基于SURF的增强现实标识物跟踪注册

针对基于标识物的增强现实跟踪注册方法对复杂环境的适应能力和鲁棒性的不足,提出一种用SURF实现标识物跟踪注册的改进算法。用SURF对平面标识物的特征点进行检测与描述,采用K-means算法对检测出的标识物特征点集合进行聚类分析得到其聚类中心,结合对视频图像中标识物的阈值分割与连通域分析,以聚类中心构建标识物的SURF特征点坐标系,通过矩阵变换实现标识物的跟踪注册。实验结果表明,该算法的增强现实系统具备较好的鲁棒性、稳定性和实时性。     

结合SIFT校正的视频对象鲁棒水印

提出一种结合尺度不变特征变换(SIFT)特征点校正和时空域视频对象分割的视频对象水印算法。该算法采用时域和空域结合的方法分割出视频对象,将水印嵌入在视频对象的离散余弦变换域中。在嵌入前提取并注册视频对象的SIFT特征点,在水印检测时,通过与注册机构中特征点集的匹配和计算对视频对象进行几何校正,提取出水印信息。实验结果表明,该算法能够较好地保护视频对象,对几何攻击和常见信号处理攻击具有鲁棒性。     

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。     

基于手形交互与掌纹识别的增强现实应用

针对现有增强现实系统交互方式的不足,提出并实现了一种基于手形交互与掌纹识别的增强现实应用.提出了一种用于快速识别手形轮廓及其运动轮廓的匹配方法.利用一种改进的快速蚁群聚类算法来获取掌形的中心,建立相关的渲染坐标系,从而精确注册虚拟物体.同时,针对个性化应用需求,提出了一种能够在增强现实系统中应用的Harris快速掌纹识别算法.实验表明,识别算法具有较好的跟踪精度和实时性,能够满足增强现实系统的应用要求.     

基于SIFT自然特征的AR系统研究和实现

针对当前增强现实AR(Augmented Reality)系统中跟踪注册效率低,提出一种基于SIFT算子的自然特征的匹配改进方法。在利用DOG金字塔对关键帧图像和基准图像进行特征点的检测和提取后进行正反双向匹配,很好地提高了关键特征的匹配效率和稳定性。同时结合L-K光流跟踪算法,优化跟踪关键帧失败后的处理方法,减少重定位时关键点检测所需搜索区域。实验表明,由于改进后的SIFT匹配特征点更少更优,定位的精确度更高,跟踪匹配整体耗时减少近50%。因而该AR系统在光照不足、遮挡、抖动等特殊环境中都有很好的实时虚实融合的效果。     

基于RGB-D相机的SLAM算法优化

为解决在利用增强现实技术进行装备维修的应用中,由于头戴设备硬件资源受限和计算能力不足导致的三维场景建模实时性差、回环检测鲁棒性低问题,利用RGB-D相机对传统视觉SLAM方法中计算费时的环节进行优化。通过将帧间匹配的SIFT算法提取主要素对特征描述符合理降维,优化匹配距离;利用RGB-D相机获取场景轮廓以降低关键帧数目;在回环检测中增加轮廓粗匹配步骤,减少词袋模型中用于聚类的特征描述子数量,提高回环检测的速度和效果。实例验证了该算法的可行性。     

增强现实中的目标远距离识别方法研究

在以往ARTool Kit增强现实系统中,摄像机能够正确识别标识物并在计算机生成虚拟物体的距离大都过近。针对增强现实三维注册过程中传统算法标识物匹配过程中误识率较高,识别距离不够远,提出了基于轮廓特征点的目标远距离识别方法。在识别过程中,利用多边形近似算法和金字塔中的迭代Lucas-kanade算法寻找图像中要跟踪识别的对象,对寻找到轮廓角点进行亚像素定位,利用角点的精确定位来跟踪目标。实验结果验证及分析表明,采用这种方法,其识别距离有大幅度增加。     

基于SURF的改进FLANN匹配算法

在计算机辅助骨科手术系统中应用增强现实技术能帮助医生准确地定位患者的病灶部位,而视频图像的目标跟踪匹配是实现增强现实的关键技术。针对视频图像匹配中SURF (speed up robust features)特征点性能和匹配效率不足的问题,提出一种改进的基于SURF特征点的FLANN (fast library for approximate nearest neighbors)匹配算法。提取SURF关键特征点,改进其描述符算子,使用改进的FLANN算法进行特征点匹配。通过实验分析比较改进与未改进算法的性能,结果表明该方法的稳定性及快速性较好,具有较强的鲁棒性。     

