基于改进LMedS算法和贪心估计的相位立体匹配

为了改善基于相位测量轮廓术的测量系统测量效率低、系统稳定性差等缺陷,提出一种基于改进LMedS算法和贪心估计策略的快速相位立体匹配方法.首先在LMedS算法中引入平差函数模型,通过及时剔除错误样本减少计算成本函数的累加次数,不仅保持了LMedS算法的良好鲁棒性,而且有效地减少了算法的计算量;用贪心估计策略对改进的LMedS算法获得的初始内点集进行优化,剔除相对匹配程度较差的内点,并用优化的内点集求解基本矩阵,进一步提高算法的估计精度和鲁棒性;最后结合相位立体匹配原理对实物进行了三维重建,分析比较了传统的基于摄像机标定结果的相位立体匹配方法与改进方法的性能.实验结果表明,该方法满足三维形貌测量对实时性、鲁棒性和精度的要求,测量数据完整、可靠.     

基于改进的ORB算法与姿态估计的跟踪注册方法研究

传统的特征提取算法在图像匹配过程中易出现误匹配现象,本文在ORB算法的基础中融入一种最小平方中值估计法-LMedS方法,利用ORB算法的特点和LMedS方法去除可能存在的外点,消除误匹配现象,从而得到正确的匹配特征对,使特征匹配率有很大的提高。采用基于非线性最小二乘进行姿态估计,通过迭代算法估算相机姿态完成虚实注册。实验结果表明,本文的方法无论是在特征点匹配还是在实际场景中都具有很好的鲁棒性,在不同尺度角度、部分遮挡的情况下,同样具有良好的性能,准确、实时地完成跟踪注册。     

单应性矩阵自适应估计方法

如何从初始匹配点集中估计出精确的单应性矩阵,有效地剔除误匹配,一直以来都是视觉领域研究的重点和难点,也是实际相关技术应用中最为关键的一步。通过将特征点对相似度概念应用于LMedS的样本选取过程,提出了一种新的单应性矩阵自适应的估计方法。区别于传统LMeds方法从无序匹配点集中随机选取样本的过程,该方法首先以点对间的相似度对整个初始匹配点进行降序排列,然后从前往后依次选取样本。实验结果表明,与LMedS相比,该方法估计出的单应性矩阵更精确、鲁棒,效率更高（得到最佳模型所需的迭代次数仅约为LMedS的1/5）,同时弥补了RANSAC及其改进方法需预先设置距离偏差阈值的不足。     

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.     

基于三视图约束的基础矩阵估计

考虑到只依赖对极几何关系的匹配点余差并不能完全区分匹配点的正确与否,从而影响内点集选取的情况,提出基于三视图约束的基础矩阵估计算法。首先,使用传统随机抽样一致性（RANSAC）算法计算三视图的任意两对相邻图像间的基础矩阵,确定三视图中共有的匹配点对,并计算估计基础矩阵时非共用图像上的匹配点在共用图像上的极线;然后,计算两条极线的交点与共用图像上对应匹配点间的距离,以距离值的大小作为内点判断的依据,得到新的内点集。在新内点集的基础上,采用M估计算法重新计算基础矩阵。实验结果表明：该方法可以同时降低噪声和错误匹配对基础矩阵精确计算的影响,精度优于传统鲁棒性算法,使点到极线的距离限制在0.3个像素左右,而且计算结果具有稳定性,可以被广泛地应用到基于图像序列的三维重建和摄影测量等领域中。     

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ORB-SLAM2系统的快速误匹配剔除算法与地图构建

针对ORB-SLAM2系统中随机抽样一致（RANSAC）算法在误匹配剔除时因其算法本身的随机性而导致效率较低的问题和在ORB-SLAM2系统里未能构建稠密点云地图的问题,采用渐进一致采样（PROSAC）算法来改进ORB-SLAM2系统中的误匹配剔除,并在系统中添加稠密点云地图和八叉树地图构建线程。首先,与RANSAC算法相比,PROSAC算法依据评价函数对特征点进行预排序,并选取评价质量较高的特征点求解单应性矩阵,根据单应性矩阵的解与匹配误差阈值进行误匹配剔除;然后,根据ORB-SLAM2系统进行相机的位姿估计与重定位;最后,根据所选关键帧进行稠密点云地图与八叉树地图的构建。根据TUM数据集上的实验结果,PROSAC算法在进行相同图像的误匹配剔除时所用时间是RANSAC算法的50%左右,并且所提系统的绝对轨迹误差与相对位姿误差与ORB-SLAM2系统基本一致,表现出良好的鲁棒性;另外,与稀疏点云地图相比,提出的新构建地图可以直接用于机器人的导航与路径规划。     

