基于改进SURF的快速图像配准算法

针对传统加速鲁棒特征(SURF)匹配算法存在实时性不高,误匹配等问题,提出了基于改进SURF特征提取快速的图像配准算法.利用快速黑塞(Hessian)矩阵提取图像特征点,根据图像熵信息对特征点进行筛选,采用改进的快速近邻搜索算法进行特征匹配,到用随机抽样一致(RANSAC)算法剔除误匹配对.实验表明:改进后的算法有效改善了匹配效率,提高了匹配准确度.     

基于改进SURF算法的柔性装夹机器人快速工件匹配方法

针对传统SURF算法在构建局部特征描述符时耗时较长,无法满足实时性要求的问题,提出了一种改进的SURF算法。首先,运用Hession矩阵行列式（DoH）检测图像中的关键点,并利用非极大值抑制法和插值运算搜索、定位极值点;其次,采用灰度质心法确定关键点的主方向;然后,采用二进制描述符BRIEF对关键点进行描述,并利用关键点的主方向构造带有方向的特征描述符,使其具有旋转不变性;最后,运用汉明距离初步确定匹配点,再用比率检测法和RANSAC算法去除误匹配点,进而获取精准配准。实验结果表明,该改进SURF算法在应用于机器人进行柔性装夹时,对工件图像的平均匹配时间由SURF算法的214.10 ms减少到86.29 ms;而且匹配精度方面比原SURF算法提高了2.6%,因此,所提算法能够有效提高柔性装夹机器人工件图像的匹配速度和匹配精度。     

基于MSER与SURF的图形匹配新方法

针对传统图形匹配算法对稳定特征提取不充分的缺点,提出了一种基于MSER与SURF的图形匹配新方法。MSER与SURF是两种特征提取算法,各有优缺点,且具有互补的特性。提出的算法分别用MSER与SURF检测图像的特征点,用SURF描述子表征检测到的所有特征点,从而实现了两者的互补,并获取了更为丰富的特征描述。基于更丰富的特征,描述信息,进行特征匹配,最后得到的图像匹配效果,相比传统方法更加稳定。     

直方图均衡化与SURF重构的图像特征提取方法

针对SURF算法提取图像特征点较少的问题,提出了一种经直方图均衡化处理,重构SURF尺度空间（R-SURF）的图像特征提取方法。该方法能提高图像特征点检测数目,同时保持较高的匹配率,并且继承SURF算法的良好特性。将算法与SURF和C-SURF算法进行比较实验,结果表明R-SURF具有更好的特征检测能力。     

改进SURF算法的图像拼接算法研究

针对目前图像拼接算法存在对于图像配准过程中对应特征点对难以准确匹配的问题,提出了一个通过改进的SURF算法提取图像特征点,然后对得到的特征点进行描述,利用快速RANSAC算法配准图像,最后采用像素加权的方法进行图像融合。实验结果表明,提出的改进SURF方法有效地提高了特征点提取的准确性,去除了错误的匹配点对,将整个拼接过程的效率从之前的13.03对/秒提升到15.20对/秒。     

SIFT与SURF在指纹识别系统中的性能对比

要实现指纹识别技术,必须使用图像特征的提取技术,尺度不变特征变换（Scale Invariant Feature Transform,SIFT）和加速稳健特征（Speeded Up Robust Features,SURF）是目前运用比较广泛的两种图像特征提取算法。为验证哪种算法在指纹识别领域更适用,文章使用同一手指指纹的多张照片为图库,分别使用两种方法进行同一图自我匹配、指纹角度、范围不同图片匹配及较为模糊的图片匹配等实验。通过实验得出：虽然SIFT算法比SURF算法耗时更长,但是使用SIFT算法的运算量小于SURF算法,因此两种算法花费的时间近乎相等;在指纹对比库的创建方面,SIFT算法要优于SURF算法;在指纹匹配识别过程中,无论是同一张图片自我匹配,还是指纹角度和范围不同的图片进行匹配、指纹不清晰的图片进行匹配,SIFT算法的成功匹配点比SURF算法的成功匹配点分布更均匀,且数量相近或更多。可见,在指纹识别系统中,使用SIFT算法比SURF算法更合适。     

