基于SURF特征描述符和杰卡德距离的文物碎片拼接

针对文物碎片拼接过程中存在因局部碎片缺失和纹饰几何特征受损导致断裂面特征提取不准确的问题,本文提出了一种基于SURF特征描述符和杰卡德距离(Jaccard Distance)的文物碎片拼接方法。首先用Canny算子提取碎片边沿轮廓线以及模型表面纹饰线条,再通过构造多尺度空间来提取断裂面特征点。其次,针对以往构建特征描述符存在的高冗余和欧氏距离计算存在的高延时问题,本文提出构造低冗余的SURF特征描述符,再借助Jaccard距离来进行特征点的相似性比较,确定碎片最优邻接关系。最后采用ICP方法计算得到刚体变化参数,实现碎片较准确拼合。实验结果表明本文算法运行时间提高了12%~16%,拼接误差不超过0.750 mm。与传统方法相比,本文方法能有效地减少因碎片模型受损而造成的拼接缝隙过大、渗透等现象,拼合误差较小,高效地实现碎片拼接。     

基于轮廓线特征点的交互式文物拼接

针对计算机辅助文物虚拟复原中断裂部位受损而引起的几何特征丢失问题,提出一种结合表面纹饰信息与轮廓线上特征点的交互式破损文物拼接算法。首先,通过生成拉普拉斯线得到碎片表面的纹饰特征和断裂部位表面轮廓线。领域专家根据纹饰特征的连续性标记表面约束点,再采用Douglas-Peucker算法提取断裂部位轮廓线上的特征点;然后,结合特征点至约束点的距离、特征点与邻接点的内角以及相邻特征点的欧氏距离构造能有效表示断裂部位拼合关系的特征点描述符,同时定义匹配度函数从而获取特征点匹配对集合;最后,采用四元组方法计算刚体变换矩阵,实现碎片的精确拼合。实验结果表明,拼合时间节省了约13%~16%,拼合误差小于1mm。该方法避免了传统的断裂面拼合方法因数据量大带来的高时间代价,可快速有效地实现破损文物碎片模型的虚拟复原。     

基于 RANSAC 的视觉里程计优化方法研究

针对图像特征产生误匹配影响基础矩阵计算,导致同步定位与地图构建(SLAM)视觉里程计估计精度差的问题,提出一种基于随机抽样一致(RANSAC)的视觉里程计优化方法。该方法首先通过最小距离阈值法对初始匹配集粗滤除,再采用RANSAC计算图像间相对变换关系,若符合变换关系为内点,内点数最多的迭代结果为正确匹配结果;然后计算图像间单应变换并利用其计算基础矩阵,采用对极几何约束确定内点,得到具有最多内点的基础矩阵;最后采用TUM数据集从特征匹配与基础矩阵计算两方面进行优化算法效果验证。结果表明,该算法可提高运行效率且有效去除误匹配特征点,使匹配正确率提高7.7%,基础矩阵估计算法在提高基础矩阵计算精度的同时,内点率也提高了3%,算法为提高视觉里程计精度估计精度提供了理论基础。     

基于多阶段关联的多目标跟踪算法

针对现有多目标跟踪算法关联过程中,外观和几何信息利用不充分,同时跟踪对象的邻域间信息交互不足的问题,提出了一种基于多阶段关联的多目标跟踪算法,根据目标之间的不同关联状态,将几何信息和外观信息合理应用于不同关联阶段。算法提出了基于正则化距离交并比(DIoU-Mea)的匹配模块,仅利用几何信息快速将强关联目标匹配。同时基于稀疏图网络(GNN)的关联模块对跟踪对象的邻域建模,促进对象之间的信息交换并提高跟踪精度。基于通道注意力融合特征模型和形状交并比的双校验模块(Double-Revise)进一步细化跟踪结果。所提算法利用不同阶段匹配算法的互补优势,在各阶段合理利用外观和几何信息,过滤掉错误的匹配并识别正确的目标对应关系,在MOT17数据集上进行了验证与测试,其高阶跟踪精度(HOTA)在测试集中达到了64.8%,表明算法具有较好的性能,在密集场景下具有较好的鲁棒性。     

