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SIFT特征点的无人机航拍苗圃图像拼接

针对航拍无法直接获取完整苗圃图像信息的问题,以无人机航拍苗圃图像为研究对象,利用尺度不变特征变换(SIFT)算法进行图像配准和加权平均法进行图像融合完成图像拼接,并针对SIFT算法出现误匹配的问题,利用随机抽样一致性(RANSAC)算法进行匹配点提纯。经过实验发现:本算法耗时78.97s,拼接结果与理想结果相似度可达99%。     

基于区域分块与尺度不变特征变换的图像拼接算法

针对图像匹配算法计算量大,实时性差的问题,提出了一种基于区域分块与尺度不变特征变换(SIFT)相结合的图像拼接算法。该算法利用图像能量的归一化互相关系数快速分割出匹配图像与待匹配图像间的相似区域,利用SIFT算法在重叠区域中搜索出能用于匹配的图像特征点并实现快速精确配准。然后,通过对图像进行了几何校正和图像融合来实现图像序列间的无缝拼接。实验结果表明,该算法减少了传统SIFT算法的大量无用搜索,改善了图像的几何失真,降低了算法复杂度,提高了图像匹配的速度,在保证90%以上的匹配准确率的基础上,计算时间较传统SIFT算法减少了近50%。提出的算法可准确、快速地实现有形变和尺度变换图像的无缝拼接。     

基于双目视觉的涡轮叶片型面特征提取及匹配

提出一种基于双目视觉的测量方法,通过投影文字图案形成叶片表面检测点,采用具有旋转、尺度不变的SIFT算子对左、右摄像机图像进行特征提取及匹配,并通过窄基线剔除法去除匹配后生成的一系列共轭像素点中的误匹配点,实现对涡轮叶片表面点云数据的高精度、低成本提取.实验结果验证了算法的有效性.     

基于特征的包含大运动物体的图像拼接

针对传统的基于特征的图像拼接算法不能很好地解决大运动物体造成的场景误匹配问题,提出了一种基于特征的包含大运动物体的图像拼接算法。在SIFT提取特征点并匹配的基础上,通过随机采样一致性算法去除误匹配点,并通过观察特征连接线角度的波动值,自适应判断场景中是否出现大运动物体以及场景匹配是否出现错误,最后通过改进的加权方法实现图像融合,很好地解决了运动物体的干扰。试验表明,该方法有良好的效果和鲁棒性。     

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。     

无人机航拍图像的三维重建方法研究

在无人机为载体的基础上进行对目标场景的三维重建,就是结合无人机和计算机视觉技术,利用无人机操作灵活性,视角可控制性等优点.为实现更加完整的三维模型的重建,提出一种基于多图像拼接三维重建算法.基本思路是在无人机为载体的基础上,从不同方向获取目标物体的图像,通过自标定方法获取相机内参数,采用图像拼接融合技术对多幅图像分析、合成,从而最大限度地对建筑物场景的各种特征信息的描述.进一步对拼接融合后的图像进行特征点提取和点云匹配,从而获取全景图空间特征点三维点云,获得一个较为真实的重构对象的三维模型.实验结果表明,改进后的重构方法的精度较高,适合在许多场景三维重建的应用.     

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.     

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。     

一种基于SIFT的图像拼接算法及其FPGA实现

图像拼接技术是进一步做图像理解的基础,为了得到更好的拼接效果并满足实时性要求,给出了一种基于SIFT匹配算法的图像拼接算法及其FPGA实现。用摄像头OV5640获取两路分辨率为1 280×720的图像数据,用Xilinx公司的FPGA完成对图像数据的采集、图像配准以及图像融合,图像融合后通过VGA显示。图像融合通过SIFT匹配算法获取左右摄像机拍摄图片的位置关系参数,用欧式距离变换算法对图像进行融合,拼接后的图像显示在屏幕上效果良好。     

