一种改进的SIFT特征匹配算法

针对尺度不变特征变换(SIFT)特征匹配算法存在计算量大、复杂度高的问题,提出一种基于图像Radon变换的改进SIFT特征匹配算法。改进算法在图像的SIFT特征点采样区域内作d条不同方向的直线,以d条直线上的图像Radon变换作为SIFT特征向量描述符,降低SIFT特征向量的维数,从而提高特征匹配效率。实验结果表明,改进算法具有较高的匹配精度和较少的匹配时间,适用于虚拟场景漫游或目标识别等实时性要求较高的系统。     

基于Ncut的SIFT特征匹配算法

经典尺度不变特征变换(SIFT)特征匹配算法存在实时性差、纹理相似区域易发生误匹配的问题。为此,提出一种基于归一化分割(Ncut)的SIFT特征匹配算法。针对相同背景的运动视频,将归一化分割算法的图论聚类思想融入SIFT特征匹配中,根据运动趋势相似度对特征点进行Ncut运动聚类,再逐类分别匹配,通过缩小各特征点匹配过程中的搜索范围,减少匹配时间及不同特征类之间的误匹配。实验结果表明,该算法能提高匹配效率,对纹理相似区域的误匹配现象有较好的抑制作用,实现了相邻图像帧的特征稳定匹配。     

一种基于SIFT和SUSAN特征的图像匹配方法

针对SIFT方法在角点检测上的不足,提出了一种基于SIFT和SUSAN混合特征匹配的自动匹配算法。算法应用SIFT和SUSAN两种具有互补特性的局部不变特征,利用SIFT方法检测空间极值特征点,利用SUSAN方法检测角点,结合两种特征点位置,利用SIFT方法生成匹配特征向量,最后根据最近邻特征点距离与次近邻特征点距离之比确定初始匹配点对,实现图像的配准。实验表明该算法有效,能够提高图像的自动匹配准确性。     

一种机器人导航中自然路标的匹配与跟踪方法

提出了一种基于SIFT和KLT算法的自然路标匹配与跟踪方法。该方法利用SIFT算子提取图像中自然路标的特征点集作为模板,然后将机器人采集图像中的SIFT特征点集与模板特征点集进行匹配,获取二者之间仿射关系,并解算自然路标在视野中的位置,为机器人自定位提供参考信息。机器人在运行过程中,将KLT算法与SIFT算法相结合对成功匹配的自然路标进行跟踪,较好地解决了SIFT算法效率低下的问题。实验结果表明该方法对自然路标具有较好的匹配和跟踪效果。     

一种改进的SIFT图像特征匹配算法

针对传统SIFT图像特征匹配算法因其特征描述算子维度过高而造成的计算量大、实时性差的问题,提出一种基于内核投影的改进SIFT图像特征匹配算法。传统SIFT特征匹配算法采用平滑加权直方图计算特征点的梯度模值和梯度方向。采用内核投影算法对其进行改进,使生成的特征描述算子的维度降低,从而能够提高特征匹配效率。实验结果表明,改进后的SIFT算法具有较高的匹配精度,同时匹配时间有所减少,使实时性得到提高。     

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。     

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。     

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。     

基于分维搜索和环状描述符的SIFT改进算法

针对SIFT算法在极值点搜索和特征计算方面的低效,提出一种基于分维搜索和环状描述符的SIFT匹配算法(SC-SIFT)。该算法将SIFT算法中的三维极值点搜索策略分解(separate)为两个维度上的逐维搜索,同时引入了一种新的环状(cricoid)特征描述算子来代替原来高维低效的特征。实验证明,该方法不仅能够提高SIFT算法的执行效率,而且提高匹配正确率,实现了对SIFT算法的优化。     

基于场强和凸壳的SIFT特征点匹配算法

传统尺度不变特征变换(SIFT)匹配算法的匹配结果易受参数影响。为此,提出一种于场强和凸壳的SIFT特征点匹配算法。在原始SIFT匹配方法基础上,结合特征点群的凸壳,引入引力场强概念刻画特征点群之间的空间特征关系,以进行图像点模式匹配,在匹配中充分利用特征点的几何空间信息。实验结果表明,该算法具有较高的匹配正确率,能找到更多的特征匹配点。     

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。     

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Kinect三维重构的特征点提取改进

针对机器人在复杂的室内环境中,因提取特征点低效率、高失真造成性价比较低的问题,提出一种改进的SIFT特征点提取与匹配算法,并在此基础上构建基于Kinect的SLAM系统。SLAM系统前端对SIFT特征点提取法进行改进,使用高斯分离模糊函数,提高SIFT算法提取特征点的速度,并且使用RANSAC筛选不稳定特征点。本文所提出的改进型SIFT特征点提取法的SLAM系统可以对复杂与空旷的室内环境高效率、低失真的重构。     

二值化的SIFT特征描述子及图像拼接优化

目的 针对SIFT算法计算复杂度高、存储开销大和近几年提出的BRIEF（binary robust independent elementary features）、ORB（oriented BRIEF）、BRISK（binary robust invariant scalable keypoints）和FREAK（fast retina keypoint）等二进制描述子可区分性弱和鲁棒性差的问题,提出基于SIFT的二进制图像局部特征描述子。方法 首先,对传统SIFT的特征空间和特征向量分布在理论和实验上进行分析,在此基础上结合二进制特征描述子的优势对SIFT进行改进。不同于传统的二进制特征描述子,本文算法对传统SIFT特征向量在每一维上的分量进行排序后,以该特征向量的中值作为量化阈值,将高维浮点型SIFT特征向量转化成位向量得到二进制特征描述子。并使用易于计算的汉明距离代替欧氏距离度量特征点间的相似性以提高匹配效率。然后,在匹配阶段将二进制特征描述子分为两部分并分别对其进行匹配,目的是通过初匹配剔除无效匹配特征点来进一步缩短匹配时间。最后,对提出的量化算法的可区分性及鲁棒性进行验证。结果 该量化算法在保持SIFT的较强的鲁棒性和可区分性的同时,达到了低存储、高匹配效率的要求,解决了SIFT算法的计算复杂度高、二进制描述子鲁棒性和可区分性差的问题。此外,在匹配阶段平均剔除了77.5%的无效匹配特征点,减少了RANSAC（random sample consensus）的迭代次数。结论 本文提出的量化算法可用于快速匹配和快速图像拼接中,提高匹配和拼接效率。     

基于稀疏结构的图像特征匹配算法

对图像进行全局的特征点检测耗时较长,而且全局特征稳定性不好,这就造成算法的运行速度慢和匹配准确率低,达不到令人满意的匹配效果.在尺度不变特征变换（SIFT）的基础上,通过引入稀疏结构的概念,提出了一种基于稀疏结构的图像特征匹配算法（SSM）.通过稀疏度函数获得像素点的稀疏度值,筛选出稀疏度高的像素点所在的区域,并对该区域进行SIFT特征点检测,通过最佳描述子实现特征匹配.将SSM算法与几种经典算法相比,实验结果表明,本文算法在特征匹配速度和匹配准确率上相比于原算法都有较明显的提高,能够用于目标实时跟踪、图像检索和全景图像拼接等领域.     

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。