基于改进的SURF图像配准算法研究

图像特征点匹配算法是实现目标识别的一种有效算法,目前图像特征点匹配算法耗时大,而且在匹配过程中存在伪匹配点。提出了一种改进算法：在初始特征点检测阶段,根据图像大小动态构造高斯金字塔图层,提高了算法的实时性和准确性;采用设置阈值的方法对初始特征点进行优化,减少匹配时间。在特征点匹配阶段,利用提取特征点中正确匹配点与伪匹配点坐标值差异较大这种特性,对伪匹配点进行去除,最后进行目标识别。实验结果表明,在尺寸大小为800×600的图像中,SURF算法提取特征点数225个,耗时92.499 ms, Octave 3;特征点匹配率97.50% ,耗时349.716 ms。提出的改进方法更为简单有效,减少了特征点匹配的误差,能够有效缩短图像配准时间。     

基于卷积神经网络和校正网络相结合的遥感图像配准方法研究

使用仿射变换网络对遥感图像进行空间变换,批量生成训练图像,将特征提取和匹配放在卷积神经网络的端到端架构中,直接预测仿射变换参数;通过采用校正网络对卷积神经网络的结果进行改进,实现遥感图像更加精确的配准.通过与SIFT算法、SURF算法和其他深度学习方法相比,该方法对遥感图像配准的速度和精度均有显著提升.     

煤矿考勤系统中人脸识别算法的研究

针对传统的人脸识别算法存在识别率低甚至无法识别的缺点,提出了一种基于SURF和双向FLANN的人脸识别算法。该算法首先用SURF算法中的快速Hessian矩阵检测特征点,并生成SURF特征的描述符;然后通过Hessian矩阵迹的正负性和双向FLANN匹配的搜索算法对图像SURF描述符进行匹配,以实现人脸的识别,从而达到考勤的目的。实验结果表明,该算法在剔除匹配识别中误匹配点对的同时提高了SURF算法识别速率与正确率,保证了算法在考勤系统中的实时性。     

一种抗视角变换的SURF匹配算法

针对传统的SURF匹配算法在图像搜索、物体识别中对视角变化大的图像特征点无法匹配的缺陷,提出了一种改进的SURF图像匹配算法。该算法利用模拟图序列的概念,即由原始图像模拟各种可能的视角变换生成的一组图像序列,对图像序列中的每幅图像进行SURF特征点提取;剔除冗余特征点后将模拟图序列中的特征点映射到原始图像中,这一过程增加了原始图像的特征点数量,特征点描述向量改用原始图像和多个模拟图的SURF特征描述向量共同表示;最后采用欧氏距离准则,最终得到两幅图像的正确匹配对。实验结果表明,本算法增加了特征点匹配对数,改善了视角变换过大(大于60°)使得图像无法匹配的情况。     

基于SURF算法的单目转双目视觉定位

针对三维空间中目标物体定位的问题,提出了一种结构简单、操作方便、性价比较高的单摄像机实现双目立体视觉定位的方法.在对目标物体的识别和定位中,利用各方面性能和指标都比较好的SURF算法对所获取的图像进行特征点的提取和匹配.实验结果表明,文中使用的基于SURF算法的单目转双目视觉定位的方法,不论是在定位的精度,还是在时间速度方面都表现出了很好的可行性与实用性,具有一定的现实利用价值.     

基于SURF特征提取的遥感图像自动配准

基于SURF（Speeded UpRobust Features）特征点提取是目前比较流行的图像配准方法．本文在SURF基础上,提出一种基于分块策略的改进方法：首先采用分水岭分割法确定图像的分块数量,然后对图像进行分块,每个子块提取一定数量的特征点,以便实现特征点的均匀提取;再通过稀疏特征树法找出匹配的特征点对;最后用RANSAC算法剔除错误匹配特征点对,同时计算参考图像与待配准图像的变换关系．实验表明,该方法能够高效、快速地解决遥感图像的自动配准问题．     

基于改进快速鲁棒特征的图像快速拼接算法

针对快速鲁棒特性（SURF）算法实时性、鲁棒性等无法满足实际应用需求的问题,提出了一种对SURF的改进算法,实现图像快速拼接。改进的算法采用机器学习的方法,建立一个二进制分类器,识别出SURF提取的特征点中的关键特征点,并剔除非关键特征点。此外,采用Relief-F算法将改进的SURF描述子降维简化来完成图像配准。图像融合阶段采用带阈值的加权融合算法,实现了图像无缝拼接。实验结果表明,改进的算法具有较强的实时性和鲁棒性,并且提高了图像配准的效率,加快了图像拼接的速度。     

