基于尺度不变特征变换的快速图像拷贝检测

针对传统基于尺度不变特征变换（SIFT）特征的图像拷贝检测算法特征提取速度慢、匹配效率不高的问题,提出了一种基于SIFT特征点位置分布与方向分布特征的快速图像拷贝检测算法。首先,提取SIFT特征点二维位置信息,通过计算各个特征点与图像中心点的距离、角度,分块统计各区间的特征点数量,依据数量关系量化生成二值哈希序列,构成一级鲁棒特征;然后,根据特征点一维方向分布特征分块统计各方向子区间特征点数量,依据数量关系构成二级图像特征;最后,拷贝检测时采用级联式过滤框架作出是否为拷贝的判断。仿真实验结果表明,与传统SIFT以128维特征描述子为基础构建哈希序列的图像拷贝检测算法相比,所提算法在保证鲁棒性与独特性不降低的同时,特征提取时间缩短为原来的1/20,匹配时间也缩短了1/2以上,可满足在线拷贝检测的需求。     

基于Gabor多尺度空间的不变兴趣点检测

针对以往仿射不变兴趣点的特征尺度不能直接断定的问题, 提出一种基于Gabor多尺度空间的不变兴趣点检测算法。该算法主要包括三个步骤：应用Gabor滤波器组与图像卷积建立图像Gabor多尺度空间; 通过极大值准则检测兴趣点并直接断定特征尺度; 采用二阶矩矩阵描述兴趣点局部结构。实验结果表明, 相比较其他Hessian-Affine、MSER等算法, 该算法在图像模糊和JPEG压缩情况下可重复率和可匹配率均取得最好结果, 是一种能有效直接提取特征尺度的兴趣点检测算法。     

基于CenSurE-star和LDB的被测目标图像匹配算法

针对传统点特征匹配方法计算量大、匹配速度慢的问题,给出了一种基于CenSurE-star和LDB的图像匹配算法,以用于在视觉检测中对被测目标图像进行快速匹配;该算法首先通过调整滤波器尺寸从而快速检测被测目标图像中不同尺度的CenSurE-star特征点,然后采用LDB方法对特征点结合其邻域进行描述,以描述符汉明距离为标准衡量图像特征点间的相似度并进行对应筛选,最终结合RANSAC剔除剩余的误匹配点对,实现了图像间准确匹配;实验研究表明,在关于光照、噪声和模糊变化的三组被测目标图像匹配中相较SIFT、SURF等常见算法,该算法不仅显著提升匹配速度,而且保证了较高的匹配准确率。     

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SIFT的时间序列图像拼接方法研究

针对SIFT（Scale Invariant Feature Transform）算法计算复杂度高,运行时间长的问题,提出了一种改进的SIFT算法。通过扩大极值点取值范围,减少极值点数量,提高运算速度;采用12环的圆形窗口代替传统的方形窗口,简化了特征描述符的构造方法,生成78维SIFT特征描述符,进一步提高了算法的运算速度;将BBF（Best Bin First）运用到特征点对之间初次配准的搜索中,并用RANSAC（Random Sample Consensus）算法对特征点配准对进行二次处理,以消除错误配准。将改进的SIFT算法与渐入渐出融合算法相结合,实现对时间序列图像的拼接融合处理。针对拼接融合后的图像,采用局部分块检测的方法评价其效果。实验结果表明,该算法运算速度快,具有较高的鲁棒性,且拼接融合效果好。     

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。     

改进的二进制特征图像检索算法

提出一种针对嵌入式系统的图像检索算法,通过提取目标局部特征来进行图像检索。为了提高检索的实时性并兼顾正确率,选用经典SIFT特征为基础进行改进。在关键点检测阶段使用均值滤波代替高斯滤波大大提高特征提取速度。在描述符生成阶段通过稀疏矩阵将SIFT特征映射为二进制描述符。引入基于K-means的 Multi-probe LSH方法对二进制描述符进行快速检索和匹配。通过一系列的图像缩放、旋转、模糊和光照变化对比实验,可以看出该算法与现有的经典算法相比在检索正确率及实时性方面均有很好的表现。     

