基于改进Hausdorff距离和人工蜂群算法的图像匹配

Hausdorff距离在图像匹配领域广泛应用。针对Hausdorff距离结合一些搜索策略的匹配算法实时性不高的问题,提出了一种基于改进Hausdorff距离和人工蜂群算法搜索策略的图像快速匹配。首先提取模板图像和匹配子图的边缘特征,然后计算的模板图像和匹配子图的Hausdorff距离作为两者的相似度量标准,最后采用人工蜂群算法进行搜索匹配。实验结果表明,该方法在不降低匹配率的情况下,缩短了匹配时间,能应用到嵌入式领域。     

基于最大似然准则Hausdorff距离的跟踪算法

针对视频处理中运动物体的检测和跟踪问题,提出一种基于最大似然准则Hausdorff距离的目标跟踪算法,首先利用基于GVF的Snake方法获得物体模型;然后采用基于最大似然准则的Hausdorff距离匹配后续帧中的目标,搜索策略采用类似于Rucklidge提出的多分辨率搜索方法,在不影响搜索成功率和目标定位精度的情况下, 可以显著地缩短搜索时间;最后使用Snake方法完成运动物体的轮廓更新.实验表明该方法可以较好地跟踪刚性和非刚性物体,同时对部分被遮挡的目标也有良好的跟踪效果.     

加权Hausdorff距离算法在SAR/INS景象匹配中的应用

提出了一种基于特征图像分支点提取的加权Hausdorff距离图像匹配算法，并给出了相应的权值求解公式．为满足景永匹配导航系统实时性的要求，给出了细化处理的预处理方法，减少了特征文件的冗余度，提高了匹配搜索的快速性．同时，基于细化后提取出的分支特征点，应用加权Hausdorff距离算法进行图像匹配，克服了斑点噪声对合成孔径雷达（SAR）图像匹配的影响．仿真分析袭明．该算法能满足SAR／INS景泉匹配辅助导航系统实时性和准确性的要求．     

一种基于鲁棒Hausdorff距离的目标匹配算法

在传统的基于边缘位置的Hausdorff距离匹配的基础上,将边缘的梯度信息引入到距离度量当中,构造了一种新的三维距离函数。在此基础上,提出了一种鲁棒的三维Hausdorff距离及其目标匹配算法,采用粗匹配与精匹配相结合的两步匹配策略有效解决了由距离度量维数增加所导致的算法复杂性增大的问题。实验表明,该算法相对于传统的基于边缘位置的Hausdorff距离目标匹配算法在鲁棒性上有很大的提高。     

基于相似度加权的自适应HD算法

Hausdorff距离(Hausdorff distance, HD)是一种点集与点集之间的距离测度, 常用于目标物体的匹配、跟踪和识别等. 本文在分析经典HD及改进算法的基础上, 提出了一种基于相似度加权的自适应HD (Adaptive Hausdarff distance, AHD)算法. AHD算法利用不同点到点集的最小距离的个数作为匹配相似度的测量, 并舍弃对判断匹配几乎没有作用的较大的点到点集的最小距离值; 同时根据点到点集的最小距离自适应选择权值, 从而得到一种基于相似度测量加权系数; 通过利用部分点到点集的最小距离和基于相似度的加权平均, 既增强了算法的鲁棒性, 又尽可能地保证了算法的精度. 实验结果显示, AHD算法在匹配准确性、抵抗噪声和遮挡干扰等方面性能良好.     

一种内外轮廓加权的人耳检测算法

为了提高人耳检测中图像匹配的精确性,提出对内外耳轮廓加权,并利用Hausdorff距离进行人耳检测的算法。在传统的Hausdorff距离匹配中,图像如果受噪声干扰或边缘不连续等情况,检测结果不理想。因此为使检测位置更加接近外耳轮廓,需要强调外耳轮廓的作用,这通过对外耳加大权值、对内耳加小权值实现,然后再结合加权Hausdorff距离进行图像匹配计算。仿真实验表明,提出的算法是有效的。相比传统Hausdorff距离和平均Hausdorff距离的匹配,人耳轮廓加权的算法更加精确。     

基于粒子预测和光流匹配的目标跟踪算法

运动物体的跟踪是在连续的视频流中需找并跟踪物体的理论和方法,是计算机视觉中一个重要的课题。本文提出了一种基于粒子预测和光流匹配相结合的目标跟踪算法。对于非线性、非高斯问题进行了位置预测,并结合了Hausdorff距离和光流算法对自适应图像匹配跟踪算法进行了匹配的性能分析。实验结果表明,本算法继承了相关跟踪实用性的特点,并且可以准确的进行物体的跟踪和定位。     

基于行车位置数据挖掘的拼车方法研究

拼车是一种环保节能的出行方式,合理的拼车策略可以缓解交通压力,优化乘客体验,减少碳排放等。针对拼车问题,提出了两阶段的拼车匹配策略。第一阶段匹配过程是利用基于改进Hausdorff距离的乘客分配算法,将拼车需求分配到具体车辆,从而将多车辆问题转化为单车辆问题;第二阶段匹配过程,采用基于匹配度的聚类筛选出与车辆最为匹配的拼车需求。实验结果表明该算法和流程能分别应用于单车次、多车次接力换乘的拼车方案推荐,匹配简单准确。     

基于Hausdorff度量的快速图象匹配算法

借助于计算机形态学的膨胀运算,文章提出了一种基于Hausdorff距离的快速图象匹配算法.Hausdorff距离相似性度量简化为膨胀和累加运算两个步骤,与传统的Hausdorff距离计算方法相比,具有简单、快速的特点.仿真结果验证了所提出算法的有效性.     

