融合全局-颜色信息的尺度不变特征变换

由于尺度不变特征变换(SIFT)算法只针对图像的局部特征进行描述且忽略了图像的彩色信息,当待匹配图像中存在大量形状相似区域时,误匹配率很高。本文对SIFT图像匹配法进行了改进,提出了SCARF(Shape-color Alliance Robust Feature)图像匹配算法。为解决SIFT常出现的误匹配现象,构造的SCARF算子利用SIFT检测子提取图像的特征点集,通过建立同心圆坐标系,在SIFT原有框架的基础上融入全局形状信息和颜色不变信息,并采用欧氏距离作为匹配代价函数进行描述子匹配。对包括SCARF算法和SIFT算法在内的5种不同匹配算法通过INRIA数据库进行了实验验证,实验结果表明:SCARF算法在图像模糊、局部特征相似、JEPG压缩和光照变化等复杂变换情况下,匹配准确率优于SIFT等其他算法,降低了误匹配的概率,明显提高了匹配的稳定性和鲁棒性。     

用于遮挡形状匹配的弦角特征描述

为了在兼顾形状匹配算法的检索率和运算效率的同时实现部分遮挡目标的精确匹配,提出了一种基于弦角轮廓特征的形状描述算法。该算法基于轮廓点的空间位置关系构造每个轮廓采样点的弦角轮廓特征描述子,利用描述子的自包含属性描述开轮廓的形状特征。采用L1度量方法计算两个轮廓点的弦描述子之间的距离,获得匹配代价矩阵。最后利用积分图算法计算匹配代价矩阵的相似度,实现部分遮挡目标的识别。基于MPEG-7形状数据库和Kimia216形状数据库进行了目标识别实验。实验结果表明:该算法对部分遮挡目标具有良好的鲁棒性,而且有较高的运算效率,部分匹配的检索率达到83.63%,提高了19.09%,实验结果优于现有部分遮挡形状匹配算法。该算法较好地满足了遮挡形状的匹配和识别对速度、准确率和抗遮挡能力等方面的要求。     

基于最大内角的三角形星图识别算法

针对传统三角形星图识别算法的不足,本文提出了一种不依赖星等信息的全天球自主快速三角形识别算法。通过构建三角形最大内角及其两边作为匹配特征三角形,建立了全天球导航特征库,对生成的特征库按最大内角值构造散列函数,并分块存储。识别过程中,采用"边-角-边"原理进行匹配。首先,根据最大内角的观测值实现子块的快速定位,然后,在子块中对观测三角形的两边进行星角距快速匹配,缩小了角距匹配的范围,提高了识别速度。试验表明,星点位置噪声低于2个像元时,识别率优于98.08%;观测星数等于10颗,特征库分块总数为1 024时,平均识别时间为13.1ms。与现有三角形识别算法相比,该算法在识别速度、识别率及抗星等噪声能力等方面具有明显优势。     

决策主导的多模式融合目标跟踪算法

为了解决复杂场景中运动目标跟踪,特别是遮挡情况下对目标的连续、稳定跟踪的问题,提出一种基于决策主导的多模式融合跟踪算法.采用多层算法结构,以图像特征作为决策判据,自主控制算法流程;首先利用重心和改进的粒子滤波算法预测目标位置进行粗定位,而后用改进的SIFT特征匹配对目标精确定位.在保证跟踪性能的同时大大简化了算法的复杂度,提高了算法的实时性.实验表明,多模融合跟踪能够在目标发生旋转、缩放和有物体遮挡干扰的情况下,准确地提取目标,并保持连续稳定的跟踪,完全可以满足工程应用中实时性和鲁棒性的要求.     

基于改进SIFT算法的图像匹配

为进一步提高SIFT匹配算法的鲁棒性和正确率,从以下几个方面改进SIFT算法.对图像进行多分辨率小波变换,重建图像近似成分——低频信息参与匹配;采用“回”字形双层方邻窗将特征点邻域区域划分成四部分,建立32维特征点描述符向量;运用欧式距离初步确定匹配点,再用积分图像进一步剔除由于特征点具有空间相似性而出现的误匹配点,从而提高匹配精度.实验表明,本文算法在匹配精度和匹配时间上有明显提高,特别是当图像具有较多局部相似特征时,匹配点数增加,匹配正确率提高.     