基于局部显著特征的快速图像配准方法

针对SIFT算法在进行图像配准时存在提取特征点数目大、无法精确控制、运算速度慢、配准点精度不高的问题,提出一种基于局部显著特征的快速图像配准方法。该方法首先对原始图像和待配准图像进行降采样,对降采样图像分别提取SIFT特征点,并对特征点运用改进的K-means聚类算法进行聚类;然后利用聚类结果筛选聚类区域,在各聚类区域提取显著特征点进行粗匹配;最后利用显著特征点在原始图像中定位显著区域,对所得显著区域进行精配准。实验结果表明,该方法减少了图像匹配时间,控制了特征点数量,在保证匹配准确度的同时,有效地提高了特征匹配的效率。     

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。     

基层层次光流的半自动时空视频分割技术

在新一代MPEG-4视频编码标准中，为了支持面向对象编码和实现基于内容的应用，视频的半自动分割成为关键技术之一，为此提出了一种基于层次光流的半自动时空视频分割算法。该算法由空域分割和时域分割组成。在空域分割中，提出的基于点的图形用户界面（PBGUI），在用户的协助下，能够精确地定义需要分割的视频对象（VO）。时域分割根据空域分割的结果采用层次光流算法对视频对象进行边界和整体跟踪。实验结果表明，利用该算法，能够精确地分割出视频对象。     

基于层次光流的半自动时空视频分割技术

在新一代 MPEG- 4视频编码标准中 ,为了支持面向对象编码和实现基于内容的应用 ,视频的半自动分割成为关键技术之一 ,为此提出了一种基于层次光流的半自动时空视频分割算法 .该算法由空域分割和时域分割组成 .在空域分割中 ,提出的基于点的图形用户界面 (PBGU I) ,在用户的协助下 ,能够精确地定义需要分割的视频对象 (VO) .时域分割根据空域分割的结果采用层次光流算法对视频对象进行边界和整体跟踪 .实验结果表明 ,利用该算法 ,能够较精确地分割出视频对象 .     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

光流引导下机器人抓取目标物角点动态匹配

针对目标物位姿在线估计中的特征点动态匹配问题,以木块作为实验对象,提出了一种光流引导的目标物角点动态匹配方法。使用Yolov2-tiny进行目标物识别,完成目标物定位与分类。在提取区域内完成Shi-Tomasi角点检测,采用LK（Lucas-Kanade）光流对角点跟踪的方法实现角点在相邻两帧图像中的初始匹配,针对光流跟踪中特征点的偏移问题,对跟踪点为中心的11×11邻域进行角点再提纯。实验证明该算法能在视频序列中对目标物角点实时动态地匹配,且角点匹配结果比SIFT和Harris-SIFT方法准确度更高,实时性更好。     

基于SIFT特征度量的Mean Shift目标跟踪算法

传统的Mean Shift算法,在诸如跟踪目标出现尺度变化、旋转、噪声干扰等复杂情况下,无法得到准确的跟踪结果。提出了一种基于尺度不变特征变换SIFT(Scale Invariant Feature Transform)特征度量的Mean Shift目标跟踪算法,首先根据SIFT算子计算跟踪目标附近的关键点位置和尺度,并获取该尺度空间下关键点邻域的特征向量,然后用跟踪目标区域内的特征向量的模值-方向分布直方图表示该目标,最后使用Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

基于SIFT特征匹配与K-均值聚类的运动目标检测

运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,根据视频中背景与运动目标的速度不同这一特点,提出了一个基于尺寸不变特征变换(SIFT)和K-均值聚类的运动目标检测方法。首先提取视频中相邻两帧图像的SIFT特征点并进行匹配,并计算匹配特征点的运动速度,最后将运动目标和背景上的SIFT特征点K-均值聚类分析,在单运动目标、多运动目标和带有摄像头旋转情况下做了实验。实验结果表明,提出的目标检测算法能够在运动背景下较好地检测到目标并保留稳定的目标局部特征,对于摄像机运动、摄像机旋转、亮度变化等影响因素具有较强的适应能力。     

基于背景配准的矿井危险区域视频目标检测算法

针对矿井危险区域视频监控视场背景复杂,难以实现视频目标精确提取的问题,提出了一种基于背景配准的视频目标检测算法。该算法实现步骤:提取SIFT特征点,计算特征点区域H-S光流矢量;通过区域运动特性分析提取出背景运动区域,对背景运动区域特征点做帧间匹配;计算仿射参数,配准差分后提取出精确的目标区域。实验结果表明,该算法能够去除前景目标特征点对背景配准的影响,可获得较为精确的目标区域。