结合全局信息的SIFT特征匹配算法

提出了结合全局信息的SIFT特征匹配算法,解决了图像中存在多个相似区域时造成误匹配的问题。首先,在尺度空间检测出特征点;其次,生成特征向量,特征向量包含两部分：基于局部信息的SIFT向量和基于全局形状信息的全局向量;最后,采用BBF(Best Bin First)算法进行搜索,并采用欧式距离作为度量函数进行特征向量的匹配。实验结果表明：改进后的算法能够在更大的范围内表征特征点的信息,所用图像误匹配的概率由19%下降到了11%,改善了匹配效果。     

基于SIFT-SUSAN算法的零件图像特征提取研究

把SIFT-SUSAN算法应用在零件图像的特征提取上,检测图像的特征极值点。首先对采集的图像进行均值滤波和Laplace锐化预处理,以此增强图像的边缘响应;利用高斯卷积和高斯差分建立尺度空间域;再利用SIFT算法提取空间极值点,并引入SUSAN算子检测空间角点;计算两种特征点的位置,生成特征描述子,实现零件图像的匹配。通过对垫片、螺母和轴承盖零件分别采用SIFT算法和SIFT-SUSAN算法进行对比试验,实验表明:SIFT-SUSAN算法结合了图像区域和边缘角点特征,得到更多的匹配点,提高了图片匹配的正确率。     

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。     

基于局部特征提取的目标自动识别

提出一种基于局部特征提取的目标识别方法,用于自动识别不同尺度,视角和照度条件下的目标.首先,建立图像的尺度空间;结合海森矩阵和Harris算法提取局部特征点,计算该特征区域的方向和灰度梯度及方向;统计出每块子区域的标准灰度梯度直方图,得到128维的特征向量.然后,基于主成分分析的降维算法来降低特征向量的维数,加快识别的计算速度.最后,采用特征空间分类器增加目标识别的速度.实验结果表明:基于局部特征提取的目标识别达到了较高的识别率,在视角、尺度和照度变化下的识别率分别为61.9％,80.5％和84.4％,平均识别时间为130.9 ms.与尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比,本算法不仅在不同的视角,目标尺度及照度条件下具有较高识别率,而且识别速度比SIFT方法高.     

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%。     

用于遥感图像目标快速匹配识别的改进混合溢出树算法

提出一种基于标记的混合溢出树(SHSPT)特征匹配算法,用于遥感图像的目标匹配识别。针对特征数据建立和预处理,提出了基于中心点的数据分割方法,通过定义数据密集区域的中心,舍去边缘稀疏数据,提取出分割后的数据。进行特征匹配时,使用二进制数组表示数据空间,标记分割后的特征向量数据,通过比特操作计算特征向量间的距离,缩短计算时间。最后对特征匹配方法进行改进,采用待匹配特征距离的均值代替尺度不变特征变换(SIFT)匹配算法的次临近特征距离,从而得到更多的匹配点。实验证明,基于标记的混合溢出树特征匹配算法占用内存空间比传统的混合溢出树算法减少约68%,匹配准确度与原算法接近,匹配时间平均缩短了约32.8%,解决了航天遥感图像数据量大,特征维数较高,匹配识别时间长,占用计算机内存大等问题。     

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。     

基于改进局部敏感散列算法的图像配准

为实现图像间的快速准确配准,在局部敏感散列(LSH)算法基础上,提出一种高效的高维特征向量检索算法—改进的LSH(ELSH)算法用以图像特征间的检索配对,从而实现图像间的配准.该配准算法首先采用尺度不变特征变换(SIFT)算法提取图像的特征点并进行描述,得到图像的高维特征向量.然后,根据随机选择的若干子向量构建哈希索引...     

改进SIFT特征粒子群优化的机器人视觉图像配准模型研究

针对机器人视觉图像尺度小、重复率低、数据量大和实时性差等特点,以提高图像配准效率、减少配准时间为目的,提出了改进SIFT特征粒子群优化的机器人视觉图像配准CSIFT-QPSO算法。CSIFT-QPSO算法通过建立S金字塔对SIFT算法进行改进,达到降低空间复杂度和减少极值点数量的目的,并将改进后的SIFT算法与QPSO算法中适应值函数相融合,将当前检测到的极值点与最近更新的目标模块相配准,从而更具鲁棒性地应对机器人视觉图像的配准问题。通过Matlab软件进行仿真,仿真结果表明:CSIFT-QPSO算法具有较高的配准精度和较少的配准时间,适用于对实时性要求较高的机器人视觉图像配准系统。     

基于高光谱图像的改进SIFT特征提取与匹配

针对尺度不变特征变换(SIFT)算法所提取图像特征点数量少、误匹率高的问题,提出了一种基于高光谱图像的改进SIFT算法。首先,依据传统SIFT算法中高斯金字塔的构造思想,结合在不同波段下的高光谱图像具有相同宏观特征的特点,首次用高光谱图像作为原始算法中经高斯变换产生的图像,使得检测到的具有实际意义的特征点数量大幅增加;其次,传统SIFT算法以及大量的改进方法都只通过目标象元邻域范围内的像素信息来构造特征描述符,而忽略了像素点的位置信息,文中将目标象元的位置信息纳入了特征描述符,在特征描述符的匹配阶段,在利用邻域范围内的像素信息进行粗匹配之后,利用特征描述符中的位置信息进行精细匹配。仿真实验结果表明在限定最优值与次优值之比的情况下,采用高光谱图像构造高斯金字塔的方式能显著增加特征点的提取数量,更多地挖掘出图像中的极值点;在特征描述符中加入目标象元的位置信息作为特征点匹配第二阶段的判断依据,正确匹配数量达到原方法的59倍以上,极大提升了算法的匹配性能。     

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。     

基于SURF的快速图像匹配改进算法

针对传统SURF算法在图像匹配中使用固定阈值提取的特征点不均匀、匹配正确率低以及时间复杂度高的问题,提出一种基于SURF算法的快速图像匹配改进算法。首先,通过对Hessian矩阵行列式值分布的统计分析,提出一种阈值自适应方法来提取更有效的特征点;然后采用四叉树方法对所提特征点进行均匀化以降低误匹配率,并提出一种划分深度自适应的方法对四叉树算法进行改进,防止四叉树过度划分;最后,本文首次将BEBLID二进制描述子与改进SURF算法相结合,利用基于机器学习的采样模式对特征点构建具有强描述性的二进制描述子,在提升匹配正确率的同时加快匹配速度。实验结果证明,本文所提算法在Mikolajcyzk图片数据集测试中的匹配正确率比传统SURF算法高9.7%～27.0%,算法速度比SURF提高了50%以上。对比SIFT、SURF、BRISK、ORB算法,本文所提改进算法具有更优的鲁棒性和实时性。     

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。     

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。     

基于视觉注意模型的SIFT图像配准算法研究

针对SIFT配准算法提取图像特征点较多,配准点冗余,容易误配,存储空间大,匹配耗时多等缺点,根据认知心理学的相关理论,提出一种基于视觉注意模型的SIFT特征提取算法,并应用于复杂背景下的多目标图像配准。本算法首先利用视觉注意模型提取输入图像的显著目标,然后使用SIFT算法对显著目标区域配准。实验结果表明,本算法减少了复杂背景下大量的干扰信息和特征点,提高了配准精度和效率,取得了较好的配准效果。     

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。