基于LBP的尺度不变特征的描述和匹配算法

针对尺度不变特征变换(SIFT)算法计算复杂度高和匹配速度慢的难题,提出一种新的基于局部二进制模式(LBP)的尺度不变特征变换算法.首先采用高斯差分尺度空间检测局部极大值,利用圆形邻域统计梯度方向直方图来确定特征点的主方向,再通过坐标轴旋转避免图像旋转的计算代价;然后运用改进后的LBP算子求取特征点邻域的纹理信息,得到132比特的特征点描述子,有效地降低了描述子的计算复杂度;最后运用逻辑与运算对描述子进行特征点匹配.图像匹配实验结果表明,该算法具有尺度不变性、旋转不变性、仿射不变性和光照不变性等优良特性,在保证匹配正确率与SIFT和CS-LBP算法基本一致的情况下,运算速度优于以上2种算法,其中光照不变性明显优于SIFT算法.     

基于改进SIFT算法的建筑物图像立体匹配

采用尺寸不变特征变换(SIFT)算法对建筑物图像进行匹配时会出现大量误匹配点.针对该问题,在SIFT彩色不变描述子中融入颜色信息和全局信息.引入对照明变化具有一定鲁棒性的l1l2l3模型建立对数极坐标,对于每一个特征点,在设定的圆邻域内累积l1值、l2值、l3值以构造彩色不变描述子,将特征点的最大曲率作为特征量以构建全...     

SIFT和改进的RANSAC算法在图像配准中的应用

在机器人视觉系统中运用SIFT描述子对现实世界中的目标进行识别,这一研究已经取得了很大的进步。运用SIFT生成的图像特征向量的性能十分稳定,对旋转、缩放、平移是保持不变性的,对一定程度目标遮挡、光照变化、视点变化、杂物场景和噪声等也能保持很好的不变性。RANSAC算法早就已经是计算机视觉领域常用的一个进行矫正的标准方法,在标准的RANSAC算法基础上加入了假设评价,改进为R-RANSAC（The Randomized RANSAC）算法。对这两个方面进行论述,运用SIFT（尺度不变特征变换）算法对双目机器人的两幅视觉图像进行匹配,采用带SPRT的R-RANSAC改进算法对匹配过程进行优化,尽可能在短的时间里完成匹配矫正,进而加速整个配准的时间。     

基于旋转不变特征的SIFT描述子在图像配准中的应用

针对尺度不变特征变换(SIFT)算法中描述子维度高造成配准过程中计算量过大的问题,提出了一种改进的SIFT算法。该算法利用圆形的旋转不变性,以特征点为中心,在近似大小的圆形特征点邻域内构造特征描述子,以每个圆环作为一个子环,每个子环内只有像素位置发生了改变,像素之间其他相对信息是保持不变的。当图像发生旋转时,统计每个圆环内元素的梯度累加值进行排序,生成特征向量描述子,降低了算法的维度及复杂度,把特征描述子的维数从128维降低到48维。实验结果表明,改进算法旋转配准重复率在85%以上;在图像旋转、缩放和光照变化情况下,与SIFT算法相比,平均配准准确率提高5%,平均配准耗时降低30%左右,有效实现了对SIFT的改进。     

基于SIFT特征的人耳识别

人耳的角度变化和遮挡是人耳识别中的难点问题,SIFT局部描述算子具有对图像尺度缩放、平移、旋转等的不变性,因此提出利用SIFT特征的人耳识别算法。该算法将人耳图像划分为相互重叠的网格区域,在每个子区域中计算SIFT的局部特征,再计算测试图像与训练图像的匹配相关度作为图像的全局特征,将SIFT的局部和全局特征相结合作为人耳识别的标准。通过在人耳库中的实验表明,此算法优于传统的全局方法,对于人耳角度变化和遮挡具有较好的鲁棒性,并且适用于单训练样本的情况。     

用于图像拼接的特征提取算法研究

图像拼接是计算机视觉领域的一个重要分支,也是现在的研究热点.研究了用于图像拼接的特征提取算法,该算法提取的特征能对旋转、尺度缩放、仿射变换、视角变化、光照变化、噪声等图像变化因素保持一定的不变性,并在处理速度上与传统的SIFT算法相比有大幅提高,具有较强的实时性和鲁棒性,是一种较好的特征匹配算法.     

基于ORB-LATCH的特征检测与描述算法

针对基于学习安排的三元组（LATCH）二进制描述子不具备尺度不变性且其旋转不变性,需要特征检测子辅助的问题,提出了一种基于快速定向旋转二进制稳健基元独立特征（ORB）和LATCH相结合的特征检测与描述算法。首先,在图像金字塔尺度空间上进行加速段测试特征（FAST）检测;然后,采用ORB灰度质心方法来进行方向补偿;最后,对特征进行LATCH描述。实验结果表明,所提算法具备运算量小、实时性高以及旋转和尺度不变性的特点,在相同的准确率下,其召回率优于ORB和哈里斯-LATCH （HARRIS-LATCH）算法,其匹配内点率比ORB算法提高了4.2个百分点。该算法在保持实时性的同时进一步缩小了与基于直方图的尺度不变特征变换（SIFT）和加速健壮特征（SURF）算法之间的精度差距,可对图像序列进行快速且精确的实时处理。     

基于SIFT算法的人脸描述与识别

将SIFT(Scale Invariant Feature Transform)[1]用于人脸识别,根据人脸图像的特点,给出了一种特征匹配算法。首先用DOG算子对人脸图像进行关键点检测,然后用欧氏距离对关键点进行特征匹配,最后对特征点进行错配消除。实验证明SIFT算法对旋转、尺度缩放、视角变化、光照变化等保持一定的不变性,对图像噪声等因素也保持较好的可匹配性。     

具有SIFT描述的多尺度角点图像配准

角点含有丰富的图像结构信息,在图像配准中是广泛应用的图像特征。Harris算法是经典的角点提取算法,Harris角点对图像旋转具有不变性,但对尺度变化敏感,在有尺度变化的图像配准中,应用受限。仿照SIFT特征点提取过程,提出了一种多尺度角点提取方法,提取的多尺度角点对图像旋转和尺度变化有很好的适用性。并用SIFT描述子描述,用光学及SAR图像进行了配准实验。结果表明,与SIFT、Harris算法相比,本文方法在保证配准精度的基础上,配准时间减少40%以上,特征点在配准过程中的利用率提高一倍多。     

基于局部特征的WEB近重复图像检测

首先分析了不同类型的图像特征对不同重复图像类型检测性能的影响,SIFT局部描述子不仅具有良好的尺度和亮度不变性,同时对仿射形变、视角改变和噪声等也有一定的鲁棒性,因此选择了SIFT描述子来描述图像特征。同时针对SIFT特征在检测过程中匹配计算代价大的缺点,提出了基于奇异值分解的SIFT特征点集合匹配方法,实验结果表明该方法在检测效果和检测时间方面取得了一个很好的平衡。