基于中心环绕滤波器检测的图像特征点匹配算法

针对传统图像匹配算法特征点检测稳定性和准确性差的问题,提出一种尺度不变性的基于中心环绕滤波器检测（SCFD）的图像特征点匹配算法。首先,构建多尺度空间,利用中心环绕滤波器检测图像在不同尺度下的特征点,采用Harris方法和亚像素插值获得稳定的特征点;其次,联合快速定向旋转二进制稳健基元独立特征（BRIEF）（ORB）算法确定特征点的主方向,构建特征点描述算子;最后,采用汉明距离完成匹配,通过最小平方中值（LMedS）定理和最大似然（ML）估计剔除误匹配点。实验结果表明,在尺度变化时,所提算法的匹配精度达到96.6%,是ORB算法的2倍;其运行时间是尺度不变特征变换（SIFT）的19.8%,加速鲁棒性特征（SURF）的28.3%。所提算法能够有效提高特征点检测的稳定性和准确性,在视角、尺度缩放、旋转、亮度等变化的情况下具有较好的匹配效果。     

适用于倾斜影像的加速KAZE-SIFT特征提取算法

针对传统正摄影像的特征提取算法处理倾斜影像匹配效果不佳的问题，在已有特征提取算法的基础上，提出了一种适用于倾斜影像的特征提取算法--加速KAZE-尺度不变特征变换（AKAZE-SIFT）算法。首先，为保证特征检测的准确性与独特性，采用充分保留图像轮廓信息的加速KAZE（AKAZE）算子进行特征检测；其次，为提升特征描述的稳定性，采用稳健的尺度不变特征变换（SIFT）算子进行特征描述；然后，依据目标特征向量和候选特征向量间的欧氏距离确定粗匹配点对；最后，采用随机抽样一致性算法进行单应性约束，提高匹配纯度。模拟影像在倾斜摄影条件下的模糊、旋转、亮度、视角和尺度变化，对特征提取算法性能进行评估，实验结果表明，AKAZE-SIFT算法相比SIFT算法和AKAZE算法召回率分别提高了12.8%和5.3%，精准率提高了6.5%和6.1%，F1值提升了13.8%和5.6%；提取效率优于SIFT算法，略逊于AKAZE。AKAZE-SIFT算法具有良好的检测和描述能力，更适用于倾斜影像特征提取。     

采用快速SIFT算法实现目标识别①

在基于原始SIFT算法的目标识别中,特征描述符的计算复杂,特征点的匹配时间较长,为此提出一种快速SIFT算法。该算法采用同心圆形窗口内的灰度累加值和差分值构建16维的简化描述符,并且在目标识别时,按照金字塔结构由粗至精进行特征点匹配。实验表明,在保证目标识别准确率的前提下,快速算法的运算时间比原始SIFT算法减少了两个数量级,具有很好的实时性能。     

基于软分配SIFT特征的回环检测算法

回环检测能够消除视觉SLAM的累积误差,对SLAM系统意义重大。其中,应用较广泛的视觉词袋模型算法存在着视觉单词同一性和歧义性问题,影响了回环检测效果。为改善这些问题并提高回环检测效果,提出了一种基于软分配SIFT（scale-invariant feature transform）特征的回环检测算法。该算法将图像提取出的SIFT特征点分配到欧氏距离最近的几个单词上,并根据距离排序加权,剔除距离单词较远的特征点,生成更具区分性的描述子。并且在筛选候选项时,加入相同单词特征点占比以及单词偏移稳定性约束,筛选出少量候选项。实验结果中,该算法相较于传统视觉词袋模型以及近些年的几种回环检测算法,在三种数据集中的100%准确率下的召回率有所提升,图像平均查询时间在40 ms左右。结果表明,该算法对回环检测效果有一定提升,并且保证了实时性。     

一种基于SIFT特征光流的运动目标跟踪算法

针对传统光流跟踪算法计算复杂度高、受噪声影响大的问题,提出了一种基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)和卡尔曼滤波器的特征点光流跟踪算法。首先,利用SIFT算法提取图像中的特征点;然后,根据最小绝对值误差准则对运动目标的特征点进行匹配,建立卡尔曼滤波器方程来计算特征点光流;最后,通过光流特征聚类实现运动目标的识别与跟踪。实验结果表明,算法对自然场景中的运动目标具有良好的跟踪特性,稳定性好,计算量小,易于实现。     

