基于灰度差分不变量的快速局部特征描述算法

提出了一种基于灰度差分不变量区域统计直方图的快速局部特征描述算法来解决传统灰度差分不变量特征描述子计算复杂、稳定性较差且包含的信息量较少的问题.采用低阶且具有微分几何意义的灰度差分不变量描述特征点以降低特征描述子的计算复杂度,提高特征描述子的稳定性;利用特征点邻域的灰度信息和区域信息提高特征描述子的信息含量,增强特征描述子的鲁棒性.将该算法应用于图像匹配.实验结果表明,在图像尺度缩放、旋转、模糊、亮度变化、较小视角变化和JPEG压缩等多种变换条件下,该描述子不仅能够取得较好的匹配效果,而且处理速度比尺度不换特征变换( SIFT)提高约2倍.     

基于 SURF 的快速图像匹配改进算法

针对传统 SURF 算法在图像匹配中使用固定阈值提取的特征点不均匀、匹配正确率低以及时间复杂度高的问题,提出 一种基于 SURF 算法的快速图像匹配改进算法。 首先,通过对 Hessian 矩阵行列式值分布的统计分析,提出一种阈值自适应方 法来提取更有效的特征点;然后采用四叉树方法对所提特征点进行均匀化以降低误匹配率,并提出一种划分深度自适应的方法 对四叉树算法进行改进,防止四叉树过度划分;最后,本文首次将 BEBLID 二进制描述子与改进 SURF 算法相结合,利用基于机 器学习的采样模式对特征点构建具有强描述性的二进制描述子,在提升匹配正确率的同时加快匹配速度。 实验结果证明,本文 所提算法在 Mikolajcyzk 图片数据集测试中的匹配正确率比传统 SURF 算法高 9. 7% ~ 27. 0% ,算法速度比 SURF 提高了 50% 以 上。 对比 SIFT、SURF、BRISK、ORB 算法,本文所提改进算法具有更优的鲁棒性和实时性。     

二进制点云局部特征描述子研究

基于点云局部特征描述的三维目标识别是机器人视觉领域一个具有重要研究价值且富有挑战性的研究方向.尽管目前已有大量三维特征描述子的相关研究工作,但它们大多数采用浮点数,对计算和存储的开销很大,并且鉴别力较弱,鲁棒性不强.鉴于此,从点对特征出发,提出一种鉴别力高,鲁棒性强,结构紧凑,计算迅速的高性能点云局部描述算法——二进制点对特征直方图(Binarized histogram of point pair features,B-HPPF).对模型进行降采样,根据点位置与点法线信息,计算局部邻域中点对的七个特征;利用其将局部点对集划分为若干区域,并对每一区域进行信息提取;通过轮换比较各信息量的大小将特征进行二进制编码;将每一区域的二进制子特征串联组合生成最终的二进制描述子B-HPPF.所提出的B-HPPF描述子在多个公开数据集上进行测试,并与经典的描述算法进行对比,结果表明,所提出的方法在鉴别力、鲁棒性、紧凑性和计算效率等方面获得了优越的综合性能.此外,B-HPPF的实用性也在目标识别数据集上得以进一步验证.     

基于混合特征的移动机器人图像匹配算法

针对移动机器人定位过程中视觉图像处理速度慢以及特征点提取与匹配实时性、准确性差的问题,提出了基于颜色矩的改进SIFT分级图像匹配算法。首先改进SIFT算法,扩大极值点检测范围;采用Sobel算子计算特征点的梯度方向和幅值;以向量夹角为准则度量SIFT特征相似性,提高SIFT特征提取与匹配的速度和精度。图像匹配时先采用颜色矩对环境图像序列进行相似性排序,改进SIFT特征,再与排序后图像依次进行精确匹配,分级匹配提高了移动机器人的定位速度和精度。实验结果表明：与原SIFT相比,改进SIFT提高了特征向量的显著性,误匹配率降低约9.2%,特征点数量减少约20%;分级匹配提高了图像匹配速度和精度,SIFT特征计算量减小60%,总体耗时缩短40%。达到移动机器人定位实时性和鲁棒性的目的。     

融合全局-颜色信息的尺度不变特征变换

由于尺度不变特征变换(SIFT)算法只针对图像的局部特征进行描述且忽略了图像的彩色信息,当待匹配图像中存在大量形状相似区域时,误匹配率很高。本文对SIFT图像匹配法进行了改进,提出了SCARF(Shape-color Alliance Robust Feature)图像匹配算法。为解决SIFT常出现的误匹配现象,构造的SCARF算子利用SIFT检测子提取图像的特征点集,通过建立同心圆坐标系,在SIFT原有框架的基础上融入全局形状信息和颜色不变信息,并采用欧氏距离作为匹配代价函数进行描述子匹配。对包括SCARF算法和SIFT算法在内的5种不同匹配算法通过INRIA数据库进行了实验验证,实验结果表明:SCARF算法在图像模糊、局部特征相似、JEPG压缩和光照变化等复杂变换情况下,匹配准确率优于SIFT等其他算法,降低了误匹配的概率,明显提高了匹配的稳定性和鲁棒性。     

采用改进的尺度不变特征变换算法计算物体旋转角度

改进了传统的尺度不变特征变换(SIFT)算法,使其在进行图像匹配的同时,可以求取出物体的旋转角度.首先,利用SIFT特征对旋转保持不变的特性,按照原算法提取出旋转前后两幅图像的SIFT特征,分析特征点主方向的计算过程,记录每个特征点主方向的角度值进行特征匹配.然后,计算出每对匹配的SIFT特征点的主方向角度之差,得到特...     