基于改进的快速Shi-Tomasi特征点检测算法的图像拼接算法

针对Shi-Tomasi算法计算量大导致的特征点提取速度慢的问题,利用FAST算法对Shi-Tomasi算法进行加速,提出基于此改进算法的快速图像拼接算法。该算法首先应用FAST算法对整幅图像进行处理,基于筛选点邻域再采用Shi-Tomasi算法获取特征点,接着用NCC法进行特征点匹配,然后用RANSAC法剔除错误匹配并完成图像配准,最后用渐入渐出法进行图像融合。对比实验结果表明,改进算法相对基于ShiTomasi的图像拼接算法速度大幅提升,特征点匹配的正确率有所提高,拼接完成后图像的视觉效果也得到保持。     

一种面向SIFT特征匹配的过滤新算法

针对SIFT匹配算法存在误匹配的情况,提出了一种基于三角形相似的匹配特征点过滤算法,即在SIFT算法中使用欧式距离判断特征点相似性后,对匹配的特征点构造三角形,通过判别三角形相似对匹配特征点进行进一步过滤。实验结果表明,三角形相似算法能大大提高匹配精度。     

二维碎片轮廓曲线的匹配算法

笔者提出了一种二维轮廓匹配的方法，该算法是对图像之间相似性度量的Hausdorff距离的进一步推广。首先，以特征点及其两侧的若干点构成特征段，用特征段对轮廓进行分段描述，然后用特征段之间曲率的Hausdorff距离来度量分段轮廓之间的相似性，获得匹配结果。该算法充分利用轮廓线的几何特征信息，既保证了较好的匹配精度，又能显著提高算法速度。     

散乱点云的孔洞识别和边界提取算法研究

针对逆向工程中已有孔洞识别算法执行效率低、孔洞边界点提取不完整等问题,提出一种新的基于KD树和K邻域搜索的点云孔洞识别及边界提取算法。该算法首先利用KD树建立散乱点云的拓扑关系。其次,计算点云密度、定义距离阈值作为判别参数,利用K邻域搜索计算每个点与其K个邻域点的距离,距离大于阈值的点即为边界点。再次,采用单坐标搜索法去除外边界,保留孔洞边界。最后,利用边界追踪算法获取完整的孔洞边界点。以涡轮叶片和挖掘机斗齿为研究对象,对点云上的自然孔洞利用该算法进行识别。结果表明,该算法能够快速地识别出散乱点云中孔洞,并能完整地提取出孔洞边界点,实用性强。     

基于Hausdorff距离的多尺度轮廓匹配算法

在提取碎片轮廓线的基础上，提出一种以Hausdorff距离为度量准则的轮廓匹配方法。该方法的基本思想是首先采用卷积积分的方法，在多尺度空间里通过对轮廓进行重采样来计算轮廓上每一点的曲率并选取特征点。特征点及其两侧的若干点构成轮廓的特征段，然后由特征段之间的Hausdorff距离来比较二者的相似性，即为匹配程度。当Hausdorff距离小于给定的容差时，说明与特征段相对应的轮廓是匹配的。实验证明该方法是有效的。     

基于孪生网络和多距离融合的行人再识别

为了提高行人重识别准确率,并针对当前数据集较小容易产生的过拟合问题,提出一种基于孪生网络和多距离融合的算法,并将其运用到行人再识别任务中。首先,利用孪生网络提取输入局部块的特征,并使用改进的inception模块,使提取到的特征具有辨别性和鲁棒性;然后,基于提取到的图像特征,利用多距离融合算法在特征空间度量其特征匹配优化距离,利用Chamfer距离变换获取跨摄像头行人的鲁棒空间距离并进行多距离融合;最后,利用融合距离进行行人重排序,并在当前流行的VIPeR和CUHK03公开数据集上进行实验。实验结果表明,所提出的算法有效地提高了行人再识别的准确率。     