一种提高SIFT特征匹配效率的方法

为了提高SIFT特征匹配的效率,首先改造了SIFT特征描述符相似性度量的形式,以街区距离代替欧氏距离作为特征描述符之间的相似性度量,降低了相似性度量公式的时间复杂度;其次,提出了最近邻和次近邻假设算法,即假设待匹配图像中任意2个特征点为最近邻点和次近邻点,通过比较当前特征点与待匹配图像中其他特征点之间的距离,以及当前特征点与假设的最近邻和次近邻之间的距离,实现最近邻和次近邻的替换,最终得到实际的最近邻点和次近邻点。算法减少了相似性计算过程中特征点比较的次数,从而减小了算法的计算量。实验结果表明,提出的算法在保持鲁棒性的同时提高了SIFT特征匹配的效率,能够为一些快速性应用提供保障。     

基于在线特征选择的实时压缩跟踪

针对原始压缩跟踪算法无法自适应选择特征易导致目标丢失或者漂移这一现象,提出一种基于在线选择特征的实时压缩跟踪算法。首先,在初始化阶段生成两个互补的投影矩阵,利用该投影矩阵提取特征构造候选特征池。然后,通过特征置信度度量策略实时从候选特征池中选择置信度较高的特征,并融合所选特征对应的置信度构造分类器。最后,利用该分类器对候选样本做二元分类处理,获得最高分类器响应值的样本作为最后跟踪结果;而上一帧跟踪结果用来在线更新特征池和分类器为后续跟踪做准备。本算法在多个公共测试视频序列与原始压缩跟踪算法进行了对比,结果表明其跟踪精度和鲁棒性方面得到了改善,对于320pixel×240pixel大小的视频平均处理帧速为25frame/s,满足实时跟踪要求。     

投影特征峰匹配的快速电子稳像

提出了一种基于投影最大特征峰匹配的稳像算法来进一步提高灰度投影稳像算法的实时性。首先,将参考帧与当前帧图像等分为若干区域子块,根据灰度投影计算公式分别计算每个子块的水平投影和垂直投影;依次计算两帧图像相应子块中对应的垂直和水平投影最大特征峰的位置差值,作为相应子块的水平和垂直运动矢量。然后,根据帧间运动矢量变化程度进行运动矢量修正。最后,根据各子块的运动矢量统计结果进行全局运动估计。将该最大特征峰匹配算法运用到多光谱成像系统进行实验,并与较经典的灰度投影算法做了比较。结果表明:在保证相同的稳像效果前提下,对于分辨率为1 024pixel×1 024pixel的图像序列在(-60,60)搜索范围内进行运动估计时,前者比后者的运算时间节省了近20%。提出的算法突破了现有投影稳像算法需要对可能的区域逐一搜索的繁琐匹配过程,具有较好的实时性和良好的稳像效果。     

结合特征在线选择与协方差矩阵的压缩跟踪算法

本文从3个方面对原始压缩跟踪算法进行改进,以提高其在复杂场景下的鲁棒性和准确性。首先,提出一种结合特征在线选择的压缩跟踪算法,通过计算相邻两帧同维特征所服从的高斯分布曲线的Hellinger距离来度量特征的置信水平,从特征池中选择置信水平较高的特征,并融合特征的置信水平构造贝叶斯分类器。然后,在压缩跟踪框架下引入协方差矩阵以增强算法对目标的表达能力,把Haar-like特征和协方差矩阵相结合构建目标模型,取最大响应值所对应的候选样本作为跟踪结果。最后,优化分类器参数的更新方式,根据目标模板与跟踪结果的相似度来自适应更新分类器参数。改进算法的平均跟踪成功率比原算法提高了25%,平均跟踪精度比原算法提高了22%。相比于原始压缩跟踪算法,本文算法具有更高的跟踪鲁棒性和准确性。     

一种基于特征的自适应地形模型简化方法

经研究提出了一种新的根据地形特征自适应确定误差评价函数和表面细分策略的模型简化方法.为了降低特征提取给算法带来的额外开销,建立了细节层次结构,并且提出了与层次结构相结合的特征点选择算法.根据特征点构造了与层次结构中节点相关的特征域,从而限定了特征搜索范围,提高了特征提取的效率.在此基础上建立了特征域的匹配度函数,实现了地势起伏相似区域的合并,最后根据特征域匹配情况自适应选择误差计算方法和阈值.最终达到了提高模型精度和算法效率的双重目的.文中方法在多个基准数据上均进行了实验研究,结果表明与经典层次细分方法相比,算法效率和模型精度均得到显著提高.     

