具有局部自适应阈值的SIFT快速图像匹配算法

针对传统SIFT匹配算法复杂、特征冗余点多、难以满足实时性等问题,本文提出了一种具有局部自适应阈值的SIFT快速图像匹配算法。首先,所提方法在SIFT算法的基础上,对构建的高斯金字塔进行了优化,通过减少金字塔层数来消除冗余特征点以提高检测效率,并根据图像局部对比度来自适应提取FAST算法中的阈值从而实现高质量的特征点检测,筛选出鲁棒性较强的特征点进行更准确的匹配;其次,采用高斯圆形窗口建立32维降维特征向量,提高算法运行效率;最后,根据匹配特征点对之间的几何一致性对特征点进行提纯,有效减少误匹配。实验结果表明,本文方法在匹配精度和运算效率方面的综合表现均优于SIFT算法及其他对比匹配算法,相比传统的SIFT算法,匹配精度提高了约10%,算法运行时间缩短了约49%。在图像发生尺度、旋转以及光照变化的情况下,正确匹配率在93%以上。     

变环加权SIFT算法的图像拼接

针对传统SIFT匹配算法数据量大、时间复杂度高的问题,提出基于尺度不变特征变换(SIFT)特征提取方法获得特征点,并采用变换步长的圆形区域选区对特征点进行描述,改进了SIFT特征的64维描述符和88维描述符的不足。将改进后的算法应用到图像拼接过程中,通过实验验证了改进后的方法在时间复杂度方面有所改善。     

基于PCA-SIFT特征的目标识别算法

针对尺度不变特征变换(SIFT)算法在匹配时特征向量过多,从而导致耗时过长的问题,提出PCA-SIF]算法,对目标进行匹配与识别.首先,利用SIFT算法提取出原图像中稳健的特征点以及特征向量;其次,利用PCA算法对SIFT特征向量的维数进行约减;最后利用降维后的图像与原始图像进行匹配.实验证明,与原始SIFT算法相比,该算法不仅保持了SIFT算法的鲁棒性和稳定性,同时提高了匹配效率,增强了实时性.     

基于粗糙集近似约简和SIFT特征的图像匹配算法

SIFT(Scale Invariant Feature Transform)描述符由于具有尺度、旋转和光照不变等特性在图像匹配领域获得了广泛的应用。但是,SIFT特征点采用128维特征向量表示,当图像特征点较多时,匹配算法所需的存储空间大、匹配时间长,且匹配精度不理想。针对以上问题,本文给出了一种基于Rough-SIFT描述符的图像匹配算法。首先,利用排序法求出图像的稳健特征点,然后为提高后续匹配处理运算效率,将粗糙集约简理论引入到基于SIFT特征的匹配算法中,通过构建一种新的近似约简算法来对稳健特征点的128维特征向量进行降维处理,最后利用约简后的特征点对图像进行匹配。仿真实验表明, 本文方法使得约简后的SIFT特征点更加精确、稳定、可靠,有效减小了匹配算法的存储空间,提高了匹配算法的效率和准确率。      

基于LPP和改进SIFT的copy-move篡改检测

图像的复制-粘贴篡改检测是图像篡改检测领域中的重要组成部分。本文基于SIFT算法以及LPP的降维思想,提出了一种新的篡改检测算法。本文在SIFT算法的基础上,使用LPP算法对SIFT算法生成的特征点以及特征向量进行降维。使得传统SIFT算法在实际应用中特征点数目过多、特征向量维数过高等缺陷得到了解决。并使用凝聚型层次聚类算法对相似的特征点进行聚类,完成了对图像复制-粘贴篡改区域的检测。在文章的最后,本文对哥伦比亚大学复制-粘贴图像库里的100张图片进行实验。实验结果表明,不管篡改区域后处理方式是拉伸还是旋转,本文算法都能比传统的SIFT、SURF、PCA-SIFT等算法生成更少的特征点数目和更低的特征向量维度,使得检测效率以及检测正确率得到有效提升。      

基于KPCA-SIFT描述符的图像配准

SIFT描述符是一种鲁棒的局部特征描述符,利用核主成分分析的特征提取方法,对每个特征点的SIFT特征进行降维处理.核主成分分析采用非线性方法提取主成分,是主成分分析的改进算法.本文描述了一种基于KPCA-SIFT描述符的高精度图像配准算法,通过对KPCA-SIFT特征的相似性度量得到匹配点对,再根据这些匹配点对对图像进行配准.实验结果表明,KPCA-SIFT特征精确、稳定、可靠,可以得到高精度的配准.     

