结合SURF特征点与DAISY描述符的图像匹配算法

图像匹配技术是许多计算视觉问题研究的基础,基于图像局部特征的方法是本领域研究的热点。为了解决经典的SURF算法在旋转不变性上表现欠佳的问题,提出了一种结合SURF特征点与DAISY描述符的图像匹配算法。在SURF算法特征点检测的基础上,提出一种适合DAISY描述符的主方向分配方法,并按照该主方向旋转获得新的DAISY描述符。本算法在略微增加运算成本的基础上,增强了经典SURF算法在图像旋转上的匹配能力。实验结果表明,在图像模糊、光照变化、JPEG压缩比变化、视场变化等多种复杂情况下,本算法具有更强的鲁棒性。     

改进的SURF-RANSAC图像匹配算法

为改善传统SURF图像匹配算法存在计算量大、配准精度低等不足,提出一种改进SURF-RANSAC算法.基于SURF算法中构建描述符的思想,采用圆形邻域代替矩形邻域提取32维描述符,实现描述符的降维;通过自适应阈值方法完成特征点初匹配,降低人为设定阈值对匹配结果的影响;通过特征向量构建余弦约束对随机采样一致性(RANSAC)算法进行改进,实现匹配点对的提纯.实验结果表明,改进后的算法不仅提高了匹配速度和精度,还具有较强的鲁棒性.     

基于改进SURF的图像匹配算法

针对传统SURF的图像匹配算法存在计算数据复杂、耗时长、匹配正确率不佳等问题,提出一种基于改进SURF的图像匹配算法.首先,用传统SURF算法来提取待匹配图像的特征点,再通过圆形区域代替矩形区域将SURF的64维度描述符降到20维度;采用KNN,来双向匹配待匹配图像的特征点,得到双向的初始特征点匹配对集;最后,通过RANSAC算法对初始匹配对集进行双向剔除错误的匹配对.实验的结果表明,本文算法减少了特征点检测时间,提高了匹配正确率,还有较好的鲁棒性.     

一种基于SURF的全景图像配准算法

传统的全景图像配准多采用基于SIFT的方法,该方法数据量大、时间效率低。提出了一种基于SURF的全景图像快速配准方法。运用SURF提取特征点,计算特征描述符;运用低时间复杂度的K-D树最近邻搜索法实现特征点快速匹配;利用RANSAC算法剔除误匹配点;最后估计出两幅全景图像的变换矩阵。测试表明:算法具有较高的时间效率和良好的鲁棒性。     

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。     

针对重复模式图像的成对特征点匹配

目的 含有重复模式的图像会对局部特征描述符产生歧义,因此基于局部特征的匹配算法在此类图像的匹配过程中极易产生误匹配.同时,通过研究现有的引入全局特征描述符的匹配算法,发现全局特征同样依赖于计算局部信息所得到的特征点主方向,所以此类方法在含有重复模式的图像中也不容易得到令人满意的匹配效果.为了解决这一问题,提出一种基于成对特征点的图像匹配算法.方法 该方法利用成对特征点的方向向量作为特征点对的主方向,为特征描述提供了正确的方向信息,同时引入DAISY描述符与改进后的全局上下文(globalcontext)特征描述符,提高了匹配能力.结果 分别在模拟图像与实际图像上面进行了对比匹配实验,本文算法平均的匹配正确率能达到88％以上,比其他经典的匹配算法提高了26％以上.结论 实验结果表明,本文算法克服了现有算法在特征描述与主方向分配上的缺陷,进一步提升了匹配正确率,能够有效地解决重复模式图像的匹配问题.     

SURF算法并行优化及硬件实现

加速鲁棒特征(SURF)算法计算复杂度高、硬件实现需要大量的逻辑和存储资源,且描述符构建过程难以并行实现、无法满足实时性要求.针对上述问题,提出一种SURF算法的并行优化方法,并给出基于FPGA器件的硬件实现方法.首先采用圆形特征区域和径向梯度变换等方法实现旋转不变性,达到取消主方向计算和特征区域旋转的目的,实现SURF算法从积分图像计算到描述符生成的全过程并行优化;然后基于FPGA器件,采用多存储器和多路并行流水结构实时实现SURF优化算法.对比实验结果表明,SURF优化算法的匹配性能与SURF算法相当,虽然匹配点数比SURF算法低5%~20%,但匹配正确率比SURF算法高5%~10%;SURF优化算法硬件实现仅采用13.5MHz的时钟,对于分辨率为720×576的视频流,处理速度达到25帧/s,满足了实时性要求.     

