一种基于随机森林的特征匹配方法

计算机与现代化

一种基于随机森林的特征匹配方法

1.河海大学计算机与信息学院，江苏南京211100；2.解放军91960部队，广东汕头515075

收稿日期:2014-01-08 出版日期:2014-04-17 发布日期:2014-04-23
作者简介:作者简介：隋建凯（1988），男，山东潍坊人，河海大学计算机与信息学院硕士研究生，研究方向：增强现实，模式识别；刘惠义（1961），男，教授，研究方向：计算机图形学，人工智能；严烁（1981），女，解放军91960部队工程师，硕士，研究方向：计算机图形学。

Feature Matching Method Based on Random Forests Classifier

1. College of Computer and Information, Hohai University, Nanjing 211100, China;


2. Troop 91960 of PLA, Shantou 515075, China

Received:2014-01-08 Online:2014-04-17 Published:2014-04-23

摘要/Abstract

摘要：

摘要：在特征匹配问题中，匹配速度与精度常常难以同时保证。为了解决该问题，本文提出一种基于随机森林的特征匹配算法。结合SUSurE算法，在尺度空间下提取局部不变特征，构建训练样本集合，对随机森林进行离线训练建立分类模型。在实时匹配中，选取候选特征点对其进行实时分类，完成特征匹配，并与SIFT算法在不同尺度、旋转、视角方面等进行实验对比。结果表明，本文算法在具有良好的实时性情况下，仍有较高的光照适应性和匹配精度。



关键词: 特征匹配, 随机森林, SUSurE, 不变特征, SIFT

Abstract:

Abstract: It is difficult to be speedy as well as accurate in feature matching. To overcome the drawback, this paper proposes a feature matching method based on random forest. This method extracts local invariant features in scale space by SUSurE algorithm, then the features and its adjacent pixels are constructed as training samples. In offline, the random forests are trained and a classification model is acquired to deal with the scale, rotation, illumination and perspective changes. In the online stage, the candidate feature points input RF classifier for realtime classification and feature matching. Comparative tests are made between our approach and SIFT. Experimental results show that the method based on RF is generally more robust and faster in the premise of realtime, and is good at accuracy, as well as adjusting to the illumination changes.



Key words:

Key words: feature matching, random forests, SUSurE, local invariant features, SIFT

中图分类号:

TP391

隋建凯1，刘惠义1，严烁2. 一种基于随机森林的特征匹配方法[J]. 计算机与现代化.

SUI Jiankai1, LIU Huiyi1,YAN Shuo2. Feature Matching Method Based on Random Forests Classifier[J]. Computer and Modernization.

参考文献

［1］

Rosten E, Drummond T. Machine learning for highspeed corner detection［C］// Proceedings of the 9th European Conference on Computer Vision. 2006:430443.

［2］ David G Lowe. Distinctive image features from scaleinvariant keypoints［J］. International Journal of Computer Vision, 2004,60(2):91110.

［3］ Herbert Bay, Andreas Ess, Tinne Tuytelaars, et al. Speededup robust features (SURF)［J］. Computer Vision and Image Understanding, 2008,110(3):346359.

［4］ Ozuysal M, Lepetit V, Fleuret F, et al. Feature harvesting for tracking by detection［C］// Computer Vision ECCV 2006, 9th European Conference on Computer Vision. Graz, Austria: Springer, 2006:592605.

［5］ Leo Breiman. Random forests［J］. Machine Learning, 2001,45(1):532.

［6］ Mosalam Ebrahimi, Walterio W MayolCuevas. SUSurE: Speeded up surround extrema feature detector and descriptor for realtime applications ［C］// IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2009:914.

［7］ Agrawal M, Konolige K. CenSurE: Center surround extremas for realtime feature detection and matching［C］ // Proceedings of the 10th European Conference on Computer Vision. Berlin:Springer, 2008:102115．

［8］胡佳,汤光明,孙怡峰,等. 基于CenSurE特征的虚实配准方法研究［J］. 计算机应用研究， 2013，30(6):19101913.

［9］ Lepetit V, Fua P. Keypoint recognition using randomized trees ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006,28(9):14651479.

［10］马景义,谢邦昌. 用于分类的随机森林和Bagging分类树比较［J］. 统计与信息论坛, 2010,25(10):1822.

［11］王丽婷,丁晓青,方驰. 基于随机森林的人脸关键点精确定位方法［J］. 清华大学学报:自然科学版, 2009,49(4):543546.

［12］王涌天,林精敦,陈靖,等. 随机树特征匹配算子性能研究［J］. 北京理工大学学报, 2009,29(11):988993.

［13］Martin A Fischler, Robert C Bolles. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography［J］. Communications of the ACM, 1981,24(6):381395.

[1]	苏欣. 数据驱动的焊膏印刷工艺参数推荐技术[J]. 计算机与现代化, 2024, 0(01): 99-102.
[2]	刘静乐, 罗翔, 宫成荣, 张国鹏. 基于RF-RFECV和LightGBM算法的糖尿病预测[J]. 计算机与现代化, 2023, 0(11): 36-43.
[3]	杨旭朝, 雷志勇, 王娇娇. 基于局部重叠区域的无显著特征图像配准算法[J]. 计算机与现代化, 2023, 0(01): 24-29.
[4]	杨娟, 滕飞, 郭大林. 多模态融合的特征提取方法在SA检测中的应用[J]. 计算机与现代化, 2022, 0(10): 121-126.
[5]	徐惠, 铁治欣, 舒莹. 基于特征匹配的快速降维排序搜索方法[J]. 计算机与现代化, 2022, 0(02): 85-91.
[6]	吴克河, 张英, 崔文超, 程瑞. 一种基于随机森林算法的MQTT异常流量检测方法[J]. 计算机与现代化, 2021, 0(01): 61-64.
[7]	杨琳, 白钊, 寇勇刚. 基于RFM模型的随机森林算法对民航客户的流失分析[J]. 计算机与现代化, 2021, 0(01): 100-104.
[8]	刘晓康, 万曦, 涂文超, 周清楷, 田正稳. 基于红外可见光图像配准的电力设备分割算法[J]. 计算机与现代化, 2020, 0(08): 26-30.
[9]	孙世凡，叶明，刘凯 . 基于超像素分割和随机森林的橡胶柱塞缺陷检测方法[J]. 计算机与现代化, 2020, 0(02): 99-.
[10]	沈智勇1,苏翀1,周扬1,沈智威2. 一种面向非均衡分类的随机森林算法[J]. 计算机与现代化, 2018, 0(12): 56-.
[11]	刘源，姚文明. #br# 基于SIFT和YOLO的弱目标鲁棒性实时追踪算法[J]. 计算机与现代化, 2018, 0(10): 53-.
[12]	冯钧，黄多辉. 基于改进BRISK算法的单目视觉里程计[J]. 计算机与现代化, 2018, 0(09): 62-.
[13]	张昊,黄蔚,胡国超. 基于改进随机森林的洗钱交易角色识别应用[J]. 计算机与现代化, 2018, 0(02): 101-.
[14]	雷武1,2，廖闻剑2，彭艳兵2. 基于随机森林与LambdaMART的搜索排序模型[J]. 计算机与现代化, 2017, 0(3): 54-.
[15]	罗晓清，王鹏飞. 基于尺度不变特征变换的苹果图像融合[J]. 计算机与现代化, 2017, 0(10): 5-9.