基于Kinect的点云配准方法

Kinect采集的点云存在点云数量大、点云位置有误差,直接使用迭代最近点(ICP)算法对点云进行配准时效率低.针对该问题,提出一种基于特征点法向量夹角的改进点云配准算法.首先使用体素栅格对Kinect采集的原始点云进行下采样,精简点云数量,并使用滤波器移除离群点.然后使用SIFT算法提取目标点云与待配准点云公共部分的特征点,通过计算特征点法向量之间的夹角调整点云位姿,完成点云的初始配准.最后使用ICP算法完成点云的精细配准.实验结果表明,该算法与传统ICP算法相比,在保证点云配准精度的同时,能够提高点云的配准效率,具有较高的适用性和鲁棒性.     

FPGA-based detection of SIFT interest keypoints

The use of local features in images has become very popular due to its promising results. They have shown significant benefits in a variety of applications such as object recognition, image retrieval, robot navigation, panorama stitching, and others. SIFT is one of the local features methods that have shown better results. Among its main disadvantages is its high computational cost. In order to speedup this algorithm, this work proposes the design and implementation of an efficient hardware architecture based on FPGAs for SIFT interest point detection In order to take full advantage of the parallelism in this algorithm and to minimize the device area occupied by its implementation in hardware, part of the algorithm was reformulated. The main contribution of the hardware architecture proposed in this paper and the main difference with the rest of the architectures reported in the literature is that as the number of octaves to be processed is increased, the amount of occupied device area remains almost constant. The evaluations and experiments to the architecture support this contribution, as well as accuracy, repeatability, and distinctiveness of the results. Experiments also showed device area occupation and time constraints of the hardware implementation. The architecture presented in this paper is able to detect interest points in an image of 320 × 240 in 11 ms, which represents a speedup of 250 × with respect to a software implementation.     

砂轮地貌双目图像特征点提取和匹配研究

特征提取和匹配是双目视觉中的关键点和难点。对SIFT和Harris两种特征点提取算法应用于双目砂轮地貌图像的角点检测进行了研究,通过对SIFT特征采用欧式距离进行匹配,对Harris角点采用零均值归一化互相关算法(ZNCC)进行模板匹配,采用RANSAC算法剔除误匹配特征点对。实验结果表明,SIFT算法在双目砂轮地貌图像上应用较Harris算法效果理想。     

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。     

基于区域划分和四元数的彩色图像复制粘贴篡改检测

现有的篡改检测方法中特征点提取不充分会导致篡改检测精度不高,特征点描述符识别率差,针对该问题提出一种基于颜色矩的区域划分和四元数Hu矩的彩色图像复制粘贴篡改检测算法。首先,使用自适应形态重建算法对图像进行超像素分割,通过密度聚类算法对图像自适应划分区域;其次,提出一种关键点提取方法得到均匀的SIFT特征点;然后,在一种新颖的彩色图像四元数表示方法中构建局部高斯金字塔提取Hu矩特征;最后,利用2NN进行特征匹配后,结合Delaunay三角形算法定位出复制粘贴篡改区域。在公共数据集上的实验结果表明,该算法可以更有效地定位篡改区域。     

An Analysis of the Factors Affecting Keypoint Stability in Scale-Space

The most popular image matching algorithm SIFT, introduced by D. Lowe a decade ago, has proven to be sufficiently scale invariant to be used in numerous applications. In practice, however, scale invariance may be weakened by various sources of error inherent to the SIFT implementation affecting the stability and accuracy of keypoint detection. The density of the sampling of the Gaussian scale-space and the level of blur in the input image are two of these sources. This article presents a numerical analysis of their impact on the extracted keypoints stability. Such an analysis has both methodological and practical implications, on how to compare feature detectors and on how to improve SIFT. We show that even with a significantly oversampled scale-space numerical errors prevent from achieving perfect stability. Usual strategies to filter out unstable detections (e.g., poorly contrasted extrema) are shown to be inefficient. We also prove that the effect of the error in the assumption on the initial blur is asymmetric and that the method is strongly degraded in the presence of aliasing or without a correct assumption on the camera blur. This analysis leads to a series of practical recommendations.