基于SIFT特征和对极几何约束的图像配准算法

基于SIFT（尺度不变特征变换）特征匹配思想,提出了一种应用对极几何约束的图像特征配准算法。首先对图像提取SIFT特征点,然后通过欧氏距离估算对SIFT特征描述子进行初始匹配得到预匹配点集;采用基于单应矩阵的抽样算法计算初始基础矩阵,通过RANSAC算法计算精确的基础矩阵和匹配点集,进而实现图像配准。实验表明,该算法可以获得更准确的匹配点,得到精度较高的图像配准效果。     

基于五点算法估计基础矩阵的研究

基础矩阵是三维重建、运动估计、图像定标、匹配的基础,是解决计算机视觉和图像处理领域的重要课题.文中利用点到极线的距离最小原理对五点算法进行改进:在初始模型估计中,使用五点算法,降低算法的抽样次数和抽样时间,然后使用点到极线的距离最小原理对五点算法的多项式的伪解进行剔除,利用正确解求得本质矩阵,再根据本质矩阵与基础矩阵的归一化关系得到基础矩阵.实验证明此算法提高了估计基础矩阵的准确性,排除错误解,提高了五点算法的正确率.     

一种鲁棒的序列图像自动拼接方法

针对传统图像拼接方法中鲁棒性差、计算量大及自动化程度低等问题,提出一种鲁棒性高的序列图像自动拼接方法。该方法首先采用Harris角点检测算子对经Wallis滤波后的序列图像进行特征点提取,并结合Forstner算子对特征点进行精确定位。然后基于所提取的特征点,采用邻域灰度互相关法进行序列图像的特征点匹配,得到粗匹配点集,并运用RANSAC算法对粗匹配点集处理得到精匹配点集,由精匹配点集求出较高精度的基础矩阵及极线,并由极线约束引导匹配得到高精度的匹配点对,再运用双向松弛整体匹配算法进一步剔除少数位于极线上的误匹配点。最后利用所得的高精度匹配点对,求解序列图像间的仿射变换关系,并进行图像的坐标变换和融合,从而实现序列图像的自动拼接。实验结果表明,该方法拼接效果理想,鲁棒性高,整个拼接过程全自动,不需要人工干预,具有较高的实用价值。     

一种改进的M-Estimators基础矩阵鲁棒估计法

针对原M-Estimators算法完全依赖由线性最小二乘法估计得到的矩阵初始值,精度较低稳定性差的缺点,提出了一种改进的M-Estimators算法。通过考虑匹配点与对应极线的距离,计算求得较原M-Estimators算法更加精确的矩阵初始值,再利用此初始值剔除掉原匹配点集中的错误匹配点及坏点,最后运用Torr-M-Estimators法对新的匹配点集进行非线性优化计算,得到了真正的匹配点对,精确恢复了对极几何关系。以大量的模拟数据和真实图像进行了实验,给出了该算法与其他鲁棒性算法的比较结果,实验结果表明,该算法在误匹配以及高斯噪声存在的情况下,提高了基础矩阵的估计精度,并且同时具有很好的鲁棒性。     

基于极线几何约束的非标定图像的立体匹配

立体匹配是计算机视觉领域的一个关键问题，是计算机三维重建中的一个核心问题。基于极线几何约束是特征匹配中最强有力的约束，独立于场景结构，因此将特征匹配与极线几何有机结合起来，实现了一个鲁棒的匹配算法在非标定图像中的应用。其中，对基础矩阵估计及其引导匹配均采用点到极线距离最小约束准则。对真实图像的实验表明，该算法具有较好的实用性。     

一种基于角点检测的图像密集匹配算法

提出了一种鲁棒的图像自动立体匹配算法.利用Sobel算子对图像中的像素点进行检测,若是边缘点,则使用最小同值分割吸收核方法判断该点是否为角点.在两幅待匹配的图像间计算角点的梯度大小、梯度方向及灰度等的相似度,去除无法对应的角点,建立起待匹配图像中角点的对应关系,并计算基础矩阵.对基础矩阵进行迭代,去除误配点,计算出较精确的基础矩阵.由对极几何约束,采用动态规划方法,寻找左右两幅图像在对应极线上的所有像素点之间的对应,从而建立起两幅图像间像素点的密集匹配对应关系.试验结果表明,算法效果满意.     

一种加权计算基础矩阵的高精度算法

分析了图像匹配点对基础矩阵的不同影响,引入具有明显几何意义的匹配点到对极线的距离作为匹配点的加权因子,将匹配点集合看作随机变量并将加权因子作为匹配点的概率分布。在此基础上对原始图像数据进行归一化处理,利用8点算法得到基础矩阵。大量的试验结果表明,该方法明显降低了计算余差,提高了基础矩阵的计算精度。     

一种基础矩阵线性估计的鲁棒方法

以基础矩阵估计规范八点算法为基础,针对线性算法对参考图像匹配点集中存在的异常匹配极为敏感的问题,将基础矩阵的线性鲁棒估计转换为对匹配点集的最优化采样问题,以最小对极距离平方和中数准则获得基础矩阵的稳定可信解。实验表明,算法对基础矩阵的精度和稳定性均有较大提高。     

基于遗传算法不同策略下的基础矩阵估计方法

在未定标系统中，对极几何约束给出了图像间的全部信息，成为解决许多视觉问题的关键环节，提出了一种基于遗传算法不同策略下的基础矩阵估计方法，它利用每个基因代表一个匹配点，每条染色体作为基础矩阵计算时的最小子集，并根据染色体长度决定采用何种策略估计基础矩阵，此方法在很大程度上减小了出格点对估计过程的影响，能够较好地汇聚到全局最优解，模拟数据和真实图像的实验结果都表明，所给出的方法能够有效地检测和删除错定位和误匹配点，提高了基础矩阵估计的鲁棒性和精度。     

