基于区域中心签名的点云局部特征描述算法

针对目前点云局部特征描述子存在对噪声、点密度变化等因素鲁棒性差的问题,提出了一种基于区域中心签名的点云局部特征描述新算法。以查询点为中心构建一个球形包围盒,沿径向方向均匀划分为五个主区域,再沿不同的方位角、仰角方向将主区域划分为若干体积沿径向逐渐增大的子区域;采用顶点坐标、顶点数量、中心值编码子区域局部特征,进而通过不同子区域局部特征的融合,生成区域中心签名描述子。以斯坦福数据集为验证对象,对该算法和经典描述子进行了对比分析,结果表明,该算法具有更好的性能。     

一种颜色仿射变换下的局部特征描述子

提出一种颜色仿射变换下局部特征的描述子,它分别处理特征点邻域内每个像素的RGB 3个颜色通道,并利用仿射不变量计算每个颜色通道的仿射梯度;为控制特征点处描述子的维数,根据邻域内像素到特征点的距离和相对特征点主方向的角度对特征点邻域内的仿射梯度进行累加,构成局部特征点的特征描述子.所提出的特征描述子增强了特征点对光度变化和仿射变换的不变性,提高了图像局部特征匹配的准确度;并通过一组典型图像的特征点匹配实验验证了其有效性.     

利用DAISY和概率松弛的近景影像密集匹配

针对近景影像存在的弱纹理、遮挡问题,提出一种基于改进的DAISY描述子和概率松弛的近景影像密集匹配方法。首先,利用SURF提取种子点构建初始视差图,根据影像核线方向改进DAISY描述子的主方向,以影像核线方向的反方向对特征描述子进行掩膜处理,进而对兴趣点进行特征描述。随后,通过松弛迭代的候选点筛选策略渐进地获取正确率占优的特征匹配点。实验表明,相对于传统概率松弛匹配算法,该算法克服了近景影像中弱纹理及遮挡问题导致的误匹配,匹配点数目提高了2倍左右,具有较高的匹配点密集程度和可靠性。     

基于区域检测算法与不变矩特征的飞机特征提取方法研究

为了克服现有算法处理结果易受影像获取时光照、视角变化的影响,提出一种结合Harris-Laplace特征区域检测算法与梯度仿射不变矩特征描述子的飞机自动识别方法。首先,采用Harris-Laplace算子检测图像中飞机目标特征区域,在此基础上,采用梯度仿射不变矩,更形象地描述目标特征区域内的仿射变换特性,利用特征区域内的梯度仿射不变子作为飞机目标识别的特征向量用于目标识别。实验结果验证了该算法的稳健性及高效性。     

一种改进的图像局部不变特征提取方法

针对传统局部特征提取算法在提取特征点时效率不高,生成描述子需要计算主方向等问题,结合SURF算法和RGT(Radial Gradient Transform),在精度损失尽可能小的情况下提高局部不变特征提取速度,提出一种改进的AR-SURF(加速径向SURF)算法。该方法在特征检测阶段,在定位特征点时减少构造尺度空间时所计算的响应层个数,将求取对应点响应放在定位阶段。在特征描述阶段,取消确定主方向的过程,将特征点周围区域的Haar小波响应进行RGT变换,然后将特征点周围区域划分为多个同心圆,并统计特征点周围圆形区域内的响应结果,最后利用小波响应结果得到旋转不变的特征描述子。实验结果表明,AR-SURF算法节省了时空损耗,提升了定位速度,提取效果更好,更加合适于海量图片处理。     

一种基于稳定区域的图像特征描述子

当不同成像条件下图像局部内容的特征存在明显差异时,会导致特征描述子难以正确匹配。为此,提出一种基于稳定区域的图像特征描述子。利用最大稳定极值区域检测算法提取图像的稳定区域,结合图像特征点的位置和尺度信息,根据稳定区域计算特征主方向,在适应于特征点所属稳定区域尺度的较大邻域内,生成基于对数-极坐标系的特征描述子。应用结果表明,该描述子在图像局部内容变化较大时仍具有旋转不变性和稳定的匹配性能,能有效解决印刷电路板CT图像的配准问题。     

基于三角网下的仿射不变几何约束的图像匹配算法研究

针对当前图像匹配方法在进行图像匹配时,主要通过度量特征向量之间的距离来完成图像匹配,导致算法鲁棒性差、误配率较高及效率较低等不足,本文提出了基于三角网下的仿射不变几何约束的图像匹配算法。首先,在尺度空间上通过Hessian矩阵对特征点进行检测,利用子块的三角特征与对角特征对SUR机制进行改进,用以生成新的特征描述子,并通过定义阀值评估策略,对图像特征点匹配,从而生成了初始匹配点;然后,引入 三角网,对初始匹配点进行聚类,以获取匹配三角形,将三角形以外的无效特征点剔除。最后,引入仿射不变几何约束,对匹配三角形进行细化,通过细化的匹配三角形获取最终的匹配特征点,有效剔除误配点,进一步提高配准精度。仿真结果表明,与当前图像匹配算法相比,本文算法具有更好的鲁棒性,且其具有更佳的匹配精度与效率,有效剔除了误配点。     

