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。     

一种图像立体匹配的误匹配点剔除与校正方法

针对双目立体视觉匹配中,图像的低纹理区域及重复纹理区域容易出现误匹配的问题,基于视差连续性及三角剖分,提出了一种误匹配点剔除与校正方法。首先利用SURF算法进行特征点提取,采用双向匹配策略进行特征点匹配;然后基于视差约束条件剔除误匹配点,并用三角剖分对误匹配点进行校正。实验结果表明,该方法能够剔除误匹配点,为误匹配点找到正确匹配点,有效提高双目立体匹配的精度。     

基于双目立体视觉的复杂背景下的牛体点云获取

提出一种基于双目立体视觉的复杂背景下的牛体点云获取方法。在点云获取过程中,针对牛不是保持不动的实际情况,采用基于被动视觉技术的双目立体视觉方法;在相机标定过程中,进行单目标定获取相机内部参数,统一标定获取相机外部参数,针对牛体毛色及所处环境复杂的情况,采用基于贝叶斯的皮肤检测算法提取牛体图像,采用基于SIFT的特征点提取和匹配方法实现特征点的匹配,利用计算机视觉中的极线几何原理,剔除误匹配点,通过相机的成像模型求取牛体的三维点云。实验验证了该方法能够在复杂背景下获取牛体点云,并得到较好的点云数据,较好解决了双目立体视觉中相机标定和立体匹配两个较关键和困难的问题。     

简化的SIFT算法在双目立体视觉中的应用

图像均匀匹配是双目立体视觉领域研究的重点。本文用SIFT特征匹配算法处理立体匹配,并利用构造圆环形窗口以及12维向量表示一个特征点的方法,既保持SIFT算法的尺度不变性,又有效降低了算法的复杂度,提高了算法实时性。     

一种图像特征点匹配算法——Haar-Gaussian&NICD算法

提出了一种基于哈尔小波分解变换和高斯尺度空间的图像特征点匹配算法.首先利用哈尔小波变换对基础图像进行3层行列分解,然后利用高斯函数卷积核对这些分解图像,进行尺度变换.提出了一个小波高斯金字塔塔林的概念,即对通过小波变换产生的多张不同分辨率的基础图像分别进行高斯尺度变换进而产生一个个独立的高斯金字塔,进而产生独立的高斯差分金字塔林,完成特征点检测.再引进规范化强对比度描述子对特征点进行描述.结果表明:Haar-Gaussia&NICD算法的效果和SIFT算法相当,特征点数量优于SIFT算法,在局部特征匹配方面要更有优势;而且和NICD描述子搭配使用,在运行速度方面要比SIFT算法更快.     

基于径向基神经网络的立体匹配算法*

针对双目视觉中的图像立体匹配问题,提出了一种基于径向基神经网络的立体匹配算法。该算法提取图像的尺度不变特征变换（SIFT）特征建立特征匹配矩阵,对特征匹配向量进行约简,最后将约简的特征匹配向量输入径向基神经网络进行识别输出。仿真和实际图像实验表明,该算法的匹配正确率比标准的SIFT有所到提高。     

基于SIFT特征与区域相结合的双目视觉匹配算法

以SIFT特征对旋转、尺度缩放、亮度变化保持不变性的特点,使用双目视觉系统从两个不同的视觉角度采集立体图像对,提出基于SIFT特征匹配和改进的区域匹配相结合的匹配算法。该方法确定符合SIFT特征的边缘为可靠特征点,并确定其视差;根据视差梯度原理确定其他点的视差,最后生成稠密的视差图。实验结果表明,SIFT特征与区域相结合的匹配算法的引入,提高了特征点视差的准确性,一些弱纹理区的匹配也有所改善。     

一种体视显微图像误匹配消除方法

针对尺度不变特征变换( SIFT)匹配中存在的误匹配问题和立体图像特点,提出一种误匹配消除方法。对体视显微图像进行SIFT特征匹配初步得到匹配对,结合体视显微镜标定参数,计算三维点云坐标。将三维点云分别投影到左、右图像中得到新的匹配对,新投影点的图像坐标分别与原来匹配点的图像坐标相减,生成投影向量集。通过左、右2个投影向量集幅值和方向的异常值剔除,实现误匹配消除。实验结果表明,实验图像的误匹配消除率达到100%,同时不消除正确匹配点,提高了匹配精度。     

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的三视图像特征匹配算法

提出一种基于SIFT的三视图像特征匹配算法。采用SIFT算法对三视图像进行特征匹配,引入计算机视觉中的三线性关系和基于三焦张量的像素转移误差计算方法,对SIFT算法的匹配结果进行筛选,剔除匹配过程中产生的误配点。真实图像数据实验表明,该算法有效剔除了SIFT算法产生的97％以上的误配点,提高了三视图像匹配的准确度。     