基于加速鲁棒特征的眼底图像配准改进方法

为保证眼底图像配准精度,同时降低时间损耗,提出一种改进的基于加速鲁棒特征的眼底图像配准方法。该方法在提取眼底图像加速鲁棒特征的基础上,利用BBF算法和特征的方向特性和空间一致性检测得到初始匹配特征序列,并给出层次估计与模型选择技术相结合的方法,以求解图像之间的变换参数。通过进一步配准修正获得更好的变换参数。实验结果表明,该方法获得的配准精度均方根误差值均小于1,并能够在满足精度要求的同时提高效率。     

基于网格运动统计的改进快速鲁棒特征图像匹配算法

针对快速鲁棒特征算法(SURF)局部不变特征描述符存在运算时间较长、匹配准确率较低的问题,文中提出基于网格运动统计的改进快速鲁棒特征图像匹配算法.首先运用Hessian矩阵行列式确定图像中的特征点,采用梯度方向改进SURF中的主方向提取方法,提高特征点主方向的准确性,并使用二进制特征描述子进行特征点描述.再对获取的特征点进行汉明距离粗匹配.最后,采用网格运动统计剔除误匹配点.在Oxford VGG标准数据集上的实验表明,文中算法在图像发生尺度、光照、旋转等变化时匹配准确率与效率较高.     

基于聚类和马氏距离的多角度SURF图像匹配算法

对具有不同旋转角度和变化的图像进行匹配是图像识别中的技术难点,SURF算法在多角度图像的特征点检测和匹配过程中存在易受噪声点干扰、产生误匹配从而导致匹配效率低等不足。结合聚类和马氏距离,提出一种改进的多角度SURF图像匹配算法。首先利用聚类算法对原有算法提取的特征点进行噪声剔除处理,生成新的特征点数据集;然后利用马氏距离能够有效考虑整体相关性及其具有仿射不变性等特点,将SURF算法中的欧式距离用马氏距离替代。实验应用于多角度图像匹配时,改进算法较原SURF算法在匹配效率和准确率上有明显提高。     

基于谱残差和聚类法的运动目标检测研究

传统基于特征点匹配的目标检测算法目标识别率低、误检率较高是因为特征点匹配不准确、目标轮廓不连续。针对这一问题,分别引入谱残差算法和k means聚类算法,并加以改进,提出一种基于谱残差算法和k means聚类算法的运动目标检测算法。具体方法是：首先,每隔两帧提取加速鲁棒特征SURF并对图像配准,再对帧差结果采用谱残差算法提取视觉显著性特征,去除因匹配不准确造成的噪点和伪运动目标;其次,形态学处理之后引入改进后的k means聚类算法,对不连续的轮廓进行聚类;最后形成完整的目标。实验显示,本文算法目标识别率达到90.61%,误检率达到21.25%,分别优于传统基于SURF特征的运动目标检测算法66.60%的识别率、31.91%的误检率和基于新的局部不变性特征ORB匹配的目标检测算法87.573%的识别率、26.80%的误检率。虽然该算法平均运行时间为18 fps,但仍可以满足视频流畅的需求,因此动态背景下该算法可做为一种有效的运动目标检测算法使用。     

基于改进CNN-RANSAC的水下图像特征配准方法

水对光的吸收和散射效应降低了水下图像的质量,水下图像的可视范围受到限制,复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像,提出了一种改进CNN-RANSAC的水下图像特征配准方法,首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成鲁棒的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,与基于SIFT和SURF的配准方法相比,该方法能够检测到更多的特征点,实现了匹配正确率的大幅度提高。     

基于颜色不变量和SURF的彩色图像拼接

提出了一种基于颜色不变量和SURF算法相结合的彩色图像拼接方法。该方法利用图像彩色信息计算得到的颜色不变量信息代替灰度信息作为输入,提取图像SURF特征点并进行特征点匹配,根据相似性变换原理对误匹配点进行过滤,提高变换矩阵计算的准确率,采用亮度渐变原则对重叠区域进行像素平滑过渡,实现图像无缝拼接。实验结果表明,该方法在保持算法的快速性和准确性的同时,获得的配准点多而且准确,采用亮度渐变原则拼接增强了对光照变化的鲁棒性,且有效地消除了拼接痕迹,在图像拼接和地质分析领域有一定的实用价值。