基于Contourlet域特征点的抗几何攻击水印方法

有效抵抗几何攻击的水印算法是目前水印技术研究的难点之一,很小的几何变形就可能使大多数水印算法失效.对图像Contourlet变换和Harris-Affine算子的特性进行了分析和讨论,在此基础上提出了一种以仿射不变特征点的基于Contourlet的抗几何攻击水印算法.首先,用Contourlet变换提取出多尺度、多方向的纹理信息;再用Harris-Affine检测算子从变换域的中、低频方向子带中提取出仿射不变特征点,结合自适应局部结构的特征尺度确定特征区域,并用U变换对其归一化处理,水印就自适应地嵌入到归一化后的区域中;水印嵌入采纳矢量量化的策略,将水印信息重复嵌入到不同方向子带、多个不相交的局部仿射不变特征区域.检测时,利用特征点实现水印的重同步,采用多数原则来提取水印的位信息,无需求助于原始图像.仿真结果表明,算法不仅具有较好的透明性,而且对常规信号处理和去仿射攻击均具有较好的鲁棒性     

基于一种快速鲁棒特征描述子的图像匹配

基于一种快速鲁棒特征描述子进行图像特征点之间的匹配。此方法基于积分图像,使用快速Hessian检测子来提取图像特征点。对每个特征点,通过计算Haar小波,来寻找它的主方向。然后构造窗口区域,以主方向和与主方向垂直的方向上的小波和来描述特征点。最后以特征描述向量的距离为标准寻找不同图像之间的特征匹配。     

偏移校正的核空间直方图目标跟踪

针对传统均值漂移算法中核函数直方图对目标特征描述较弱、 跟踪窗不能动态调整容易导致目标跟偏或跟丢的缺点, 提出了一种改进的均值漂移跟踪算法.为提高目标特征描述的可靠性, 采用二阶空间直方图建立目标模型,以Bhattacharyya系数作为相似性度量; 通过偏移校正更新目标区域参数建立新的目标模型; 结合边缘与角点检测选取特征点建立仿射模型实现跟踪窗的调整; 根据卡尔曼残差判断目标是否被遮挡,从而选择卡尔曼滤波或是线性预测来确定目标位置. 实验结果表明,该算法可以准确地跟踪目标,对相似背景干扰、目标大小与方向的变化以及短时遮挡具有鲁棒性.     

极坐标下基于差分统计的描述器算法

特征描述器在许多机器视觉任务中有着重要的应用。为了提高特征描述器的性能,在极坐标下设计出了一种新的特征描述器——小波差分统计描述器(harr wavelet differential histograms,HWDH)。该描述器算法先把选定的特征区域分成9个小区域;接着分别对小区域进行小波变换;然后算出对应的方向差分,同时用改进的尺度适应性二阶矩矩阵来选择特征点的主方向;最后在极坐标下,对每个小区域的差分,在相应的方向条目内进行统计。与其他基于统计的描述器相比,该算法不需要对特征区域进行旋转,即可减少统计误差。经与尺度不变特征变换（SIFT）的描述器的实验比较表明,该描述器在鲁棒性和速度性能上都很好。     

基于颜色不变量和仿射不变性的彩色图像配准

ASIFT图像配准算法实现了完全的仿射不变性,但色彩信息的缺失导致算法对光照条件敏感。结合颜色不变量理论和ASIFT算法,提出一种彩色图像配准算法CASIFT。在ASIFT基础上以颜色不变量代替灰度信息提取特征点并建立特征点的特征描述子,解决了ASIFT算法在光照差异较大情况下彩色图像配准率低的问题。实验结果表明,CASIFT彩色图像配准算法对于光照变化和视角变化均有更好的鲁棒性。     

改进的SIFT算法图像匹配研究

对SIFT(尺度不变特征变换)算法特征描述子维数过高,导致匹配速度过慢、匹配率低等问题,提出了一种分级放射状分区的方法来构建特征描述子,将特征点邻域划分为8个区域,统计各个区域内8个方向的梯度方向直方图,得到64维特征描述子,使特征描述子维数降低50%。同时因马氏距离考虑了特征描述子向量间的相关性,在匹配时用马氏距离双向匹配方法代替欧氏距离进行匹配,并用RANSAC(随机抽样一致性)方法消除误配点。实验结果表明,改进的SIFT算法保留了SIFT算法对模糊、压缩、旋转和缩放等不变性优势,并提高了匹配速度,正确匹配率平均增加10%~15%。     

