基于RANSAC的SIFT匹配阈值自适应估计

针对基于欧氏距离比值作为图像尺度不变特征变换(SIFT)特征匹配相似性度量时,距离比阈值难以设置最优,且固定距离比阈值易引起误匹配或漏匹配等问题,引入随机抽样一致性(RANSAC)算法。该算法对SIFT匹配算法中的距离比阈值进行自适应优化,确定最佳的阈值,再利用双向匹配的方法剔除误匹配点。实验结果表明,针对不同的实验图像,所提算法都能自适应地求解出一个最优的比例阈值,使得匹配点数最多,同时具有较高的匹配正确率,经过双向匹配的策略优化后效果更好。     

基于改进SIFT算法的山谷地形影像匹配

针对山谷地形的低空影像中地貌单一且特征不易提取的问题,本文对SIFT算法改进,融合Harris特征提取算法优势,得到一种可用于山谷地形下低空无人机影像特征提取与匹配的算法。算法首先利用Harris算法和SIFT算法分别提取特征点,对两种算法提取的特征点进行合并,然后运用SIFT算法对合并后的特征点进行描述,再利用特征点特征向量的欧氏距离进行粗匹配,最后利用RANSAC算法进行精匹配来提高匹配精度。为了验证该算法的有效性,选用一组山地影像数据进行实验并与SIFT算法进行比较,结果表明:算法有效地提升了山谷地形影像上特征点匹配精度。     

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。     

基于视觉约束能量最小化的特征点匹配算法

为了解决海上目标航空遥感图像重复特征较多导致的匹配不一致问题,并简化匹配过程,文中提出了基于SIFT视觉约束能量最小化的匹配算法(CEM-SIFT)。该算法将约束能量最小化模型应用于特征点的匹配,通过构造有限脉冲响应线性滤波器,采用视觉信息计算其能量值,使得待匹配的点集经过滤波之后的平均输出能量在一定约束下达到最小值,最终实现含重复信息的特征精确匹配。采用10组航空遥感海冰图像对算法进行测试,结果表明,相对于采用SIFT欧氏距离(ED-SIFT),在匹配重复特征比较多、点集规模比较大的图像时,CEM-SIFT算法的匹配精度更高,能够达到100%。     

基于分块和仿射不变性的SIFT图像匹配算法

针对传统SIFT算法在匹配时出现实时性差、匹配量低以及RANSANC算法在剔除SIFT误匹配对时误匹配率高的问题,提出一种基于距离相对性的分块匹配算法和基于仿射不变性的误匹配对剔除算法。首先利用传统SIFT算法提取图像中的特征点;然后采用基于距离相对性的分块匹配算法进行特征匹配得到初始匹配对;由于初始匹配对中存在误匹配,接下来运用基于仿射不变性的误匹配对剔除算法来剔除误匹配对;最后,在不同图像变换下进行仿真实验。实验结果表明,算法在保持SIFT算法鲁棒性的基础上,能够得到更多匹配对,正确匹配率提高了10%左右,并且实时性也得到很大改善。     

基于改进SIFT的图像拼接算法

针对基于SIFT算法的图像拼接中算法复杂度过大和特征点匹配不准的问题,提出了用CS-LBP算子结合SIFT特征点生成特征描述符以及特征双向匹配的图像拼接算法。首先提取SIFT关键点,对每个关键点生成81维的CS-LBP特征描述子,然后利用特征向量双向匹配策略寻找符合特征匹配关系的匹配点对完成粗匹配,最后再利用RANSAC算法计算待拼接图像之间的变换矩阵,从而实现图像的拼接。实验结果表明,该方法能够有效地减少运算量,加快运算速度,拼接效果也较为理想。     

煤矿救援机器人环境目标图像识别

针对标准尺度不变特征变换(SIFT)算法存在搜索视觉图像中关键点出现计算冗余和目标识别实时性差的问题,提出了一种改进的SIFT算法,并将其应用到煤矿救援机器人的环境信息感知和目标识别匹配中。该方法以马氏距离代替标准SIFT算法中的欧氏距离,简化了特征点提取,避免了特征点的误匹配。现场试验结果表明,改进后的SIFT算法提高了煤矿救援机器人对煤矿井下环境目标识别的实时性和目标匹配的准确性,为煤矿救援自主移动机器人实现避障、行走做好了视觉前提。     

