通過空間變換網絡(STN)聯合學習形變特征取得了顯著進展，但其采用的確定性參數估計在面對復雜變形時易陷入局部最優，并可能導致關鍵邊緣特征的模糊與偏移。這正是本研究旨在解決的核心問題。

針對上述局限，本文提出一種面向非剛性圖像的魯棒關鍵點匹配方法，主要貢獻如下：

（1)提出自適應關鍵點采樣策略(AKS)：突破了傳統基于響應值的采樣在形變區域分布不均的限制，通過動態調整空間分布約束確保稀疏性，提升了關鍵點在形變邊緣的定位精度。

（2)構建概率化薄板樣條變換網絡(PTPSNet)：摒棄了傳統的確定性參數估計范式，通過對變換參數進行概率分布建模與邊際化處理，有效規避了復雜形變估計中的局部最優解問題，實現了對幾何變換不確定性的顯式建模。

（3)設計高斯概率特征增強模塊(GPFE)：針對非剛性形變導致的特征漂移與高頻信息丟失，引入高斯空間先驗強化關鍵結構表達，在不增加顯著計算開銷的前提下提升了描述符的判別力。

本文詳細內容請下載：

http://m.tom3567.com/resource/share/2000007024

作者信息：

董家麟，吳麗君

(福州大學物理與信息工程學院，福建福州350108)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容