基于SIFT特征描述子的立体匹配算法

目前,立体匹配是计算机视觉领域最活跃的研究课题之一。为了克服传统的局部特征匹配算法对噪声和图像灰度的非线性变换敏感的缺点,本文提出了一种新的基于SIFT(Scale Invariant Feature Transform)特征描述子的立体匹配算法。该算法利用图像梯度信息,构造基于三维梯度方向直方图的SIFT特征描述子作为区域特征描述符,通过立体视觉理论中的极线约束将匹配特征的搜索空间从二维降到一维,最后以基于特征描述子欧氏距离的最近邻匹配得到匹配结果。实验结果表明,该方法匹配精度高,对图像灰度的非线性变换比较鲁棒,可以应用于对匹配算法鲁棒性要求比较高的立体视觉系统中。     

改进FAST特征点支持下的实时影像地标匹配算法

针对图像匹配技术中匹配时间与匹配精度不能同时满足要求的问题,提出一种基于特征点匹配的方法,利用随机森林分类器实现地标的匹配,将匹配问题转化为简单的分类问题,大大简化了计算过程,保证影像匹配实时性;采用FAST特征点表示影像地标,利用高斯金字塔结构以及仿射增强策略改进FAST特征点的尺度和仿射不变性,提升影像地标匹配率。将实验结果与尺度不变特征变换(SIFT)算法和加速鲁棒性(SURF)算法进行比较。实验结果表明在尺度变化、发生遮挡以及旋转情况下,匹配率能达到90%左右,保持与SIFT算法和SURF算法相近的匹配率,并且匹配时间相较其他两种算法减少了一个数量级,能有效地对影像地标进行匹配,匹配时间也满足实时影像地标匹配要求。     

基于改进的图像局部区域相似度学习架构的图像特征匹配技术研究

该文在AdaBoost算法的基础上提出了一种图像局部区域相似度的学习架构,利用该架构训练图像局部特征来获得低维数、独特的特征描述子,以实现对图像局部区域高精度地匹配.所提学习架构通过学习图像局部区域相似性得到一组非线性弱学习器对图像局部特征进行描述;同时,在响应函数组合形式和弱学习器权重优化配置方面,针对浮点描述子和二值描述子分别提出了新的补丁相似性度量函数作为目标函数的核函数,提高了图像特征相似性匹配效果.该学习架构不会受限于任何预定义的图像特征信息采集模式,能产生基于灰度信息或方向梯度信息的特征描述子.实验结果表明采用这种学习架构获得的特征描述子,在所有对比描述子中图像局部匹配查准率是最好的.所提学习框架能有效地配置优化描述子弱学习器,能提高图像特征描述子对图像尺度和视角变化的鲁棒性.     

基于二阶矩的SIFT特征匹配算法

摘要：为了解决了图像视角变化时造成的匹配率低的问题,作者提出了基于二阶矩的SIFT特征匹配算法。算法在尺度空间检测出特征点,用仿射的二阶矩来估计特征点的椭圆邻域,把椭圆邻域梯度的主方向作为该特征点的方向,生成特征向量,最后采用欧氏距离作为度量函数进行特征向量的匹配。实验表明,改进后的算法继承了SIFT算法对图像缩放、旋转等不变性,而且增强了图像对视角的仿射不变性,极大地改善了匹配效果。     

基于平稳小波变换和亮度序的局部特征描述子

局部区域的非线性亮度变化通常会造成局部特征描述子的不稳定。针对该问题,在平稳小波变换和亮度序的基础上,提出一种局部特征描述子。利用Hessian-Affine算子检测仿射协变区域,对检测区域进行平稳小波变换分解,将不同尺度的多个低频子带作为支持区域,多支持区域的使用可以有效地降低图像扭曲带来的不利影响。采用亮度序对支持区域进行区域划分,确保所构造描述子对单调亮度变化具有不变性,并在局部旋转不变坐标系下计算局部特征描述子。实验结果表明,该描述子在视角、线性亮度和JPEG压缩等变化下具有较好的鲁棒性。     

基于局部仿射不变特征的宽基线影像匹配

提出了一种基于局部仿射不变量特征的宽基线影像匹配算法。该算法以影像特征点为定位点，使用分层变尺度窗口内的几何和亮度仿射不变量特征实现立体匹配。由于使用局部特征，在较大窗口范围内构造尺度、旋转不变特征,以及将大窗口划分为较小的子区域，因此，该算法具有较高的匹配可靠性、较高的效率和匹配精度。     

基于二次误差的点云配准算法

提出了一种基于二次误差的特征描述子,该特征描述子具有旋转不变性。通过提取点的二次误差和邻域点二次误差得到两种特征描述子。基于高斯混合模型的点云配准算法层出不穷,主要原因是概率模型在噪声和离群值方面具有更好的鲁棒性,然而该类方法对于尺度较大的旋转表现并不好,为此将二次误差特征描述子作为高斯混合模型的局部特征优化了高斯混合模型较大旋转中的配准效果,并提出基于双特征的配准策略优化了单一特征的缺陷。通过实验与鲁棒的ICP(iterative closest point)以及流行的基于特征的配准算法在配准效率和配准精度方面进行对比,效率是鲁棒性ICP的3～4倍。在大尺度的旋转中提出的算法具有良好的鲁棒性并且优于大多数流行的算法。