尺度不变局部特征检测算法研究

尺度不变局部特征以其良好的尺度、旋转和光照不变性,在计算机视觉、目标识别、三维图像重构等领域中得到了广泛的应用.本文在大量试验数据的基础上,总结了目前常用的几种尺度不变特征匹配算法的性能,比较得出各种算法的优缺点及其适用领域,并指出尺度不变局部特征检测算法的研究和发展趋势.     

图像匹配方法研究综述

目的 图像匹配作为计算机视觉的核心任务,是后续高级图像处理的关键,如目标识别、图像拼接、3维重建、视觉定位、场景深度计算等。本文从局部不变特征点、直线、区域匹配3个方面对图像匹配方法予以综述。方法 局部不变特征点匹配在图像匹配领域发展中最早出现,对这类方法中经典的算法本文仅予以简述,对于近年来新出现的方法予以重点介绍,尤其是基于深度学习的匹配方法,包括时间不变特征检测器（TILDE）、Quad-networks、深度卷积特征点描述符（DeepDesc）、基于学习的不变特征变换（LIFT）等。由于外点剔除类方法常用于提高局部不变点特征匹配的准确率,因此也对这类方法予以介绍,包括用于全局运动建模的双边函数（BF）、基于网格的运动统计（GMS）、向量场一致性估计（VFC）等。与局部不变特征点相比,线包含更多场景和对象的结构信息,更适用于具有重复纹理信息的像对匹配中,线匹配的研究需要克服包括端点位置不准确、线段外观不明显、线段碎片等问题,解决这类问题的方法有线带描述符（LBD）、基于上下文和表面的线匹配（CA）、基于点对应的线匹配（LP）、共面线点投影不变量法等,本文从问题解决过程的角度对这类方法予以介绍。区域匹配从区域特征提取与匹配、模板匹配两个角度对这类算法予以介绍,典型的区域特征提取与匹配方法包括最大稳定极值区域（MSER）、基于树的莫尔斯区域（TBMR）,模板匹配包括快速仿射模板匹配（FAsT-Match）、彩色图像的快速仿射模板匹配（CFAST-Match）、具有变形和多样性的相似性度量（DDIS）、遮挡感知模板匹配（OATM）,以及深度学习类的方法MatchNet、L2-Net、PN-Net、DeepCD等。结果 本文从局部不变特征点、直线、区域3个方面对图像匹配方法进行总结对比,包括特征匹配方法中影响因素的比较、基于深度学习类匹配方法的比较等,给出这类方法对应的论文及代码下载地址,并对未来的研究方向予以展望。结论 图像匹配是计算机视觉领域后续高级处理的基础,目前在宽基线匹配、实时匹配方面仍需进一步深入研究。     

基于局部不变特征及离群检测的图像区域克隆认证算法

针对数字图像出现的区域克隆安全问题,提出基于局部不变特征及离群检测技术的数字图像区域克隆认证算法。该算法首先通过高斯差分算子检测图像尺度空间中具有局部不变特征的特征点;接着,基于欧氏距离相似性度量和最近邻距离比率匹配策略,通过局部不变特征匹配检测图像区域克隆;最后,通过离群检测验证匹配结果。实验表明,该算法不但对图像区域克隆具有很好的检测效果,而且能有效抵御各种后处理篡改攻击。此外,与现有算法相比,本算法具有较高的计算效率。     

基于LBP的尺度不变特征的描述和匹配算法

针对尺度不变特征变换(SIFT)算法计算复杂度高和匹配速度慢的难题,提出一种新的基于局部二进制模式(LBP)的尺度不变特征变换算法.首先采用高斯差分尺度空间检测局部极大值,利用圆形邻域统计梯度方向直方图来确定特征点的主方向,再通过坐标轴旋转避免图像旋转的计算代价;然后运用改进后的LBP算子求取特征点邻域的纹理信息,得到132比特的特征点描述子,有效地降低了描述子的计算复杂度;最后运用逻辑与运算对描述子进行特征点匹配.图像匹配实验结果表明,该算法具有尺度不变性、旋转不变性、仿射不变性和光照不变性等优良特性,在保证匹配正确率与SIFT和CS-LBP算法基本一致的情况下,运算速度优于以上2种算法,其中光照不变性明显优于SIFT算法.     