基于改进SIFT特征的双目图像匹配算法

针对SIFT（尺度不变特征变换）算法无法准确定位物体形状特征的问题,提出了一种结合了Harris角点和SIFT算法的立体匹配方法。在DOG尺度空间提取Harris算子作为图像的特征点并为每个特征点定义主方向,计算出特征点的32维特征向量描述子并用BBF算法检索同名特征点之间的欧式距离进行匹配。在降低SIFT算法的时间复杂度的同时提高了算法提取特征点的形状意义,在双目图像匹配实验中取得了较好的结果。     

基于视差和SIFT的双目视觉移动目标识别和追踪的研究

开展基于视差和尺度不变特征变换(SIFT)的双目视觉移动目标识别和追踪的研究。首先采用基于梯度的立体匹配算法得到较准确的左右视图视差映射,其次通过视差映射提高基于SIFT特征的左右视图运动目标的匹配精度,最后利用视差映射和区域增长的方法相结合分别在左右视图完成运动目标的追踪。实验结果表明,基于视差信息和SIFT的双目视觉移动目标识别与追踪算法具有很好的准确性,能够在连续视频中完成左右视场中对同一物体的追踪。     

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。     

基于双目视觉的工件定位与抓取研究

针对生产制造过程中工件的自动定位、识别与抓取等问题,研究基于双目立体视觉的工件识别定位方法;对每个工件进行SIFT特征提取,采用模板匹配方法实现工件的识别.用形态学方法获得工件特征点的二维信息,结合双目立体视觉标定技术得到工件的三维坐标,为机器人抓取工件提供信息;在实验中,相机标定、匹配识别与三维定位程序在MATLAB环境中执行,应用MATLAB和VC++混合编程技术将获得的工件信息传递给机器人的控制程序,实现了机器人对工件的在线实时抓取.     

一种基于SIFT特征的机器人环境感知双目立体视觉系统

针对双目立体视觉系统在机器人环境感知领域中存在的立体匹配以及测量精度问题,设计一种基于SIFT特征的双目立体视觉测量系统.利用SIFT特征良好的旋转、尺度、光照不变性等特性,有效地解决双目立体视觉系统的匹配问题,同时将SIFT算法在由FPGA和DSP组成的嵌入式系统上实现,显著地提高测量系统的实时性.提出一种基于二次多项式的误差补偿方法,对系统的测量结果进行补偿,弥补双目立体视觉系统测量误差随测量距离增加而增加的不足,从而提高系统测量精度.通过实际的测量实验、移动机器人环境感知实验以及与现有双目立体视觉产品的对比实验结果表明,系统能够很好地解决双目立体视觉的立体匹配和精度问题,并且能较好地应用于移动机器人环境感知任务中.     

改进的跨尺度引导滤波立体匹配算法

作为双目三维重建中的关键步骤,双目立体匹配算法完成了从平面视觉到立体视觉的转化.但如何平衡双目立体匹配算法的运行速度和精度仍然是一个棘手的问题.本文针对现有的局部立体匹配算法在弱纹理、深度不连续等特定区域匹配精度低的问题,并同时考虑到算法实时性,提出了一种改进的跨多尺度引导滤波的立体匹配算法.首先融合AD和Census变换两种代价计算方法,然后采用基于跨尺度的引导滤波进行代价聚合,在进行视差计算时通过制定一个判断准则判断图像中每一个像素点的最小聚合代价对应的视差值是否可靠,当判断对应的视差值不可靠时,对像素点构建基于梯度相似性的自适应窗口,并基于自适应窗口修正该像素点对应的视差值.最后通过视差精化得到最终的视差图.在Middlebury测试平台上对标准立体图像对的实验结果表明,与传统基于引导滤波器的立体匹配算法相比具有更高的精度.     

基于粗精立体匹配的双目视觉目标定位方法

针对双目视觉系统定位精度较低的问题,提出一种基于粗-精立体匹配的双目视觉目标定位方法。该方法采用粗-精匹配策略：在粗匹配阶段使用基于Canny-Harris特征点的随机蕨算法对左右图中的目标进行识别,提取目标矩形区域的中心点,实现中心匹配;在精匹配阶段建立一种基于图像梯度信息的二值特征描述子,将中心匹配得到的右中心点作为估计值,设定像素搜索范围,于该区域中找出左中心点的最佳匹配点。最后,将得到的中心点匹配对代入平行双目视觉的数学模型中,实现目标定位。实验结果表明,在500 mm距离范围内,所提出定位方法的定位误差控制在7 mm内,平均相对定位误差为2.53%,相比其他方法具有定位精度高、运行时间短的优点。     

改进型SIFT立体匹配算法研究

针对机器人视觉系统立体匹配中存在的匹配重复或错误等问题,提出了一种基于尺度不变特征变换（Scale Invariant Feature Transform,SIFT算法）和余弦相似度匹配规则的立体匹配方法。该方法以左、右两幅图像中特征向量较多的图像作为基准匹配图像,另一幅图像作为待匹配图像;再由二者的特征向量之间的余弦相似度所建立的匹配规则进行立体匹配。实验结果表明,改进型立体匹配方法有效地降低了匹配错误或重复比,具有较强的鲁棒性,匹配效果较佳,更加有利于机器人视觉系统的三维重建与定位。