一种SIFT像素点筛选预处理降维双向匹配方法

针对SIFT算法误匹配点多和匹配速度慢的问题,本文提出一种SIFT像素点筛选预处理降维双向匹配方法,在SIFT构造DoG空间前进行像素点筛选预处理,减少无用特征点产生;在特征描述符生成时进行降维处理,减少运算量;最后使用约束配准算法,实现SIFT双向匹配。实验结果表明,本文改进的方法显著地提高了匹配精度和效率。     

基于SIFT特征的弹底窝痕自动识别方法

为实现枪弹检材的快速准确匹配,提出了一种基于尺度不变特征转换(SIFT)算法的弹底窝痕配准方法及一种经验的匹配判定方法。对SIFT算法实现弹底窝痕配准进行了详细分析和分步验证,包括特征点提取、特征向量生成以及欧氏距离法初匹配,最后以随机抽样一致法(RANSAC)进行提纯,排除误匹配点对。在此基础上,总结出一种经验的痕迹匹配判定方法,即特征点密集区域法。可提取特征点密集区域,计算其面积占窝痕总面积的百分比η,以此作为匹配判定依据。基于推荐样本的实验表明:η设定为12%,已知匹配和已知不匹配的弹底窝痕可被有效区分。     

改进的SIFT邻域投票图像匹配算法

针对传统图像匹配算法在几何差异场景下匹配精度低的问题,提出一种改进SIFT特征描述符和邻域投票相结合的图像匹配算法。使用8个邻域像素的平均值代替原始极值点,通过SIFT提取图像中的特征点,利用Sobel算子计算特征点的梯度幅度和方向,结合8个仿射形式的同心圆邻域生成64维描述符,根据欧氏距离确定初始匹配点,采用邻域投票的方法剔除错误的匹配点,实现图像的精确匹配。实验结果表明,该算法在显著提高匹配精度的同时缩短了匹配时间,对复杂场景的匹配性能明显提升。     

基于SIFT和Daisy相结合的立体匹配算法

立体匹配是计算机视觉领域最活跃的研究课题之一,针对传统SIFT描述符在图像存在多个相似区域时易造成误匹配和Daisy的匹配效率会因200维的描述符而降低的问题,提出一种SIFT和Daisy相结合的立体匹配算法。该方法利用SIFT算法生成关键特征点,利用Daisy描述符自身具有的良好的旋转不变性,对特征点进行描述,利用特征描述符欧氏距离的最近邻匹配和种子区域增长得到视差图。实验结果表明,该方法匹配精度高,速度快,在部分遮挡、视点变化引起的图像变形等问题上有更好的表现。     

基于SIFT的图像匹配算法

直接用SIFT算法对较模糊图像进行关键点提取时,提取的关键点个数较少且进行下一步匹配时错误匹配较多。提出一种基于SIFT特征的匹配算法,首先利用拉普拉斯算子对图像进行锐化处理,使其边缘得到突出,然后利用SIFT算法进行关键点提取,最后利用双向匹配算法进行图像匹配。实验结果表明,利用本文算法进行匹配比直接用SIFT算法进行匹配时的匹配点数更多,匹配效果更好。     

基于改进网格运动统计特征的图像匹配算法

为了解决尺度不变特征变换（SIFT）算法在图像匹配中匹配正确率低、耗时长等问题，提出一种基于改进网格运动统计特征RANSAC-GMS的图像匹配算法。首先，利用快速旋转不变性特征（ORB）算法对图像进行预匹配，对预匹配的特征点采用网格运动统计（GMS）来支持估计量以实现正确匹配点与错误匹配点的区分；然后，采用改进的随机抽样一致性（RANSAC）算法通过匹配点间的距离相似性对特征点进行筛选，并采用评价函数对筛选后的新数据集进行重新整理，进而实现对误匹配点的剔除。采用Oxford标准图库和现实中拍摄的图像对图像匹配算法进行测试对比，实验结果表明，所提算法在图像匹配中的平均匹配正确率达到91%以上；与GMS、SIFT、ORB等算法相比，该改进算法的近景匹配正确率和远景匹配正确率分别最少提高了16.15个百分点和3.56个百分点，说明它能有效剔除误匹配点，进一步提高图像匹配精度。     