基于空间纹理相似性的图像角点特征匹配算法

本文针对传统图像角点特征匹配算法的匹配速度慢且准确率低等问题,提出一种基于空间纹理相似性的图像角点特征匹配算法。首先,计算图像目标上角点对应的空间距离矩阵;然后,通过计算图像角点的空间距离矩阵在对应角点邻域LBP特征向量上的瑞利商,将角点在图像灰度特征空间内的度量问题转换为纹理特征空间内幅值的度量问题;最后,根据角点对应的瑞利商的大小,实现不同图像间的角点特征匹配。对不同条件下采集的图像进行角点特征匹配,得到的匹配结果表明本文算法不仅能够很好的适应图像光照、几何变化,得到的匹配正确率较高,同时与传统算法相比本文算法在运行时间上也有大幅度的降低,当处理特征数量较小时平均降低48ms,而匹配特征数量较多时能够降低2408ms。     

一种改进的MLESAC基本矩阵估计算法

为提高基本矩阵估计精度,提出一种改进的随机抽样最大似然估计算法.根据对极距离选择质量较好的原始数据,采用随机抽样一致性方法进行抽样,选择内点数最多的基本矩阵检验原始数据,剔除误差大的匹配点,结合约束条件对匹配集进行检验,以提高匹配集精度.实验结果表明,该算法的估计精度较高,稳定性较好.     

铁路视频序列的FOE的估计

在结构化场景的轨道交通中,车载视频观测因相机平移运动而呈现出图像内容以某点为中心向四周扩散的现象,该点被称为FOE (Focus of Expansion)。 当前计算FOE的算法对噪声敏感且计算量大,不能准确地计算铁路场景中的FOE。鉴于此,文中提出一种铁路视频序列的FOE估计方法。该方法首先利用金字塔光流法对检测的Harris角点进行跟踪和粗匹配,并在此基础上利用RANSAC算法进行精确的匹配,求得基础矩阵,然后提取图像中的极线束并计算FOE。实验结果表明,所提算法比Hough 直线求得的FOE误差小,适于实时应用。     

基本矩阵的鲁棒贪心估计算法

分析了基于随机抽样检验思想的现有鲁棒算法在基本矩阵的求解问题中存在的不足,提出一种获得基本矩阵最优解的算法.利用各种鲁棒技术获得内点集,以点到极线的距离作为最优量度标准,采用贪心策略在内点集中寻找最优子集,并利用最优子集来计算基本矩阵.合成数据与真实图像的实验结果表明,该算法在基本矩阵的求解精度、抗噪声能力、对极点的稳定性等方面优于现有的鲁棒方法.     

基于图割理论和极几何约束的图像匹配算法

提出了一种基于图割理论和极几何约束的图像匹配算法。利用极几何约束对两幅待匹配图像进行矫正，使得它们的极线处在同一扫描线上，从而将二维匹配简化成一维匹配；利用基于图割的一维匹配算法获取视差数据，此时匹配中能量函数的标号是一维的，大大减少了搜索范围，并且提高了匹配的速度。     

基于极线约束的ORB特征匹配算法

图像匹配是机器视觉领域的基础核心课题,针对当前ORB (Oriented FAST and Rotated BRIEF)图像特征匹配算法虽然执行速度快,但是匹配质量不高的问题,提出一种通过极线约束来改进ORB匹配的算法。通过合理设计Hamming阈值大小来提高初始匹配点数量,采用RANSAC和8点改进法计算基本矩阵,应用极线约束剔除误匹配保留大量优质匹配点。仿真实验结果证明,算法改进后的优质匹配点数量可达原始算法的2-3倍,同时极大地提高了匹配点的质量,证明了算法的有效性。     

基于网格对应的双约束特征点匹配算法

常用的特征点匹配算法通常设置严苛的阈值以剔除错误匹配,但这样也会导致过多的正确匹配被删除。针对这一问题,提出了一种采用双约束的特征点匹配方法。首先,在局部上统计特征点匹配数量,运用网格对应的方法过滤部分错误匹配;然后,在全局上运用RANSAC方法计算基础矩阵,通过极线约束对匹配进行再一次筛选。实验表明,相比于传统的匹配算法,该算法能在不增加算法运行时间的前提下,获得更高数量和更高质量的匹配集合。     

一种新的高精度的L-M基本矩阵估计算法

分析了基于随机抽样检测思想的现有鲁棒算法在基本矩阵估计中存在的不足,结合LMedS和M估计法各自的优点,提出一种新的高精度的L-M基本矩阵估计算法。利用LMedS思想方法获得内点集,此时内点集通常情况下不包含误匹配,但仍存在位置误差,用Torr-M估计法计算基本矩阵,因为当匹配点只存在位置误差时,用M估计法得到的基本矩阵非常精确。大量的模拟实验和真实图像实验数据表明,在高斯噪声和误匹配存在的情况下,该算法具有更高的鲁棒性和精确度。     

基于Sampson误差计算单应的立体匹配

立体匹配是立体视觉重要的研究内容,文章在摄像机无标定的前提下采用Sampson误差估计立体图像对的平面单应,由单应计算基础矩阵,进行图像特征点匹配。先用Forstner算子提取角点,按照灰度差相似性准则进行初始匹配,然后在Sampson误差模型下求解代价函数的最优解,解决单应矩阵元素方程组超定问题。在平面单应及对极几何约束下进行图像特征点匹配,可获得射影意义下的象点重构。实验结果表明该方法能准确快速地匹配特征点。