一种新的局部不变特征检测和描述算法

局部不变特征已经被成功地用来解决计算机视觉领域诸多实际问题.文中提出一种新的局部不变特征检测和描述算法,提取出的特征能够对旋转、尺度缩放、光照等变化,甚至弱仿射变换保持不变.一般说来,局部特征的提取分为特征检测和描述两个关键步骤.在特征检测阶段,首先在每一层尺度图像上提取Harris角点,然后在以Harris角点为中心的固定大小的搜索窗内搜索三维尺度空间的极值点作为局部特征点的位置和特征尺度,最后为每个特征点计算主方向.文中的特征检测算法具有良好的可重复率性能.在特征描述阶段,建立了梯度的距离和方向直方图来描述局部特征,文中的特征描述子不但具有良好的匹配性能,而且维数更低,十分有利于提高图像特征的匹配速度.大量的图像匹配与图像检索实验结果验证了文中算法的有效性.     

光学遥感图像多目标检测及识别算法设计与实现

针对目前光学遥感图像处理与分析多集中在单目标检测及识别领域的局限性,多目标检测及识别成为了一个非常值得关注的研究课题,提出了一种光学遥感图像多目标检测及识别算法.首先,采用自适应阈值算法对目标快速检测分割;然后,结合图像金字塔思想和基于尺度不变特征变换的特征包(BoF-SIFT)特征提出了一种分层的BoF-SIFT特征表示目标的全局特征和局部特征,详细地描述了目标的分布特性;最后,采用基于径向基核函数的支持向量机为弱分类器的AdaBoost算法,经过不断更新权重之后得到一个强分类器对待测试目标图像完成分类识别,识别率达到了93.52%.实验结果表明,所提算法对多类遥感图像目标的分割效果显著,特征选取恰当,识别方法快速有效.     

特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

基于混合特征提取的易混淆三维目标识别研究

针对易混淆三维目标识别这一问题,通过提取混合特征完成识别;首先获取各类三维目标的若干二维视图,将这些视图放在一起提取它们的大体轮廓特征并进行分类,使得具有相似外形的目标分为一类;然后采用基于统计学的标志矩提取方法提取每类中能分辨各种目标的局部特征,这样特征库就建立了;识别过程中,针对实际要识别的目标,提取它的混合特征并与库中数据进行匹配,确定其类型;算例研究表明,基于混合特征提取的识别系统结构简单、高效。     

基于局部特征的WEB近重复图像检测

首先分析了不同类型的图像特征对不同重复图像类型检测性能的影响,SIFT局部描述子不仅具有良好的尺度和亮度不变性,同时对仿射形变、视角改变和噪声等也有一定的鲁棒性,因此选择了SIFT描述子来描述图像特征。同时针对SIFT特征在检测过程中匹配计算代价大的缺点,提出了基于奇异值分解的SIFT特征点集合匹配方法,实验结果表明该方法在检测效果和检测时间方面取得了一个很好的平衡。     

采用旋转匹配的二进制局部描述子

针对二进制描述子主方向计算误差影响图像匹配正确性的问题,提出了一种旋转不变的二进制描述子构造和匹配方法。在以特征点为中心的同心圆周上等间隔选取采样点,按照旋转不变的模式选取采样点对进行灰度值比较,将比较结果连接成二进制串,作为区域的描述子。匹配时比较描述子在所有旋转模式中的汉明距离,取最小值作为描述子的距离,实现不依赖于主方向的旋转不变性。配合多尺度特征检测方法,将采样模式进行缩放,并对图像进行亚像素插值,实现尺度不变性。描述子匹配的实验结果表明,本文方法在旋转,尺度和光照变换下的匹配效果比当前依赖主方向的二进制描述子方法具有更高的鲁棒性。     

结构上下文:一种新的物体类别描述符

局部描述符(如SIFT)方法能够将图像中关键点的局部表观信息作为图像的特征,具有旋转不变性、尺度变换不变性、仿射不变性等性质,被广泛应用于物体分类、物体识别、图像匹配等领域。但是,它存在一个重要缺陷:只能描述物体的局部特征,忽略了整个物体的构造,而这在表示物体时是非常重要的。设计了一个新的"结构上下文"局部描述符,通过当前关键点和其他关键点间的空间拓扑结构关系描述各个关键点的特征。实验证明这种描述符在描述相同物体种类时特别有效。     