具有光照鲁棒的图像匹配方法

针对现有的基于局部特征的图像匹配算法对光照变化敏感、匹配正确率低等问题，提出一种具有光照鲁棒性的图像匹配算法。首先使用实时对比保留去色（RTCP）算法灰度化图像，然后利用对比拉伸函数模拟不同光照变换对图像的影响从而提取抗光照变换特征点，最后采用局部强度顺序模式建立特征点描述符，根据待匹配图像局部特征点描述符的欧氏距离判断是否为成对匹配点。在公开数据集上，所提算法与尺度不变特征变换（SIFT）算法、加速鲁棒特征（SURF）算法、"风"（KAZE）算法和ORB算法在匹配速度和匹配正确率上进行了对比实验。实验结果表明：随着图像亮度差异的增加，SIFT算法、SURF算法、"风"（KAZE）算法和ORB算法匹配正确率下降迅速，所提算法下降缓慢并且正确率均高于80%；所提算法特征点检测较慢和描述符维数较高，平均耗时为23.47 s，匹配速度不及另外四种算法，但匹配质量却远超过它们。对实时性要求不高的系统中，所提算法可以克服光照变化对图像匹配造成的影响。     

基于扩散距离的SIFT特征匹配算法

SIFT(Scale Invariant Feature Transform)是目前最流行的局部特征提取及匹配算法.但传统SIFT算法采用欧氏距离来度量特征之间的SSD(Sum of Square Differences)并进行匹配,而传统的欧氏距离不能使高维特征向量恢复到具有低维的几何结构,导致错误匹配.为了克服这缺点,利用扩散距离代替欧氏距离进行匹配,然后使用随机抽样一致从候选匹配中排除错误的匹配.实验表明:该方法在图像形变、光照变化和图像噪声方面优于原方法.     

基于加权相似性度量的特征匹配方法

针对图像特征匹配过程中采集图像易受噪声、光照、尺度等因素影响使产生的匹配结果鲁棒性差、误匹配率高等问题,提出一种基于加权相似性度量（WSM）的特征匹配方法。该方法首先采用基于网格多密度聚类的特征匹配（FM_GMC）算法对原始图像进行特征聚类块划分;其次在每一特征聚类块中,采用Canny提取边缘特征点并使用尺度不变特征变换（SIFT） 进行描述;然后采用加权的方式对特征聚类块之间的空间上下文信息间的Hausdorff距离、图像特征点外观描述子间的欧氏距离以及图像特征点的局部几何灰度信息的归一化互相关度量（NCC）进行相似性度量;最后依据最近邻距离比值（NNDR）对相似性度量结果进一步优化,从而确定特征匹配结果。以古建筑图像为数据集的实验结果表明WSM方法的平均匹配精确率达到92%,在匹配数量和精确率上优于常用的特征匹配方法,验证了该方法的有效性和鲁棒性。     

点线特征融合的误匹配剔除算法

特征匹配作为计算机视觉的一项关键技术而备受关注。近年来,基于描述子的特征点匹配技术取得了一系列突破性进展,但曲线长度不一、端点定位不准确以及周围包含的重复性纹理较多等因素,导致了曲线匹配研究依旧是一个极具挑战性的热点研究课题,且现有曲线匹配方法大多出现匹配总数少、匹配正确率低的问题。为增加特征匹配的总数和正确率,利用特征点和特征曲线的位置关系提出一种点线特征融合的误匹配剔除算法(Point Line feature Fusion,PLF)。首先定义点到曲线的距离,利用点、曲线描述子提取图像的点、线特征;其次确定落入匹配曲线对应支撑区域内的匹配点对,并根据匹配点组和曲线间的距离约束剔除错误曲线匹配;最后利用点线距离约束剔除匹配曲线支撑区域内的错误点匹配。实验选取了3种不同的点线组合,即SIFT技术提取的点特征分别与IOCD曲线描述子、IOMSD曲线描述子、GOCD曲线描述子提取的曲线特征相融合, 验证算法 对多种点、线描述子具有适用性,且该算法不仅适用于特征点与特征曲线的融合,亦适用于特征点与特征直线的融合,从而验证了其对多种图像特征具有适用性。实验结果表明,在旋转、视角变化、光照变化、压缩、噪音、模糊等变换条件下,该算法均能有效提高曲线特征匹配的匹配总数和匹配正确率,同时提高点匹配的正确率。