基于最小平方中值定理的立体视觉里程计

提出了一种基于最小平方中值定理（LMedS）的立体视觉里程计方法。利用图像中尺度不变的SIFT特征点作为路标,基于KD树的最邻近点搜索算法来实现左右图像对特征点的匹配和前后帧间特征点跟踪。通过特征点的三维重建,基于最小平方中值定理估计出机器人的运动距离和方向信息。实验表明该方法在不同图像间匹配、三维路标跟踪和机器人运动估计中具有很强的鲁棒性。     

融合图像显著性与特征点匹配的形变目标跟踪

目的 针对目标在跟踪过程中出现剧烈形变,特别是剧烈尺度变化的而导致跟踪失败情况,提出融合图像显著性与特征点匹配的目标跟踪算法。方法 首先利用改进的BRISK（binary robust invariant scalable keypoints）特征点检测算法,对视频序列中的初始帧提取特征点,确定跟踪算法中的目标模板和目标模板特征点集合;接着对当前帧进行特征点检测,并与目标模板特征点集合利用FLANN（fast approximate nearest neighbor search library）方法进行匹配得到匹配特征点子集;然后融合匹配特征点和光流特征点确定可靠特征点集;再后基于可靠特征点集和目标模板特征点集计算单应性变换矩阵粗确定目标跟踪框,继而基于LC（local contrast）图像显著性精确定目标跟踪框;最后融合图像显著性和可靠特征点自适应确定目标跟踪框。当连续三帧目标发生剧烈形变时,更新目标模板和目标模板特征点集。结果 为了验证算法性能,在OTB2013数据集中挑选出具有形变特性的8个视频序列,共2214帧图像作为实验数据集。在重合度实验中,本文算法能够达到0.567 1的平均重合度,优于当前先进的跟踪算法;在重合度成功率实验中,本文算法也比当前先进的跟踪算法具有更好的跟踪效果。最后利用Vega Prime仿真了无人机快速抵近飞行下目标出现剧烈形变的航拍视频序列,序列中目标的最大形变量超过14,帧间最大形变量达到1.72,实验表明本文算法在该视频序列上具有更好的跟踪效果。本文算法具有较好的实时性,平均帧率48.6帧/s。结论 本文算法能够实时准确的跟踪剧烈形变的目标,特别是剧烈尺度变化的目标。     

一种新的基于图论的图像匹配算法

SIFT算法在图像匹配领域中占有重要地位,但是,利用SIFT算法提取的图像特征点,是分布在整幅图像中的,这就造成提取的特征点不集中。结合图论的方法,对SIFT算法提取的特征点进行处理,去除部分不集中的点,从而达到提高匹配效率的目的,将该方法命名为G-SIFT算法。G-SIFT算法提取的每一个特征点视为图的顶点,将这些顶点的一元关系视为图的边,并利用这些边的大小特点对特征点进行处理,使得处理后的特征点主要集中在物体上。实验证明,利用该方法对图像进行处理后,特征点匹配结果更加集中,匹配率最高提高了1.4%,匹配点集中在物体上的正确率最高提高了9.1%。     

基于特征点的抗几何变换图像被动认证算法

针对同幅图像的区域复制篡改问题,提出一种基于SIFT特征点的抗几何变换数字图像被动认证算法。在利用SIFT算法提取出图像中的SIFT特征点后,对特征点进行匹配。根据同一幅自然图像不会存在互相匹配特征点的这一特性,可以检测出篡改图像中平移、旋转、缩放等几何变换的区域。实验结果证明,该算法能够对抗区域复制篡改的几何变换。     

煤矿救援机器人环境目标图像识别

针对标准尺度不变特征变换(SIFT)算法存在搜索视觉图像中关键点出现计算冗余和目标识别实时性差的问题,提出了一种改进的SIFT算法,并将其应用到煤矿救援机器人的环境信息感知和目标识别匹配中。该方法以马氏距离代替标准SIFT算法中的欧氏距离,简化了特征点提取,避免了特征点的误匹配。现场试验结果表明,改进后的SIFT算法提高了煤矿救援机器人对煤矿井下环境目标识别的实时性和目标匹配的准确性,为煤矿救援自主移动机器人实现避障、行走做好了视觉前提。     

基于角点聚类的移动机器人自然路标检测与识别

针对未知环境中机器人视觉导航的自然路标检测,提出了一种基于角点聚类的自然路标局部特征提取、不变性表示及其匹配算法.用SUSAN算子提取左右视图中的角点,在极线约束下对左右视图的角点进行匹配,消除遮挡或噪声引起的角点;同时应用立体视觉计算角点视差,进一步筛选角点.根据角点聚类策略提取自然路标局部特征,并提出不随距离、角度变化的局部特征不变性表示及匹配方法.理论分析和实验结果表明,该算法具有较好的鲁棒性,在一定距离和角度变换下能够对路标进行正确识别.     