局部图像描述符最新研究进展

目的 局部图像描述符广泛应用于许多图像理解和计算机视觉应用领域,如图像分类、目标识别、图像检索、机器人导航、纹理分类等。SIFT算法的提出标志着现代局部图像描述符研究的开始。主要对最近发展的现代局部图像描述符进行了综述。方法 首先,介绍了4大类局部图像描述符:局部特征空间分布描述符、局部特征空间关联描述符、基于机器学习的局部描述符、扩展局部描述符(局部颜色描述符、局部RGB-D描述符、局部空时描述符)。对局部图像描述符进行了分析和分类,并总结了局部图像描述符的不变性、计算复杂度、应用领域、评价方法和评价数据集。最后,展望了局部图像描述符的未来研究方向。结果 近年来局部图像描述符研究取得了很大进展,提出了很多优秀的描述符,在辨别性、鲁棒性和实时性方面有了很大提高,应用领域不断拓展。结论 局部图像描述符应用广泛,是计算机视觉领域的重要基础研究。而目前,局部图像描述符还存在许多问题,还需进一步的深入研究。     

立体目标的宽基线图像匹配

为了匹配立体目标的图像特征,提出一种仿射不变的局部特征提取算法。根据高斯滤波器的形状和大小要与图像结构相适应的原理,该算法利用图像中的最大稳定极值区域(MSER)的协方差矩阵衡量局部图像结构,并将局部图像结构变换到圆形高斯滤波器适用的形式下,以解决视角和尺度变化问题。为了保证图像变换的正确性,采用旋转压缩的方式将各向异性的图像结构变换为各向同性的图像结构。最后在各向同性的图像结构上提取尺度不变特征变换(SIFT)特征点,并将SIFT特征点的坐标变回原图像坐标。实验结果表明该算法提取的局部特征是完全仿射不变的,在立体目标的宽基线图像匹配中表现出良好的效果。     

局部二值描述子的研究进展综述

局部二值描述子是局部不变特征中的重要研究对象,广泛应用于计算机视觉与模 式识别中。近年来,以 BRIEF 描述子为代表的局部二值描述子相继出现,对十年来局部二值描 述子的研究成果与发展方向进行综述,旨在为初步研究者与工程应用人员提供参考。首先,对 典型的现代局部二值描述子进行概述;其次,对优化局部二值描述子方法进行分析;最后,对 相关实验评估准则进行讨论,通过总结现阶段存在的问题,给出未来研究的展望。从整体来看, 近年来局部二值描述子经历了显著的发展与进步,许多对于局部二值描述子的研究均在普适性、 鲁棒性和高效性上取得了成果。针对应用场景的不同,部分优化后的描述子也具备了应对实际 问题的能力。这些研究进展为局部二值描述子向高层次发展、多领域拓宽打下了坚实的基础并 提供了更多的思路。局部二值描述子的成功发展标志着计算机视觉技术的进步,但其发展过程 中依然存在一些共性问题与矛盾,有待进一步的深入研究与解决。     

均值漂移LDA优化FSIF的三维人脸识别

针对传统的三维人脸识别算法受光照、姿态、表情及场景变化影响导致耗时过多及成本过高的问题,提出了一种基于均值漂移线性判别分析优化尺度不变特征融合(FSIF)算法。使用均值漂移线性判别分析找到五个类似于查询人脸的最佳候选类;利用尺度不变特征融合提取出候选人脸及查询人脸的融合特征描述符,并进行特征匹配得到目标人脸;根据特征描述符的匹配关键点数目完成人脸的识别。在USCD/Honda、FRGC v2及自己搜集的人脸数据集上的实验结果表明,该算法解决了降低FSIF人脸识别的计算复杂度,并在不降低识别性能的前提下大大地节约了成本,相比几种较为先进的三维人脸识别算法,该算法取得了更好的识别效果。     

一种新型遥感图像配准方法

提出了一种新型全自动稳健的遥感图像配准算法。首先,在图像二维平面空间和尺度空间中同时检测局部极值作为特征点,并在特征点邻域提取局部不变特征描述子一尺度不变特征变换（SIFT）。然后,利用距离测度进行SIFT特征匹配得到初步的匹配集合。最后,运用稳健的随机采样一致性（RANSAC）算法将匹配点集划分为内点和外点,在内点域上精确地估计出图像变换模型。实验利用仿真数据测试了SIFT特征的可重复性和可匹配性,利用卫星图像验证了该自动配准算法的有效性和稳健性。