基于学习不变特征变换的兵马俑图像分区匹配

针对兵马俑图像三维重建时特征误匹配率较高、效率较低的问题,提出了一种基于两视图兵马俑图像的特征分区匹配方案。该方案在兵马俑图像上,首先利用学习不变特征变换(Learned Invariant Feature Transform,LIFT)方法提取整幅兵马俑图像的特征;接着利用提出的基于先验知识的特征点分布曲线分割方法确定兵马俑头部分割线位置,根据头部分割线将提取的特征分为头部特征和躯干特征;最终采用欧式距离进行分区特征匹配,对于匹配结果集合使用随机抽样一致性算法(Random Sample Consensus,RANSAC)滤除误匹配点集。实验结果表明:在兵马俑图像特征提取及匹配中该方案的正确匹配率可以达到98%,相比于SIFT和SURF方法正确匹配率提高了20%左右,特征点的可重复率提高了10%左右,同时将RANSAC的迭代时间降低了50%,而且在尺度、光照、角度发生变换时具有较好的鲁棒性。因此本文提出的方案能够很好地实现特征点的正确匹配,在兵马俑的三维重建中具有很高的使用价值。     

基于无监督学习的SIFT鲁棒图像匹配算法

SIFT特征匹配算法的匹配能力强,但特征点中孤立点和噪声点等会导致部分特征点误匹配;不同图像间特征点的有关描述相近,也会造成两幅不同结构的图像,在提取出各自的SIFT特征点后相互匹配。为此,提出一种改进SIFT的图像特征匹配算法。该算法是在SIFT特征匹配的基础上,利用无监督学习方法对匹配异常点进行剔除,实现特征点的二次精确匹配。     

基于灰度差分不变量的快速局部特征描述算法

提出了一种基于灰度差分不变量区域统计直方图的快速局部特征描述算法来解决传统灰度差分不变量特征描述子计算复杂、稳定性较差且包含的信息量较少的问题.采用低阶且具有微分几何意义的灰度差分不变量描述特征点以降低特征描述子的计算复杂度,提高特征描述子的稳定性;利用特征点邻域的灰度信息和区域信息提高特征描述子的信息含量,增强特征描述子的鲁棒性.将该算法应用于图像匹配.实验结果表明,在图像尺度缩放、旋转、模糊、亮度变化、较小视角变化和JPEG压缩等多种变换条件下,该描述子不仅能够取得较好的匹配效果,而且处理速度比尺度不换特征变换( SIFT)提高约2倍.     

用于快速形状匹配的精确型高度函数特征描述

在形状匹配过程中为了提升高度函数描述子的检索精度和对边界噪声与局部变形的鲁棒性,本文提出了一种精确型高度函数特征描述算法。首先提取目标形状外轮廓,构造轮廓采样点的精确型高度函数描述子并进行特征降维,接着利用优化后的并行动态规划进行形状匹配,最后引入形状复杂度分析提升匹配效果。基于点的几何特征显著性,提出形状精度理论,进一步分析局部形变与边缘噪声对形状特征描述的影响。在MPEG-7数据库、Swedish Leaf数据库、Tools数据库和ETH-80大型3D数据库上进行匹配实验以及在Kimia99数据库上进行抗噪实验,实验结果表明:本文提出的算法效率高,匹配时间仅为高度函数描述子的12.5%,在MPEG-7和ETH-80上的检索率最高分别为90.38%和90.07%;在Swedish Leaf和Tools上,检索精度最高分别为95.07%和94.86%,检索性能和鲁棒性均优于高度函数和其他重要算法;在添加噪声的Kimia 99上,该算法的抗噪性能优于高度函数描述子,即使在噪声水平为2.0的情况下,依旧能保持91.92%的检索率。本文提出的算法检索精度高,效率高,鲁棒性好,抗噪性强,具有较好的可扩展性,能有效地应用于形状检索领域。     

自适应变尺度特征点提取方法

为了提高特征点匹配速度,设计了一种自适应变尺度构造图像金字塔的特征点提取方法。该方法采用FAST特征点数量作为尺度空间信息量的度量,利用相邻两层模糊图像的信息量差作为金字塔分层依据,通过调整尺度参数,使相邻图像间的细节特征均匀变化;并使用匹配点数量阈值控制金字塔的高度,设计利用"边匹配,边构造"的图像匹配策略来提高特征匹配的效率。最后,将所设计方法与SIFT、FAST、ASIFT三种特征提取方法进行比较。实验结果表明:所设计方法在变尺度条件下的正确匹配率可以达到43.59%,与SIFT相比提高了25.51%,提取的特征点在目标经历各种光照、角度等变化之后仍能正确表示目标。本文所设计方法根据目标图像特点自适应选择参数,不需要人工调整就可获得理想的匹配效果,能适应各种变化条件下的特征提取和匹配工作,并能提高特征提取和匹配效率。     

基于字典描述向量的实时图像配准

针对传统的特征向量计算方法复杂度高、耗时长、占用内存多等缺点,提出了一种基于字典描述向量的图像配准方法。该算法采用K-奇异值分解（K-SVD）方法生成字典,通过比较特征点临近区域图像与字典中基底图像的相似性得到特征描述向量,从而降低了描述向量的计算复杂度,提高了算法的实时性。实施该算法时,首先通过随机KD树算法对参考图像和待配准图像的特征点进行匹配,然后使用经典随机抽样一致性（RANSAC）算法剔除误匹配点对,最后应用最小二乘法对得到的匹配点对进行参数估计,从而得到两幅待配准图像的空间几何变换关系。实验表明结果,本文提出的描述向量计算方法降低了描述向量的存储空间,加快了特征匹配的速度,可在保证配准准确度的前提下实现配准过程。     