基于相位特征的可见光和SAR遥感图像自动配准

针对可见光和SAR遥感图像存在非线性辐射差异和几何差异,加之SAR的斑点噪声,使得可见光和SAR图像配准十分困难的问题。本文提出了一种基于改进相位一致性的可见光和SAR图像配准方法。首先,分别计算相位一致性的最大矩和最小矩,将二者叠加,利用Harris算子在叠加图上提取特征点,得到稳定的角点和边缘点作为待匹配的特征点;接着,分别构建相位一致性的方向图和基于多尺度融合的最大幅值索引图,借助于(Histogram of Oriented Gradi?ents,HOG)模板,利用相位一致性方向对基于多尺度融合的最大幅值索引图进行投票,建立一种新颖的局部特征描述符;最后,利用欧式距离作为特征向量的度量,计算最近邻比率实现特征匹配,采用快速采样一致性算法剔除误匹配点。在四组图像数据上的实验结果表明,本算法相比于基于梯度的OS-SIFT算法具有更多的正确匹配点对和更高的匹配精度,正确匹配点数分别提高了11,8,15和11对,均方根误分别提升了57.5%,57.9%,23.5%和58%。     

基于自适应双阈值的SURF双目视觉匹配算法研究

双目视觉系统广泛应用于现代物流,其中高效精准的匹配定位算法是实现快速有序物流作业的关键技术基础。为缩短特征点匹配时间,提高匹配准确率,提出了一种基于加速稳健特征的自适应阈值匹配定位算法。首先采用加速稳健特征算法分别对左右图像提取特征向量,应用自适应双阈值最近邻法获取初始匹配对;然后在极线约束条件下筛除误匹配对;最后采用距离特征判别法与角度特征判别法进一步剔除误匹配对。条烟定位实验显示该算法的平均匹配正确率可达90%以上,且定位时间较加速稳健特征算法最多可减少40%,实验结果表明了所提算法具有高效准确的优势,对自动码垛系统具有一定的实际应用价值。     

离散型概率分布的ORB图像特征点误匹配剔除算法

针对图像特征点产生的误匹配问题,提出了根据特征匹配点的欧氏距离的概率分布的筛选和剔除方法。首先,从视频流中提取相邻的两张图像帧,基于ORB(Oriented Fast and Rotated Brief)特征法分别提取特征点并初始匹配;然后,利用特征点的像素坐标计算出匹配点对的欧氏距离;再用概率分布列描述这组离散化的距离值;最后,选取最大概率作为阈值模型,从而剔除错误匹配。实验数据显示,该算法与经典的随机抽样一致性算法相比(RANSAC),剔除误匹配后的正确匹配数相当,但运行时间大幅度降低,不仅保证了特征点的匹配精度,也提高了算法实时性。     

基于力场转换的人耳特征提取与识别

提出一种基于力场转换理论的人耳识别方法.该方法将力场理论分两次运用于人耳图像,分别提取内耳结构特征点和外耳轮廓特征点,并融合形成人耳特征点集.然后利用改进的Hausdorff距离对两个特征点集进行匹配识别.该方法提取的特征点稳定、可靠,具有很强的区分能力.采用力场图像转换可以有效消除光照变化对耳识别的影响,而使用Hausdorff距离进行匹配则可进一步解决由于位移、旋转变化以及姿态变化等带来的识别率低的问题.实验表明本文提出的方法不但能有效提高人耳识别率,而且具有很强的鲁棒性.     

基于迭代变形的多源数据融合技术

通过获取的数据进行三维建模的精度直接影响后续的设计与加工制造。目前数据采集有多种方式,而单一数据源建模已经难以满足需求,为解决这一问题,提出一种多源数据融合方法。首先运用基于启发式搜索策略的特征线提取算法提取固定模型的融合区域,然后采用迭代最近点算法实现两模型的空间位置匹配,最后基于迭代拉普拉斯变形对两模型进行表面形态融合,实现两者之间融合。数据源采用下颌CT数据以及光学三维扫描模型,试验表明该技术路线稳定可靠,融合过程无形态扭曲,最终结果反映物体真实物理结构,得到既有表面高精度又具有内部结构的三维模型。     