基于邻域灰度信息的Hausdorff距离图像匹配方法

针对可见光与红外图像由于成像机理不同引起的图像灰度值差异大、边缘轮廓不一致、传统基于灰度和基于特征的匹配方法匹配概率不高等问题,在分析了各种Hausdorff距离算法的前提下,引入可见光与红外图像的灰度信息,提出一种基于邻域灰度信息Hausdorff距离的图像匹配方法。该方法在计算图像边缘特征点相似性的基础上,增加了邻域归一化灰度方差计算,有效解决了由于边缘差异引起的Hausdorff距离算法对可见光/红外图像匹配概率不高的问题。经可见光与红外图像匹配的仿真实验表明,在各种条件下,该算法与传统Hausdorff距离算法相比,有效提高了在不同光照下图像的匹配效率以及对噪声的抗干扰性能。     

一种改进的Hausdorff距离地图匹配方法

目前的地图匹配算法分为在线和离线匹配两类。针对离线地图匹配中Marchal算法精度较低的问题,提出了一种改进的Housdorff距离匹配算法,利用航线方向角与Housdorff距离对Marchal匹配算法进行了改进。通过仿真试验的定性定量分析,新算法可以较好地纠正矢量数据不完整时产生的错误结果,很大程度上提高了匹配的准确性,可以为导航系统以及规划部门提供保障服务。     

基于分支特征点的导航用实时图像匹配算法

为了满足景象匹配辅助导航系统需要同时获取飞行器位置和航向偏差的需要, 提出了一种基于分支特征点提取的图像匹配算法. 传统的图像匹配算法需要全局搜索匹配特征点, 耗时巨大, 而只提取分支特征点来匹配能满足导航系统实时性的要求. 在匹配算法方面, 提出了采用加权 Hausdorff 距离算法来进行匹配. 同时, 根据分支特征点的特性, 推导了相应的权值求解公式. 仿真结果表明, 本文提出的匹配算法耗时较短, 能满足导航系统实时性的要求, 且定位参数的求解也完全正确.     

一种鲁棒型Hausdorff距离图像匹配方法

图像匹配是图像处理的一项关键技术,传统方法受光照、噪声和遮挡的影响,使匹配过程变得困难。为了提高图像匹配的鲁棒性,提出了一种基于方向信息的鲁棒型Hausdorff距离匹配方法。该方法采用方向信息提取图像边缘,通过计算边缘匹配率(edge matching rate,EMR)获得候选匹配区域,然后采用修正后的Hausdorff距离构造相似性测度。实验结果表明,该方法加快了匹配过程,提高了抗噪性能,并能够准确匹配含有遮挡和伪边缘点的图像,从而解决了基于传统Hausdorff距离匹配方法因噪声点、伪边缘点和出格点而造成的误匹配问题。     

基于Hausdorff距离的图像匹配并行算法设计与实现

随着图像匹配的应用越来越广泛,图像匹配的实时性要求也越来越高。为了提高图像匹配的速度和更好地利用多核计算资源,设计了一种基于Hausdorff距离的图像匹配并行算法。首先介绍了Hausdorff距离的定义,然后分析了图像匹配串行算法的效率,在此基础上设计了基于Hausdorff距离的图像匹配并行算法,最后采用Matlab在多核计算机上对并行算法进行了实现。实验结果表明,文中所设计的并行算法能够显著提高图像匹配速度,并具有较好的抗失真和抗噪声性能。文中设计的并行算法有较好的扩展性,可以将这种并行思想应用到其它图像匹配算法的并行设计中。     

基于信息测度特征和Hausdorff距离的图像匹配策略

由于传统的图像匹配方法受到诸如景物的遮挡、光照和噪声的影响比较大，并且需要建立模板与图像间的对应关系，因而使实际图像的匹配变得困难。为了克服上述缺陷，以便快速地进行图像匹配，通过引入信息测度概念来提取边缘特征点，并基于修正后的：Hausdorff距离构造相似性测度，提出了一种基于信息测度和：Hausdorff距离的图像匹配策略。该策略不仅加快了匹配过程，提高了抗噪性能，而且能准确匹配遮挡图像，从而较好地解决了基于传统Hausdorff距离的图像匹配因噪声点、伪边缘和出格点而造成的误匹配问题。实验结果证明，该方法是正确有效的。     

一种基于Hausdorff 度量的多传感器图像配准方法

描述了一种基于Hausdorff 度量的合成孔径雷达和光学图像配准方法。首先用基于低帽滤波的方法提取待配准图像的闭合轮廓。然后对较长的轮廓进行Hausdorff 度量初匹配, 并对初匹配的结果使用轮廓中心的相对距离比直方图聚束检测法进行一致性检测。最后, 在得到正确的闭合轮廓对后, 使用最小二乘法计算图像的变换参数。考虑到雷达图像的相干斑噪声以及多传感器图像成像时间造成的变形, 多传感器图像提取的轮廓会有一定的差别。而Hausdorff 度量对误差有很好的容忍性, 因此本方法可以对多传感器图像进行配准。