结合SURF算子和极线约束的柑橘立体图像对匹配

提出一种结合SURF算子和极线约束的立体匹配方法。对采集的双目视觉柑橘图像进行R-B分量的计算,在该分量上,采用快速hessian检测子进行特征点检测,并使用SURF描述子对检测到的特征点进行64维的特征描述。采用欧式距离和极线约束进行特征点匹配。实验表明,该方法对一幅图像对的平均处理时间为293ms,在果实被遮挡或光线变化的情况下均能较好地进行特征点提取和匹配。该方法为后续的深度信息计算提供了基础。     

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SURF特征匹配的图像拼接算法

提出了一种了基于SURF（speed up robust features）特征匹配的图像拼接算法。SURF方法是一种快速且鲁棒性较好的特征提取算法,用该算法提取图像特征后,使用改进BBF（best bin first）的快速匹配算法来寻找图像间的匹配点;用LM算法对单应性矩阵进行优化时,本文提出使用梯度误差函数增强对光照变化的鲁棒性;最后采用多分辨率融合方法进行图像融合,有效地消除了拼接痕迹,并保持较高的分辨率。实验结果验证了该算法的高效性,对存在旋转、尺度缩放、视角以及光照变化的图像都具有良好的效果。     

场景无关约束下的特征匹配算法

鉴于对极约束是立体图像中完全不依赖于场景的重要几何约束，因此在特征匹配中起着很重要的作用，而且由于同形映射描述了平面场景的立体图像之间的对应关系，故大量文献中利用它对平面场景的立体图像对进行特征匹配。为了提高立体图像匹配精度和速度，提出了一种改进的场景无关约束下的特征匹配算法，该算法针对用对极约束和同形映射来进行曲面场景匹配的过程中同形估计容易出现降阶的情况，通过引入区域面积检测法来避免降阶情况的发生，以改善匹配结果；同时，由于在同形矩阵估计中，通过加入基础矩阵和同形矩阵本质上的约束关系，可使得原本独立的同形约束和对极约柬关系很好地融入到匹配的整个过程中，从而快速有效地抑制了错误匹配的发生。对真实图像的实验分析证明，该改进算法具有迭代次数少、速度更快和匹配精度高的良好性能。     

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。     

基于SURF特征和Delaunay三角网格的图像匹配

图像特征匹配的核心是通过距离函数实现在高维矢量空间进行相似性检索.重点研究提取好的特征点并快速准确地找到查询点的近邻.首先,提取图像的多量、有区别且稳健的SURF（Speeded up robust feature）特征点,并将特征点凸包进行Delaunay剖分.然后,对Delaunay三角边抽样、聚类、量化并构建索引.通过票决算法,将点对匹配与否映射到矩阵中以解决距离度量没有利用数据集本身所蕴含的任何结构信息和搜索效率相对较低的问题.结合SURF算法和Delaunay三角网提出一种特征匹配的新方法,在标准图像集上的实验验证,在耗时基本相同的情况下,提取的特征点较多且正确匹配率较高.     

基于几何约束的改进SURF算法

针对工业视觉机器人的实际作业环境中,作业背景以及工件上夹带的杂物影响图像特征点提取与匹配的问题,提出一种基于几何约束的改进SURF (speeded-up robust features)算法。分析工件图像中工件主体的长度、周长、面积等几何特性,提出3种基础的过滤规则用于过滤背景干扰曲线,提取出主要工件特征曲线;通过对SURF算法中Hessian矩阵的迹进行多尺度处理,对其应用过滤规则后进行特征点提取与匹配。对实际工业现场采集到的工件图像与匹配数据库进行实验与对比,其结果表明,改进后的SURF算法能够提取更丰富的处于几何边缘的特征点,提高了匹配精度。     

双目视觉小波域SIFT匹配与极线约束算法研究

研究双目立体视觉技术,特征的提取和匹配是双目视觉的最基本的问题。目前,SIFT已经被证明鲁棒性最好的局部不变特征描述符。但是SIFT算法产生的误匹配较多,精度偏低,为了解决这一问题,同时降低算法特征提取与匹配的复杂度,达到双目立体视觉实时性的要求,文中提出了一种结合小波变换和SIFT特征点的双目立体视觉匹配方法。首先,对双目视觉系统采集的左、右图像进行小波分解,把分解得到的低频图像作为输入,用SIFT算法进行特征点的初始匹配,再利用极线约束的理论求得精确匹配。实验结果表明,该方法具有较强的适应性,能够在减少误匹配的同时,大大加快运算速度。     

空间约束的无人机影像SURF特征点匹配

与普通场景图像相比,无人机影像中纹理信息较丰富,局部特征与目标对象“一对多”的对应问题更加严重,经典SURF算法不适用于无人机影像的特征点匹配.为此,提出一种辅以空间约束的SURF特征点匹配方法,并应用于无人机影像拼接.该方法对基准影像整体提取SURF特征点,对目标影像分块提取SURF特征点,在特征点双向匹配过程中使用两特征点对进行空间约束,实现目标影像子图像与基准影像的特征点匹配;根据特征点对计算目标影像初始变换参数,估计目标影像特征点的匹配点在基准影像上的点位,对匹配点搜索空间进行约束,提高匹配速度与精度;利用点疏密度空间约束,得到均匀分布的特征点对.最后,利用所获取的特征点对实现无人机影像的配准与拼接,通过人工选取均匀分布的特征点对验证拼接精度.实验结果表明,采用本文方法提取的特征点能够得到较好的无人机影像拼接效果.     