基于ORB-SLAM2系统的快速误匹配剔除算法与地图构建

针对ORB-SLAM2系统中随机抽样一致（RANSAC）算法在误匹配剔除时因其算法本身的随机性而导致效率较低的问题和在ORB-SLAM2系统里未能构建稠密点云地图的问题，采用渐进一致采样（PROSAC）算法来改进ORB-SLAM2系统中的误匹配剔除，并在系统中添加稠密点云地图和八叉树地图构建线程。首先，与RANSAC算法相比，PROSAC算法依据评价函数对特征点进行预排序，并选取评价质量较高的特征点求解单应性矩阵，根据单应性矩阵的解与匹配误差阈值进行误匹配剔除；然后，根据ORB-SLAM2系统进行相机的位姿估计与重定位；最后，根据所选关键帧进行稠密点云地图与八叉树地图的构建。根据TUM数据集上的实验结果，PROSAC算法在进行相同图像的误匹配剔除时所用时间是RANSAC算法的50%左右，并且所提系统的绝对轨迹误差与相对位姿误差与ORB-SLAM2系统基本一致，表现出良好的鲁棒性；另外，与稀疏点云地图相比，提出的新构建地图可以直接用于机器人的导航与路径规划。     

基于三角剖分的视觉里程计特征点匹配算法

针对单目视觉里程计的精确定位问题,提出一种专门应用于单目视觉里程计的特征点匹配方法。对FAST算法提取的特征点进行DELAUNAY三角剖分,获得特征点的位置关系。采用LK算法获得匹配点,结合位置关系判断误匹配候选点。对候选点计算SIFT描述子,根据相似程度剔除误匹配点。对获得的匹配对估计基础矩阵,结合尺度信息求取位姿。实验结果表明:该算法可提升匹配点的正确率,提高单目视觉里程计的精度。     

一种采用最小平方中值的改进极线校正方法

鉴于目前大多数极线校正方法均是采用随机采样一致性算法(random sample consensus,RANSAC)的鲁棒性估算进行,提出一种采用最小平方中值算法(least median of squares,LMedS)的改进极线校正方法。在未标定摄像机的情况下,首先使用SURF(speededup robust features)算子对立体影像进行特征点提取与匹配,然后利用RANSAC算法与LMedS算法对匹配点进行基础矩阵估计,基于基础矩阵根据极线校正准则对影像进行重采样,得到校正后的立体影像。最后利用垂直视差均值、方差和均方根距离3个评价指标对极线校正的结果进行精度评价。实验结果表明,与RANSAC算法相比,改进的方法消除垂直视差的效果更好,影像变形较小,可以为三维重建过程中视差图的生成提供更可靠的结果。     

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LQS的基本矩阵计算方法

基本矩阵作为分析两视图对极几何的有力工具,在视觉领域中占用重要的地位.分析了传统鲁棒方法在基本矩阵的求解问题中存在的不足,引入了稳健回归分析中的LQS方法,并结合Bucket分割技术,提出一种鲁棒估计基本矩阵的新方法,克服了RANSAC方法和LMedS方法的缺陷.模拟数据和真实图像实验结果表明,本文方法具有更高的鲁棒性和精确度.     