一种基于特征点三维信息的自然路标提取与快速匹配方法

自然路标提取与匹配是vSLAM的基础.文中提出了一种基于特征点三维信息的自然路标提取、局部特征描述与快速匹配方法.采用双目视觉获取环境图像,提取左右目图像的特征点,并进行匹配.建立左摄像机坐标系下的每个匹配点的三维信息,提出视场约束规则对特征点进行过滤.在此基础上基于改进的MeanShift聚类算法进行自然路标提取.提出一种路标描述符,可以快速进行两个聚类的匹配.该方法可以有效提取非结构化环境中的自然路标,对机器人位姿估计精度要求较低.     

结合Kalman 滤波器的SIFT目标跟踪算法

针对目标图像跟踪过程中提取待匹配图像较大的特征向量时,很难满足准确性和快速性要求,提出了结合卡尔曼滤波的SIFT目标跟踪算法。算法利用Kalman滤波器对动态目标在下一帧图像中可能出现的位置,在自适应窗口中识别动态目标。实验证明,该算法可以缩短了待匹配图像的SIFT特征点提取时间,提高了目标跟踪的效率。     

基于图像深度信息的尺度不变特征变换算法误匹配点对剔除

特征点匹配是基于特征点的图像配准技术中的一个重要环节。针对现有基于尺度不变特征变换(SIFT）图像配准技术特征点匹配不理想,也无法较客观、快速地筛选正确匹配点对的问题,提出结合图像深度信息进行特征点误匹配筛选剔除的方法。该算法首先根据模糊聚焦线索和机器学习算法估计出待配准图像的深度信息图,再提取SIFT特征点,并在特征点匹配环节利用随机抽样一致性(RANSAC)算法迭代循环,结合深度局部连续性的原理来进一步提高匹配精度。实验结果表明,该算法具有很好的误匹配点对剔除功能。     

基于角点检测与SIFT算法的快速匹配方法

针对复杂图像的快速匹配问题,提出一种新的基于Shi-Tomasi角点检测与SIFT算法的高精度快速匹配方法。该方法充分利用图像的角点特征、灰度和位置信息,采用SIFT算法中的特征描述方法进行图像特征描述,并用Ransac算法对匹配点进行校正和消除错误匹配,提高计算速度和可靠性。实验结果验证了该算法对于存在较大色差、形变等图像可实现精确快速匹配,其精度和速度都优于传统的匹配算法。     

基于关键点及光流的平面物体跟踪算法

为提高复杂场景下基于关键点的平面物体跟踪算法的鲁棒性,提出一种融合光流的平面物体跟踪算法。检测目标物体与输入图像的关键点及其对应描述符,由最近邻匹配方法构建目标与图像间关键点匹配集合,通过光流法构建相邻两张图像间关键点的对应关系,将已构建的关键点匹配集合与基于光流的对应关系通过加权平均的策略进行融合,得出修正的关键点匹配集合,根据关键点匹配估计目标物体在当前图像的单应性变换矩阵,从而完成目标跟踪。在POT数据集上的实验结果表明,与SIFT、FERNS等算法相比,在校正误差阈值为5时,该算法在所有图像序列上的平均跟踪精度达到66.67%,具有较好的跟踪性能。     

基于SIFT特征匹配的CamShift运动目标跟踪算法

针对复杂背景下采用一般CamShift算法跟踪目标容易失败,提出将SIFT(Scale Invariant Feature Transform)特征点匹配融入到CamShift算法。该算法利用SIFT特征对尺度和方向无关特性实现连续图像序列的精准匹配,具有对尺度缩放、目标旋转以及亮度变化保持不变性的优点,不仅弥补了一般CamShift算法只以颜色为关键信息的不足,而且可将目标跟踪窗口形心和质心间的位移稳定在设定阈值内。最后通过对比性实验来验证该算法的有效性和稳定性。实验结果表明,该算法能够对复杂背景下的光照突变、缩放和旋转运动目标实现实时稳定跟踪。     

融合彩色信息与SIFT特征的帧内复制粘贴篡改检测

近年来在同源复制粘贴篡改检测中,SIFT特征得到了广泛的应用.但由于该特征在提取过程中摒弃了颜色信息,会造成一部分特征点的误匹配和漏匹配.为此,提出一种基于彩色信息与SIFT融合的CSIFT特征的检测方法,在提取特征点时加入颜色不变量信息,提高了匹配的准确性和效率.算法首先利用结构相似度将视频帧序列分段,提取每段序列的关键帧;然后提取关键帧的CSIFT特征;最终定位复制粘贴区域,并利用目标跟踪算法计算篡改区域在后续帧上的位置.通过实验验证了算法的鲁棒性,与基于SIFT等特征的算法相比,时间效率和准确性更高.     