基于改进的SIFT特征的图像双向匹配算法

图像匹配是计算机视觉中许多领域的基础,特征提取则是图像匹配的基础,其中不变量特征是一个重要的理论。SIFT是最有效的尺度、旋转、亮度不变量局部特征之一,但算法复杂、计算时间长。分析了SIFT的计算时间分配,通过计算关键点的邻域梯度直方图时动态修改采样步长,大大提高了SIFT的计算速度。分析了基于SIFT特征的图像匹配算法,提出了双向匹配算法,提高了图像匹配的准确率。实验结果表明所提出的方法是有效的。     

变圆域罗盘特征图像匹配

针对现有图像匹配算法特征算子计算复杂度高,关键点描述过程中点对选取存在不确定性等问题,提出了变圆域罗盘特征匹配(VCDCM)方法。该方法首先利用罗盘检测法对图像进行关键点检测,采用变圆模式接受域选取理想点对,根据接受域内点对之间的距离将点对分为长点对集和短点对集;然后用长点对集描述关键点方向,短点对集构建关键点描述符。最后采用Hamming距离代替传统的欧式距离进行匹配,并采用随机抽样一致(RANSAC)方法精炼匹配点以避免由于噪声和物体位置移动等原因产生的误匹配。从鲁棒性和实时性两个方面对本文提出的方法与尺度不变特征变换(SIFT)和二元加速鲁棒特征(BRIEF)方法进行了对比试验分析,实验结果表明,本文提出的方法具有匹配速度快、准确性高、稳定性好等特点。     

基于SIFT算法的鞋印图像配准的研究

研究了鞋印图像定位及匹配问题,首次在鞋印匹配中引入了基于尺度不变特征变换SIFT(Scale-invariant feature transform)算法,并提出一种基于改进的SIFT算法的鞋印图像匹配方法。由于算法具有良好的尺度、光照等不变特性而适用于鞋印图像匹配中。在图像生成特征点之前采用一种二次定位算法,使经过定位的鞋印图像处于同一竖直位置。在分析SIFT特征向量生成过程的基础上,以最小欧式距离作为判断特征点是否匹配的标准,并用最小欧式距离与次小欧氏距离之比来剔除匹配无效点,提高SIFT特征匹配效率。大量实验数据证明,该改进的SIFT算法在保证图像匹配率和算法鲁棒性的情况下,不仅可有效缩短匹配时间,同时还提高了图像匹配精度。     

基于ORB与RANSAC融合改进的图像配准

针对旋转不变性二进制描述算法(Oriented Fast and Rotated Brief,ORB)的尺度旋转性配准误差大,配准率较低及随机采样一致性(Random Sample Consensus,RANSAC)算法随机性强且不稳定的问题,提出一种ORB与RANSAC结合的快速特征匹配算法。首先,对特征点提取方式进行优化选择,消除特征边缘影响。之后构建简化的金字塔式尺度空间模型,改进分层图像的尺度空间结构,减少生成图像层数和数目;然后采用梯度方向改进传统ORB算法中的主方向提取模式,提高特征角点主方向的准确性。最后,通过构建分块随机取样检测的方式改进RANSAC算法,提高RANSAC算法的稳定性和图像配准的准确性。实验结果表明改进后的ORB和RANSAC融合算法在尺度和旋转配准方面性能有很大提高,并且配准的精度较传统ORB算法高,尺度配准精度提高55.41%,旋转配准精度提高26.66%。满足复杂图像快速精确配准拼接的精度和实时性要求。     

基于SIFT的单目移动机器人宽基线立体匹配

SIFT特征描述子是一种对图像旋转平移、缩放以及视角变化具有不变性的匹配特征描述方法,本文针对单目移动机器人环境探索中存在的大视差宽基线图像对的立体匹配问题,提出了一种基于SIFT特征描述子的单目移动机器人宽基线立体视觉匹配方法,通过提取SIFT不变特征点,构造SIFT特征向量,从而实现特征点对的初匹配,进一步利用RANSAC算法以及外极线约束进行匹配点的优化筛选,并通过三维重建实验验证了获得匹配点对的准确性。     