改进的单目视觉实时定位与测图方法

针对经典单目实时定位与测图(SLAM)采用卡尔曼滤波(EKF)滤波和FAST特征角点所存在的非线性误差和鲁棒性较差的问题,提出了一种改进的单目视觉实时定位与测图方法。该方法采用相机中心的迭代EKF(IEKF)滤波方法,将特征点在当前相机坐标系下表达,并在线性化展开点附近迭代更新,不断逼近最优位置,从而最小化线性化误差;针对特征点跟踪的鲁棒性、高效性及分布不均的问题,选用具有尺度和旋转不变性,且探测和匹配效率更高的ORB特征作为特征角点,并采用一种由探测到筛选阶段的整体网格化处理方法;另外,采用特征点逆深度参数化方法,避免了因深度信息未知而导致的局部地图初始化错误问题,并采用1点随机抽样一致方法(RANSAC)滤波更新方法剔除错误的特征匹配,保证滤波估计的准确与稳定。实验采用外符合精度对算法进行评价,结果表明:新方法具有更强的鲁棒性,绝对定位精度提升至2.24 m,误差轨迹比提升至1.3%,且满足实时性要求,是一种实用性较强的单目视觉实时定位与测图方法。     

基于色度饱和度-角度梯度直方图特征的尺度自适应核相关滤波跟踪

针对核相关跟踪算法(KCF)对特征敏感及无法跟踪尺度的问题,本文从特征提取和尺度自适应两个方面对核相关滤波跟踪算法进行了研究。提出了一种基于色度饱和度-角度梯度直方图特征的自适应核相关跟踪算法来改善KCF算法的跟踪性能。首先,研究了HSI颜色空间的特点,基于颜色和梯度是互补的图像特征,提出了一种融合了梯度和颜色的HHS-OG特征来有效提高原始KCF算法对目标和背景的判别力。其次,针对KCF无法处理目标尺度变化的问题,在跟踪的检测阶段采用一组固定的尺度因子进行图像块采样,根据得到的滤波响应图估计目标的最优位置和尺度。将所提算法在大量视频序列上进行了跟踪实验,结果显示其平均跟踪速度为37.5frame/s,跟踪精度和成功率分别提升了5.4%和10.1%。实验表明HHS-OG特征具有良好的目标-背景判别能力,能够实现鲁棒跟踪,而尺度自适应策略能较大程度地提高跟踪精度。     

基于改进亮度变化函数实现红外图像中行人跟踪

由于基于亮度变化函数(IVF)的跟踪算法能高效跟踪前视红外图像中刚性目标但无法满足行人跟踪鲁棒性要求,提出了一种新的基于多热点亮度变化函数的红外图像中行人跟踪算法。分析了分区域、多热点描述行人目标热信号的必要性,利用改进的亮度变化函数在帧间目标窗口内定位热点,建立目标窗口自适应更新机制解决尺度变化问题,最后基于热点的运动特征描述子剔除定位于背景的野值点。对复杂红外场景的跟踪实验结果表明,由于在原始算法的基础上省去了模板匹配步骤及缩小了搜索对象的矩阵维数,该算法获得了最优的实时性;且多热点机制使该算法的鲁棒性优于多种其他视觉跟踪算法,能够胜任存在遮挡、尺度变化、低对比度等干扰因素的前视红外图像中行人目标的跟踪。     

基于高光谱图像的改进SIFT特征提取与匹配

针对尺度不变特征变换(SIFT)算法所提取图像特征点数量少、误匹率高的问题,提出了一种基于高光谱图像的改进SIFT算法。首先,依据传统SIFT算法中高斯金字塔的构造思想,结合在不同波段下的高光谱图像具有相同宏观特征的特点,首次用高光谱图像作为原始算法中经高斯变换产生的图像,使得检测到的具有实际意义的特征点数量大幅增加;其次,传统SIFT算法以及大量的改进方法都只通过目标象元邻域范围内的像素信息来构造特征描述符,而忽略了像素点的位置信息,文中将目标象元的位置信息纳入了特征描述符,在特征描述符的匹配阶段,在利用邻域范围内的像素信息进行粗匹配之后,利用特征描述符中的位置信息进行精细匹配。仿真实验结果表明在限定最优值与次优值之比的情况下,采用高光谱图像构造高斯金字塔的方式能显著增加特征点的提取数量,更多地挖掘出图像中的极值点;在特征描述符中加入目标象元的位置信息作为特征点匹配第二阶段的判断依据,正确匹配数量达到原方法的59倍以上,极大提升了算法的匹配性能。