基于改进SIFT算法的粒子滤波目标跟踪

为解决传统尺度不变特征变换(SIFT)算法在光照变化和遮挡的情况下,不能快速准确跟踪目标的问题,提出一种采用粒子滤波和SIFT建立目标模型的方法,利用粒子滤波预测目标在当前帧中可能的位置。计算目标可能存在的区域SIFT特征点,构建特征描述向量,进行目标匹配。根据目标模型和目标候选区域中SIFT特征点的匹配情况,在跟踪过程中更新特征描述向量,实现目标跟踪。实验结果证明,该算法可提高目标检测和跟踪的速度以及准确性。     

基于SIFT特征匹配的稳健图像拼接算法

针对尺度不变的特征变换方法(SIFT)运用在图像拼接上存在错误匹配,以及匹配后点对位置并不严格对应的两点不足,提出运用随机取样一致性算法(RANSAC)筛选匹配后的点对,并借鉴KLT追踪算法修正特征点的位置,进而得到精确的变换矩阵.实验结果表明,该算法在继承了SIFT算法较强鲁棒性的同时,进一步提升了拼接的精度.     

基于偏最小二乘的SIFT误匹配校正方法

针对尺度不变特征变换（SIFT）描述子仅利用特征点的局部邻域信息而对图像内具有相似结构的特征点易产生误匹配的现象,提出一种基于偏最小二乘的SIFT误匹配校正方法。该方法首先利用SIFT算法进行匹配,得到初始匹配对,然后利用偏最小二乘方法对匹配后初始匹配点的空间分布信息进行重新描述,并通过定义影响函数,剔除影响程度大的特征点对,最后得到精确匹配点对,对图像进行配准。实验结果表明,该方法能够有效地剔除误匹配点,提高图像配准的精度。     

一种新型遥感图像配准方法

提出了一种新型全自动稳健的遥感图像配准算法。首先,在图像二维平面空间和尺度空间中同时检测局部极值作为特征点,并在特征点邻域提取局部不变特征描述子一尺度不变特征变换（SIFT）。然后,利用距离测度进行SIFT特征匹配得到初步的匹配集合。最后,运用稳健的随机采样一致性（RANSAC）算法将匹配点集划分为内点和外点,在内点域上精确地估计出图像变换模型。实验利用仿真数据测试了SIFT特征的可重复性和可匹配性,利用卫星图像验证了该自动配准算法的有效性和稳健性。     

Saliency and spatial information-based landmark selection for mobile robot navigation in natural environments

In this paper, a landmark selection and tracking approach is presented for mobile robot navigation in natural environments, using textural distinctiveness-based saliency detection and spatial information acquired from stereo data. The presented method focuses on achieving high robustness of tracking rather than self-positioning accuracy. The landmark selection method is designed to select a small amount of the most salient feature points in a wide variety of sparse unknown environments to ensure successful matching. Landmarks are selected by an iterative algorithm from a textural distinctiveness-based saliency map extended with spatial information, where a repulsive potential field is created around the position of each already selected landmark for better distribution in order to increase robustness. The template matching of landmarks is aided with visual odometry-based motion estimation. Other robustness increasing strategies includes estimating landmark positions by unscented Kalman filters as well as from surrounding landmarks. Experimental results show that the introduced method is robust and suitable for natural environments.     

基于特征点的伪匹配点去除算法

基于特征点的图像配准中伪匹配点的存在影响变换矩阵的计算精度,容易造成图像配准失败.根据SIFT特征匹配中存在的伪匹配点,提出一种伪匹配点去除算法.两幅待配准图像的正确匹配点在坐标位置上有差值相似性,伪匹配点的坐标差值与正确匹配点的坐标差值差异大,利用这种坐标差值的波动对伪匹配点进行去除.实验结果表明,待配准图像中的伪匹配点得到了有效去除,与RANSAC算法相比,时间复杂度大幅减小.     

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。