基于改进SIFT算法的弹载电视制导技术研究

以图像匹配技术为代表的弹载电视制导技术具有信息直观的特点,作为非常优秀的图像匹配技术,SIFT算法受到了广泛的关注和深入的研究。针对传统SIFT算法实时性差的问题,本文提出了一种改进的SIFT算法。在提取特征点部分,通过Laplace算子找出图像边缘区域并进行Laplace加权处理,然后利用FAST特征点检测算法提取区域特征点;在生成特征点描述子部分,将传统的128维SIFT算子降为48维,利用改进的SIFT特征描述算子为特征点赋予方向和描述符使其具有旋转不变性;在特征点匹配部分,利用欧式距离提取匹配点对,并采用RANSAC算法提纯匹配点对,得到最优矩阵。实验结果表明改进的SIFT算法在目标旋转、尺度变化等条件下匹配效果良好,与传统SIFT算法相比具有很高的实时性,可以很好地实现图像实时匹配。     

基于误差阈值和最小二乘图像拼接关系矩阵的实现

为了获得图像最佳拼接效果,对相邻图像间变换矩阵的求解问题进行研究,提出了一种全稳健的图像拼接算法.此算法采用SIFT进行特征点提取,初步得到了特征点匹配的伪匹配集合,并运用稳健的误差阈值法将伪匹配点集合划分为内点和外点,在内点域上运用误差的最小二乘优化算法精确地估计出了图像间的点变换关系,最后采用颜色插值对交接处进行颜...     

基于全方位视觉的移动机器人运动目标检测*

针对移动机器人动态背景下运动目标的检测,提出一种基于全方位视觉的检测算法。首先,改进了SIFT算法中的特征点提取方法,在将图像划分为若干网格后,再根据特征点所在位置的局部区域熵对每个网格中的候选特征点进行筛选;其次,在SIFT点匹配后采用RANSAC算法去除误匹配点,以提高背景补偿的精度;最后用帧差法检测出运动目标。实验表明,该算法减少了SIFT点的获取时间,并具有良好的鲁棒性,能准确地在机器人运动过程中检测出运动目标。     

基于SIFT的多焦距图像特征点提取算法

将尺度不变特征变换（SIFT）算法应用到图像的特征点提取与匹配中,SIFT算法可在尺度空间寻找极值点,提取对图像焦距变化具有稳定性的特征点及其特征描述符。在采用SIFT算法提取图像的特征点及其特征描述符后,提出了一种特征点精匹配算法进行特征点的匹配,并通过仿真证明该算法具有很好的效果。     

融合几何特征的压缩感知SIFT描述子

为了解决尺度不变特征变换(SIFT)描述子在存在较多相似结构的匹配中,易造成误匹配,并且维数较高、匹配耗时的问题,提出了一种融合相对几何位置的压缩感知描述子.首先,以特征点为中心,将周围关键点的相对几何位置(RGL)信息形成尺度和旋转不变的RGL描述子,其次,对SIFT描述子利用压缩感知(CS)理论进行降维,形成CS-SIFT描述子,最后将两者融合形成RGL-CS-SIFT描述子.实验结果表明:与SIFT和PCA-SIFT描述子相比,匹配速度有所提升,匹准确率明显提高.     

FKPCA-SIFT算法在图像匹配中的应用

SIFT是目前广泛应用于目标识别和图像匹配领域的算法,但其在使用过程中存在描述子维数过大、耗时时间长的缺点.针对这个问题,常用的解决办法是利用PCA算法对描述子进行降维,由于PCA是一种线性降维算法,因此它的使用具有局限性.对此,利用模糊K均值算法对其进行改进(称为FKPCA),并用改进的RANSAC算法消除误匹配点.实验结果表明,PCA-SIFT算法和FKPCA-SIFT都很好地保持了SIFT算法原有的优点,具有很高的匹配正确率.但相对于PCA-SIFT算法,FKPCA-SIFT不仅适用于线性降维也适用于非线性降维,具有更好的匹配精度,拓展了PCA-SIFT算法的适用范围.     