面向增强现实的SUSAN-SURF快速匹配算法

为满足增强现实对图像匹配的高实时性要求,提出了一种基于SUSAN角点检测和SURF特征描述的快速图像匹配算法。首先利用SUSAN定位特征点,然后生成特征点主方向和SURF特征描述符。其次,运用随机K-D树并结合摄像机姿态变化完成邻近点搜索,再利用基于点积的相似度度量完成初匹配。最后,通过统计特征点距离误差快速剔除误匹配点,获取最终同名点集。实验表明,该方法的单个特征点匹配耗时仅为SURF算法的23.4%,匹配正确率比SURF算法高9.7个百分点,且对光照变化、噪声干扰有较强的鲁棒性,能够满足增强现实系统对图像匹配算法的速度快、精度高和抗干扰能力强等要求。     

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。     

基于改进BRISK算法的单目视觉里程计

在传统的BRISK算法中使用自定义的抽样模式来描述检测到的特征点,使用基于汉明距离的方法进行特征点匹配。BRISK的这种特征点描述与匹配的方法使得其匹配准确率不高。因此本文提出将匹配准确率较高的SURF算法与BRISK算法相结合,在BRISK特征点描述与匹配阶段使用SURF描述符和基于欧氏距离的匹配方法。实验结果表明,该算法在时间消耗下降不大的情况下,特征点匹配准确率有很大提高,且该算法具有较好的鲁棒性。     

一种具有强实时性、强鲁棒性的图像匹配算法

针对描述符BRIEF对图像旋转敏感的问题,提出一种改进的描述符RIBRIEF,该描述符具有识别能力强、提取速度快、占用空间小及抗干扰能力强等优点,并具有旋转不变性.经分析,图像匹配算法的实时性较大程度上由特征点数量、匹配点搜索次数及描述符相似度计算复杂度决定,因此提出通过描述符索引与描述符聚类相结合、基于FAST稳定特征点提取和逻辑运算计算相似度等方法提高算法的整体实时性.实验结果表明,与描述符BRIEF及SURF相比较,基于描述符RIBRIEF的图像匹配算法在鲁棒性及实时性方面均具有明显优势.     

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.     

结合快速鲁棒性特征改进ORB的特征点匹配算法

针对定向二进制简单描述符（ORB）算法不具备尺度不变性的问题,提出一种结合快速鲁棒性特征（SURF）算法和ORB的改进算法。首先,利用Hessian矩阵检测特征点的方法,使得提取出的特征点具有尺度不变性;然后,用ORB生成特征描述子;接着采用K-近邻算法进行粗匹配;最后,通过比率测试、对称测试、最小平方中值（LMedS）定理进行提纯。尺度变化时,该算法比ORB的匹配精度提高了74.3个百分点,比SURF的匹配精度提高了4.8个百分点;旋转变化时,该算法比ORB的匹配精度提高了6.6个百分点;匹配时间高于SURF低于ORB。实验结果表明,改进算法不仅保持了ORB的旋转不变性,而且具备了尺度不变性,在不失速度的前提下,匹配精度得到较大提高。     

利用DAISY和概率松弛的近景影像密集匹配

针对近景影像存在的弱纹理、遮挡问题,提出一种基于改进的DAISY描述子和概率松弛的近景影像密集匹配方法。首先,利用SURF提取种子点构建初始视差图,根据影像核线方向改进DAISY描述子的主方向,以影像核线方向的反方向对特征描述子进行掩膜处理,进而对兴趣点进行特征描述。随后,通过松弛迭代的候选点筛选策略渐进地获取正确率占优的特征匹配点。实验表明,相对于传统概率松弛匹配算法,该算法克服了近景影像中弱纹理及遮挡问题导致的误匹配,匹配点数目提高了2倍左右,具有较高的匹配点密集程度和可靠性。     