基于改进SIFT算法的图像匹配

为进一步提高SIFT匹配算法的鲁棒性和正确率,从以下几个方面改进SIFT算法.对图像进行多分辨率小波变换,重建图像近似成分——低频信息参与匹配;采用“回”字形双层方邻窗将特征点邻域区域划分成四部分,建立32维特征点描述符向量;运用欧式距离初步确定匹配点,再用积分图像进一步剔除由于特征点具有空间相似性而出现的误匹配点,从而提高匹配精度.实验表明,本文算法在匹配精度和匹配时间上有明显提高,特别是当图像具有较多局部相似特征时,匹配点数增加,匹配正确率提高.     

微型复杂曲面零件散乱点云特征点提取

基于特征线约束的曲面不仅比自由曲面表达的模型有更高的精度,而且能够捕捉到模型其他的几何关系。微型复杂曲面零件多由曲面构成,曲面曲率变化大,曲率估算难度大,是逆向工程的难点。以皮带头复杂曲面为例,对微型复杂曲面微分几何量的估算,特征点的提取进行了研究。通过改进的空间分块策略建立散乱点云的拓扑关系,采用多种曲面模型分别拟合采样点邻域的方法估算曲率,构造协方差矩阵计算特征值和点云法矢,对曲率和协方差矩阵的特征值设置交叉阈值提取特征点。将利用交叉阈值提取到的特征点与利用单一阈值提取的特征点进行对比,结果显示:交叉阈值提取特征点的方法能够较为准确、完整的提取特征点。     

采用多形状特征融合的多视点目标识别

研究了多视点下三维目标的识别问题。针对传统的采用单一特征的方法在目标描述方面的不足,提出了一种融合多种特征的识别算法。首先,利用各向异性高斯方向导数相关矩阵提取目标角点,采用骨架约束提取特征角点,将各特征角点到目标质心的归一化距离作为角点描述子。接着,分别提取目标的几何矩不变量、仿射矩不变量、目标边界的傅里叶描述子;计算4种特征的类内和类间散布矩阵;以样本散布矩阵的迹作为权重,加权融合4种特征。然后,对融合后的特征向量进行独立成分分析(ICA),得到相互独立的特征分量。最后,采用支持向量机的分类方法进行分类。实验结果表明,本文提出的方法比采用单一特征的方法的正确识别率平均提高10%以上,且在小训练样本(10%总体样本)情况下仍能获得80%以上的识别率,可满足经纬仪实时目标识别系统的要求。     

局部二维特征点马氏距离匹配方法

在融合具有尺度、旋转不变性、快速性和鲁棒性特点的SIFT算法和SURF算法的基础上,对基于传统局部二维特征点的欧氏距离匹配方法做了改进。采用基于马氏距离仿射不变性匹配方法,用RANSAC方法剔除误匹配点,取得了更稳健的匹配效果。分别对Open SIFT和Open CV的SURF代码进行马氏距离匹配改进,证明了基于Open CV的SURF马氏距离匹配的优越性。试验结果表明该方法更具可行性和鲁棒性。     

弱纹理环境下融合点线特征的双目视觉同步定位与建图

针对室内弱纹理环境下基于点特征的视觉同步定位与建图（Simultaneous Localization and Mapping, SLAM）存在的轨迹漂移等问题,提出了一种融合点线特征的双目视觉SLAM系统,并对线特征的提取与匹配问题展开研究。为了提高线特征的质量,通过长度与梯度抑制、短线合并等方法,进一步改进LSD(Line Segment Detector)线特征提取方法。同时,通过将匹配问题转换为优化问题,并利用几何约束构建代价函数,提出了一种基于几何约束的快速线段三角化方法。实验结果表明,本文所提方法在多个数据集上的表现都优于基于描述子的传统方法,尤其在室内弱纹理场景下,其平均匹配精度达到91.67%,平均匹配时间仅需7.4 ms。基于此方法,双目视觉SLAM系统在弱纹理数据集上与已有算法ORBSLAM2,PL-SLAM的定位误差分别为1.24,7.49,3.67 m,定位精度优于现有算法。