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。     

基于全局特征与局部特征的图像分级匹配算法研究及应用

移动机器人基于拓扑地图导航时要求图像特征提取与匹配算法具有高的精度和鲁棒性、良好的实时性,针对此,提出了基于全局特征和局部特征的图像分级匹配算法。首先对输入的待匹配图像应用改进的形状上下文算法提取全局特征与图像库中图像进行遍历粗匹配,得到与当前待匹配图像相似度最高的3幅图像并构建临时图像库;然后利用改进的SIFT算法提取输入图像局部特征与临时图像库中3幅图像的局部特征进行精确匹配,最终得到与待匹配图像相似度最高的图像作为匹配结果输出。所提出的图像分级匹配算法将基于全局特征的改进形状上下文算法和基于局部特征的改进SIFT算法相结合,从而达到优势互补的目的。实验结果表明,该算法在机器人基于拓扑地图导航过程中有效地提高了图像匹配效率,缩短了运行时间。     

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%。     

无人机3D航迹规划及动态避障算法研究

规划一条高时效且低代价的三维(3D)航行轨迹,成为目前无人机广泛应用亟须解决的问题。针对蚁群算法在航迹规划中出现的航迹长度和平滑性不足问题,通过改进蚁群系统中的节点移动规则、构造多重启发信息并结合粒子群优化算法的全局搜索能力,提出了蚁群粒子群融合算法。同时,就飞行航迹中出现的动态避障问题和目标点变化问题,提出了改进生物启发神经动力学模型算法,该算法针对3D静态最优航迹中出现的障碍物和目标点变化,实现了局部在线航迹调整。实验仿真结果表明,蚁群粒子群融合算法能在3D静态环境中规划出一条期望航迹。同时,改进生物启发神经动力学模型算法不仅能对突发障碍动态避障,还能对动态目标点变化实时跟踪。     

SIFT特征匹配算法的研究

当前,SIFT算法在特征匹配研究中是比较成功的一种特征算法,因为它不仅对图像的旋转、平移、缩放能保持不变,对部分遮挡和对比度的变化也可维持稳定而被应用于图像立体匹配中。旨在介绍SIFT算法的基本原理,比较一些SIFT改进算法的优缺点,并指出今后发展方向。     

一种结合ORB算法的SIFT图像配准算法

在基于SIFT算法的图像配准过程中有两个重要的环节:特征提取和特征匹配。针对算法在特征提取时存在的计算量大、复杂度高、速度慢等问题,该文提出了结合ORB算法的思想,对SIFT算法进行特征提取的优化,从而实现快速地提取图像的局部特征。在特征匹配阶段采用K最近邻的BBF搜索策略并结合RANSAC算法进行提纯,消除误配点。实验结果表明,改进后的算法降低了配准时间,提高了配准精度,适用于一些对实时性要求较高的场合。     

基于Transformer模块和CNN的无人机避障方法研究

针对传统CNN避障方法无法获得全局感受野、图像特征提取计算量大的问题,以四旋翼无人机为研究对象,提出一种基于Swin Transformer模块改进CNN模型的无人机避障方法。首先,使用Swin Transformer代替CNN模型中的Conv2D层,进行全局信息特征提取;然后,构建3个残差结构相连的Swin Transformer网络,输出无人机在当前飞行环境下的转向预测和碰撞预测;最后,设计无人机多姿态映射控制系统,输出无人机避障控制指令。实验结果表明,所提方法碰撞预测平均准确率为96.8%,转向预测均方根误差(RMSE)为0.068,满足了无人机自主避障的要求。     

无人机跟踪过程中的避障问题研究

针对单架无人机跟踪单一目标问题,提出 Lyapunov 矢量场法和速度障碍法相结合的方法,保证 UAV 在执行跟踪任务时的安全。首先,建立无人机运动模型,通过基于 Lyapunov 矢量场法的航向控制使无人机能够收敛到极限环;其次,利用速度障碍法原理判断无人机与障碍物之间是否存在飞行冲突,推导出避障所需的航向控制量;最后,针对障碍物重叠情况,利用几何关系将重叠区域合并,再求解出航向控制量,完成对重叠威胁区域的避障。仿真结果表明,所提算法在单一障碍物和多障碍物的条件下,都能有效地跟踪目标并实现避障。