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。     

基于改进SURF的快速图像配准算法

针对传统加速鲁棒特征(SURF)匹配算法存在实时性不高,误匹配等问题,提出了基于改进SURF特征提取快速的图像配准算法.利用快速黑塞(Hessian)矩阵提取图像特征点,根据图像熵信息对特征点进行筛选,采用改进的快速近邻搜索算法进行特征匹配,到用随机抽样一致(RANSAC)算法剔除误匹配对.实验表明:改进后的算法有效改善了匹配效率,提高了匹配准确度.     

融合灰度和SURF特征的红外目标跟踪

由于红外图像对比度低、色彩信息匮乏且灰度级动态范围小,基于红外成像的目标跟踪一直是本领域研究的难点和重点。提出了一种融合灰度核直方图和SURF(speeded up robust features)特征的红外目标跟踪算法。在首帧采用灰度核直方图和SURF特征分别描述目标模板,在以后每帧中利用均值漂移算法快速找到局部最优解。考虑到灰度直方图特征信息量少,跟踪误差逐渐累积,采用改进的SURF特征点匹配算法估算当前帧目标尺度和中心位置,及时修正累积误差,避免跟踪窗口漂移且能自适应调整跟踪窗口大小,此外更新目标模板,最终准确跟踪目标。真实场景实验结果表明,本文算法在目标外观发生较大尺度变化、周边具有相似表观物体时能稳定跟踪目标,具有很强的稳健性,且满足实时性要求。     

一种抗视角变换的SURF匹配算法

针对传统的SURF匹配算法在图像搜索、物体识别中对视角变化大的图像特征点无法匹配的缺陷,提出了一种改进的SURF图像匹配算法。该算法利用模拟图序列的概念,即由原始图像模拟各种可能的视角变换生成的一组图像序列,对图像序列中的每幅图像进行SURF特征点提取;剔除冗余特征点后将模拟图序列中的特征点映射到原始图像中,这一过程增加了原始图像的特征点数量,特征点描述向量改用原始图像和多个模拟图的SURF特征描述向量共同表示;最后采用欧氏距离准则,最终得到两幅图像的正确匹配对。实验结果表明,本算法增加了特征点匹配对数,改善了视角变换过大(大于60°)使得图像无法匹配的情况。     

基于SURF和快速近似最近邻搜索的图像匹配算法

针对高维特征向量存在的最近邻匹配正确率低的问题, 提出了一种基于SURF和快速近似最近邻搜索的图像匹配算法。首先用Fast-Hessian 检测子进行特征点检测, 并生成SURF特征描述向量; 然后通过快速近似最近邻搜索算法得到初匹配点对, 再对得出的单向匹配结果进行双向匹配; 最后采用鲁棒性较好的PROSAC算法进一步剔除误匹配点对。实验证明了该算法不仅提高了SURF算法匹配的正确率, 还保证了算法的实时性。     

改进SURF特征的维吾尔文复杂文档图像匹配检索

针对图像局部特征的词袋模型（Bag-of-Word,BOW）检索研究中聚类中心的不确定性和计算复杂性问题,提出一种由不同种类的距离进行相似程度测量的检索和由匹配点数来检索的方法。这种方法首先需要改进文档图像的SURF特征,有效降低特征提取复杂度;其次,对FAST+SURF特征实现FLANN双向匹配与KD-Tree+BBF匹配,在不同变换条件下验证特征鲁棒性;最后,基于这两种检索方法对已收集整理好的各类维吾尔文文档图像数据库进行检索。实验结果表明:基于距离的相似性度量复杂度次于基于匹配数目的检索,而且两种检索策略都能满足快速、精确查找需求。     

动态成像条件下基于SURF和Mean shift的运动目标高精度检测

针对动态成像条件下运动目标检测的难点问题,提出了一种将SURF特征和Mean shift图像分割相结合的高精度运动目标检测方法.首先利用SURF特征进行图像配准,以补偿背景图像的运动漂移;然后利用差分求积二值化和形态学滤波方法检测出运动目标区域;最后结合Mean shift图像分割方法实现运动目标的精确检测.通过一系列实拍视频的运动目标检测实验验证了此算法的有效性和可行性.实验结果表明,此方法能精确检测出动态成像条件下所形成的动态背景中的运动目标,而且具有良好的鲁棒性和抗噪能力,对于光照条件和亮度变化等不利因素也有较强的适应能力.