基于无监督学习的SIFT鲁棒图像匹配算法

SIFT特征匹配算法的匹配能力强,但特征点中孤立点和噪声点等会导致部分特征点误匹配;不同图像间特征点的有关描述相近,也会造成两幅不同结构的图像,在提取出各自的SIFT特征点后相互匹配。为此,提出一种改进SIFT的图像特征匹配算法。该算法是在SIFT特征匹配的基础上,利用无监督学习方法对匹配异常点进行剔除,实现特征点的二次精确匹配。     

基于CenSurE star特征的无人机景象匹配算法

针对传统局部不变特征的景象匹配算法冗余点多、实时性差、抗几何变换不突出的情况,提出基于CenSurE-star的无人机(UAV)景象匹配算法。首先采用Cen Sur E特征星型滤波器(CenSurE-star)提取基准图和实时图中的特征点,并生成FREAK二进制描述符;然后将汉明距离作为特征点的相似性判定度量,采用K近邻距离比值的方法提取匹配点对;最后利用基于RANSAC的定位模型得到空间几何变换关系,实现图像匹配并获取定位点经纬坐标。算法性能评价实验表明,本文算法不仅相对于SIFT、SURF、ORB算法,对各种变换具有更好的鲁棒性,而且相对于改进的SIFT、SURF算法处理时间有更大程度的缩短,算法定位误差在0.8个像素内,尺度误差在0.02倍内,旋转角度误差在0.04°内。基于算法进行外场飞行实验,实验证明算法定位精度较高,可以适应地貌信息较少的环境,并能满足无人机视觉辅助导航的需求。     

基于不变特征描述符实现星点匹配

为了能够在星图存在旋转角度情况下,自动快速地完成星图匹配,提出了一种基于不变特征描述符的旋转不变匹配方法,将加速鲁棒特征(SURF)描述符应用于星点特征的描述和匹配。首先,对星图进行图像分割,抑制非极大值,并检测星点;然后,为计算星点分布尺度因子s,在半径为6s的圆形邻域内为每个星点计算主方向,之后将20s×20s的邻域与主方向对准,并在该邻域内为每个星点计算SURF描述符。最后,基于透视投影模型的匹配策略,提纯星点,计算匹配星图之间的变换矩阵。实验结果显示,该方法能够鲁棒地提取星点,并在图像存在旋转、平移及部分视角变化的情况下完成星图匹配,仿真实验的匹配星点的误差均在1pixel以下,实拍星图实验的匹配星点的误差均在1.5pixel以下,表明为每个星点建立描述符,进行匹配识别的思路是可行的。     

基于快速视网膜局部特征的遥感图像目标识别

针对目前航天遥感图像信息复杂、数据量大,导致目标识别中特征检测准确度低、特征匹配识别时间长的问题,提出了一种基于差分加速分割角点检测算法(AGAST-Difference)和快速视网膜关键点描述算法(FREAK)相结合的目标识别方法。在特征检测阶段,建立AGAST-Difference特征检测算子,将尺度空间理论融合到加速分割角点检测算法(AGAST)中,生成具有强仿射不变性的特征点;再利用简化的FREAK采样模型描述局部特征,并构建二进制特征向量,通过计算向量间的汉明距离,完成特征匹配及目标的快速识别;最后选用美国Quick Bird卫星的遥感图片进行验证,实验结果表明,所提特征检测算子仿射不变性能较强,不仅提高了检测的可重复率,而且特征描述符区分性较强,平均匹配正确率提高了9.91%,识别用时仅为35 ms。该方法识别效率高、速度快,能够满足遥感图像实时识别的需求。     

结合全局信息的SIFT特征匹配算法

提出了结合全局信息的SIFT特征匹配算法,解决了图像中存在多个相似区域时造成误匹配的问题。首先,在尺度空间检测出特征点;其次,生成特征向量,特征向量包含两部分：基于局部信息的SIFT向量和基于全局形状信息的全局向量;最后,采用BBF(Best Bin First)算法进行搜索,并采用欧式距离作为度量函数进行特征向量的匹配。实验结果表明：改进后的算法能够在更大的范围内表征特征点的信息,所用图像误匹配的概率由19%下降到了11%,改善了匹配效果。     

采用改进尺度不变特征变换在多变背景下实现快速目标识别

提出一种改进的尺度不变特征变换(SIFT)算法,用于实现多变背景下的快速目标识别。首先,构建目标图像尺度空间,提取SIFT特征点并将其按大小分类,目标识别时只需比较同一类型的特征点。然后,由SIFT特征点子区域方向直方图计算得到4个新角度用于代表特征点的方向信息,并且在目标识别时根据角度信息限制特征点匹配范围,从而提高SIFT算法的运算速度。最后,计算目标图像和待识别图像之间的尺度因子,在尺度因子约束条件下进行目标特征点匹配,从而有效地保证正确匹配数量,提高目标识别的鲁棒性。实验结果表明:当目标在待识别图像中发生局部遮挡、旋转、尺度变化或者弱光照等情况下,改进的SIFT算法能够完成多变背景下快速目标识别任务,平均识别速度提升了40%。