基于相似性度量优化的SIFT图像匹配算法

SIFT算法具有很好的尺度、旋转及光照不变性,因此被广泛应用在计算机视觉的诸多领域.但因其算法复杂、计算时间长,导致实时性不好.在研究SIFT特征描述符生成及匹配过程的基础上,提出一种在匹配过程中降低相似性度量计算时间、提高匹配效率的方法.该方法以棋盘距离和街区距离的线性组合替代欧氏距离来度量特征描述符之间的相似性.实验结果表明:该方法在保证SIFT算法鲁棒性的同时,可以降低匹配时间复杂度.     

增量式SFM中特征点检测与匹配方法的改进

图像特征点的提取与匹配是增量式SFM重建系统中至关重要的一步。为了提高匹配的准确率以及有效匹配点对的数量,提出了一种改进方法:首先在多尺度空间中利用自适应阈值的FAST角点检测算法获取特征点;然后计算特征点与其多个环形邻域之间的灰度对比信息,再与采样区域的局部梯度信息融合得到特征点描述子;接着利用曼哈顿距离与切比雪夫距离的线性组合代替欧氏距离完成特征点的稀疏匹配;最后利用稀疏匹配结果作为种子点对进行同步生长,在多约束条件下得到最终的稠密匹配结果。在Oxford数据集上的实验证明了改进的稀疏匹配算法的准确率与有效匹配点对数量都高于SIFT算法,在增量式SFM系统中的实验证明了稀疏匹配与稠密匹配的组合算法可以获得更好的重建效果。     

基于骨架树描述符匹配的物体相似性度量方法

提出了通过匹配骨架树来度量物体相似度的新方法.该方法用一种新的物体特征-树描述符来表示一个骨架树,用搜索树描述符中最长公共子串的方法获得最大同构子树;用新的模型度量骨架枝的形状相似性,并把形状特征和拓扑特征的有机的结合起来.最后,对骨架有环和骨架上有噪声的情况进行了讨论.实验结果表明,本方法计算的相似度具有物体的旋转、大小、平移不变性,算法时间复杂度为o（n^3）,n为物体骨架枝数,对多种物体取得了令人满意的结果.     

基于相位相关滤波与点云特征的激光点云配准方法

文中针对激光点云配准效率低和处理时间长的问题,提出一种基于相位相关滤波结合特征的扫描配准方法。扫描配准算法被解耦为旋转匹配与平移匹配两个步骤。在旋转匹配中,霍夫描述符提取的线段特征结合相位相关滤波得到具体的旋转量。平移匹配主要基于点云的边界特征,使用相位相关滤波处理提取到的特征,得到准确的x和y方向的平移量。与传统的迭代最近点(ICP)相比,提出的配准策略在处理静态数据时错误率降低了89.2%,处理时间降低了91.6%。同时,动态数据实验表明提出的方法具有较低的中位数和更好地一致性。     

基于改进ORB的图像特征匹配算法研究

针对ORB算法特征匹配精度低的缺陷,结合金字塔光流特性,提出一种优化ORB特征匹配的方法。首先,采用区域分块法对待匹配图像进行处理,挑选出最佳匹配子块,缩小无效匹配区域;接着,对子块提取ORB关键字并计算匹配描述子得到粗匹配点对,采用金字塔光流法追踪ORB特征点,求解特征点的运动位移矢量,以此剔除粗匹配部分错误的匹配对;最后,采用随机采样一致算法进一步剔除冗余匹配点,获取更为精准的匹配对。实验结果表明,本文优化的ORB算法可以很好地满足实时性和精度的要求,特征匹配的平均耗时为原ORB算法的87%左右,且平均匹配率达98%以上。     

基于SURF的特征点快速匹配算法

为了解决光电图像匹配过程中特征点错配率较高的问题,本文提出了一种基于SURF特征点的匹配方法。该算法首先利用最近邻欧氏距离比率法对提取的SURF特征做粗匹配,然后获取特征点对应尺度的邻域灰度统计信息,进而利用Pearson相关系数比得到鲁棒性较强的匹配对。实验表明该方法能够有效提高匹配的准确率,且满足实时性要求。