一种基于快速鲁棒特征的图像匹配算法

针对传统的图像特征匹配算法数据量大、计算耗时长的缺点,本文提出了一种基于快速鲁棒特征(SURF)的图像配准算法。SURF算法作为一种新的特征提取算法,在独特性、鲁棒性等方面均超过了其它方法,并在计算效率上具有明显的优势。该算法在积分图像的基础上进行快速计算,通过快速Hessian检测子来检测特征点。对于每个特征点,通过计算哈尔小波变换来确定特征点的主方向,并确定特征描述子,再根据Hessian矩阵迹的正负性和最近邻与次近邻比值的方法相结合获取匹配点,并用改进的RANSAC算法剔除伪匹配点以确保匹配的有效性。实验表明,该算法既能满足匹配准确性的要求,又具有计算量小、计算速度快的优点。     

序列图像特征提取与匹配算法的改进

在计算机视觉领域中特征点匹配是一个重要课题。针对ORB（ORiented Brief,方向描述符）算法缺少尺度不变性的特点,将SURF（Speeded-Up?Robust?Features,快速鲁棒特征）算法与ORB相结合,提出了基于算法组合的改进算法SUORB（Speeded-Up?ORiented Brief,快速方向描述符）。组合算法的基本思路是利用SURF算法建立多尺度空间,然后通过ORB算法为检测出的特征点建立描述符,最后根据生成的二进制描述符实现特征点匹配。实验结果表明,SUORB算法基本弥补了ORB算法的不足,若图像尺度发生变化,SUORB匹配算法比ORB匹配算法的准确度明显提高;同时SUORB算法保留了ORB算法的快速性。     

面向移动设备的快速特征点匹配方法研究

针对增强现实在移动设备应用中特征点匹配速度缓慢的情况,提出了一种特征点匹配优化算法.该算法基于移动设备自带的重力感应系统,用重力方向代替原有的描述符方向,以此来降低传统ORB(oriented FASTand rotated BRIEF)算法中特征点方向角计算的时间复杂度.在实际移动设备上的测试结果表明,改进后的算法同时提高了匹配速度和匹配准确率,具有较好的效果.     

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。     

基于质心高度增量特征的目标识别算法

针对传统目标识别算法识别准确率低、复杂度高等问题，提出基于质心高度增量特征的目标识别算法。在提取轮廓特征阶段，以轮廓质心为参考点，对于任意采样点，根据其它采样点相对于该点的高度关系构建质心高度增量描述符。描述符不仅计算简单，对旋转、平移和缩放等几何变换具有不变性，而且引入轮廓顺序这一全局特征，提升了描述符的鲁棒性和区分能力。在特征匹配阶段，利用轮廓顺序已知这一优势，采用动态规划算法计算质心高度增量描述符的相似度，最后引入形状复杂度分析，优化识别效果。MPEG-7测试集和Kimia99测试集的实验结果表明，上述算法能够有效的对目标图像进行匹配识别，而且对于噪声的干扰具良好的鲁棒性。     

改进FAST特征点支持下的实时影像地标匹配算法

针对图像匹配技术中匹配时间与匹配精度不能同时满足要求的问题,提出一种基于特征点匹配的方法,利用随机森林分类器实现地标的匹配,将匹配问题转化为简单的分类问题,大大简化了计算过程,保证影像匹配实时性;采用FAST特征点表示影像地标,利用高斯金字塔结构以及仿射增强策略改进FAST特征点的尺度和仿射不变性,提升影像地标匹配率。将实验结果与尺度不变特征变换(SIFT)算法和加速鲁棒性(SURF)算法进行比较。实验结果表明在尺度变化、发生遮挡以及旋转情况下,匹配率能达到90%左右,保持与SIFT算法和SURF算法相近的匹配率,并且匹配时间相较其他两种算法减少了一个数量级,能有效地对影像地标进行匹配,匹配时间也满足实时影像地标匹配要求。