一个基本矩阵的鲁棒估计算法

通过分析基本矩阵的鲁棒估计方法的特点,提出了三点改进：在RANSAC（RANdom SAmpling Consensus）方法中采用了极小化再投影误差判别数据点的类别;给出再投影误差的一阶近似算法;由求出的基本矩阵和局内点数据采用LM算法对结果过一步求精,给出更好的基本矩阵估计值,使得再投影误差进一步减小,避免结果趋于局部极值。合成数据和真实图像实验均证明了该方法的有效性和可靠性。     

An efficient fundamental matrix estimation method for wide baseline images

Fundamental matrix estimation for wide baseline images is significantly difficult due to the fact that the proportion of inliers in putative correspondences is generally very low. Traditional robust fundamental matrix estimation methods, such as RANSAC, will encounter the problems of computational inefficiency and low accuracy when outlier ratio is high. In this paper, a novel robust estimation method called inlier set sample optimization is proposed to solve these problems. First, a one-class support vector machine-based preselection algorithm is performed to efficiently select a candidate inlier set from putative SIFT correspondences according to distribution consistency of features in location, scale and orientation. Then, the quasi-optimal inlier set is refined iteratively by maximizing a soft decision objective function. Finally, fundamental matrix is estimated with the optimal inlier set. Experimental results show that the proposed method is superior to several state-of-the-art robust methods in speed, accuracy and stability and is applicable to wide baseline images with large differences.     

Robust adaptive-scale parametric model estimation for computer vision

Robust model fitting essentially requires the application of two estimators. The first is an estimator for the values of the model parameters. The second is an estimator for the scale of the noise in the (inlier) data. Indeed, we propose two novel robust techniques: the two-step scale estimator (TSSE) and the adaptive scale sample consensus (ASSC) estimator. TSSE applies nonparametric density estimation and density gradient estimation techniques, to robustly estimate the scale of the inliers. The ASSC estimator combines random sample consensus (RANSAC) and TSSE, using a modified objective function that depends upon both the number of inliers and the corresponding scale. ASSC is very robust to discontinuous signals and data with multiple structures, being able to tolerate more than 80 percent outliers. The main advantage of ASSC over RANSAC is that prior knowledge about the scale of inliers is not needed. ASSC can simultaneously estimate the parameters of a model and the scale of the inliers belonging to that model. Experiments on synthetic data show that ASSC has better robustness to heavily corrupted data than least median squares (LMedS), residual consensus (RESC), and adaptive least Kth order squares (ALKS). We also apply ASSC to two fundamental computer vision tasks: range image segmentation and robust fundamental matrix estimation. Experiments show very promising results.     

一种基于改进拟仿射变换的基础矩阵估计方法

以基础矩阵的估计为基础,使用计算机视觉的方法从一组不同角度、不同距离拍摄的同一场景所得的二维序列图像中还原出目标对象的三维空间信息,是实现基于图像的建模、即时定位与地图构建等前沿热点问题的主流解决方案。在基础矩阵估计问题中,准确性和效率是2个主要的衡量指标。准确性不够时,往往需要通过后端优化等方式花费高昂的代价对其进行修正,效率低则会影响系统的实时性。针对该问题,提出一种基于改进拟仿射变换的基础矩阵估计方法。具体来说,在QUATRE算法基础上,首先提出一种基于特定“基因-染色体”模式的种群协作方法。其次,重新定义齐次坐标系所表示的离散解空间中的种群初始化、变异和交叉等操作。此外,还提出一种基于置信度的迭代次数确定方式,用于加速本文方法。实验表明,该方法能有效剔除噪声和误匹配所产生的外点干扰,在准确性和效率方面优于LMedS、RANSAC和MSAC等方法,可有效解决基础矩阵估计问题。     

基于概率抽样一致性的基础矩阵估计算法

随机抽样一致性算法是应用最广泛的鲁棒性基础矩阵估计算法之一.针对随机抽样一致性算法效率低的问题,提出一种基于概率分析的随机抽样一致性算法.该算法减少首次抽样的次数,利用预检验技术确定一个较优的模型子集,通过定义样本属于该较优模型的概率来选择内点概率大的样本子集,并通过多次迭代得到一个只包含内点样本的子集.模拟数据和真实数据的基础矩阵估计实验表明,算法在计算效率和精度上均优于随机抽样一致性算法.     

基于LMedS&LS的全局运动估计算法

针对全局运动估计过程常伴有局部运动的问题,提出一种基于LMedS&LS的全局运动估计算法.通过获取相邻2帧图像上对应特征块的坐标,将该算法应用到仿射变换模型中,估计出全局运动参量,并根据运动参量采用双线性内插法完成图像配准.实验证明,该算法相对于LMedS算法在精确度和实效性2个方面都有改进.     

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。