基于全概率更新的改进RANSAC算法

针对鲁棒性模型估计问题,提出一种基于全概率更新的改进RANSAC算法.该方法利用混合分布模型获取测试样本点的初始概率估计.在RANSAC算法框架下,根据模型估计与测试样本点对一致集的适应度建立全概率评价准则.在此基础上,采用逆变映射作为采样策略,提高了算法的收敛速度;同时,运用测试点平均概率对所提出算法进行了收敛性分析.最后,通过仿真与实际图像匹配实验进一步验证了所提出算法的有效性与可行性.     

一种改进的RANSAC图像拼接算法

针对RANSAC算法迭代次数过多导致的图像拼接效率不高的问题,提出一种改进的RANSAC图像拼接算法;首先采用SIFT算法提取尺度不变特征点,利用双向互匹配策略对特征点进行匹配,在使用RANSAC算法计算单应性矩阵之前,利用相邻特征点之间的关系对初始特征点对进行筛选,最后使用加权平滑法完成图像的融合;实验结果表明该方法有效地减少了特征点对数,提高了RANSAC的运行时间,图像拼接效率有了很大的提高。     

基于改进遗传算法的基础矩阵估计方法

基础矩阵估计是计算机视觉的基础。提出了一种新的基于改进遗传算法的基础矩阵估计方法,它以8个匹配点作为最小匹配点集组成染色体,并利用改进8点法估计出相应的基础矩阵,同时以对极距离为核心构造适应度函数,并对传统遗传算法进行了优化改进。实验证明,此方法在估计精度和鲁棒性等方面有很大提高,易于实际应用。     

基于改进RANSAC算法的单应矩阵鲁棒估计方法

单应矩阵的鲁棒性和精度直接决定了其应用效果,如何利用RANSAC算法估计出鲁棒、精确的单应矩阵,仍是一个有待研究的热点问题。针对传统RANSAC算法迭代次数多、运行时间长、单应矩阵估计精度较低的问题,在SIFT特征匹配算法的基础上,从剔除样本集中不符合图像几何特性的部分外点、快速舍弃不合理单应矩阵和迭代精炼单应矩阵等方面对RANSAC算法进行改进,提出一种基于改进RANSAC算法的单应矩阵估计方法,提高了单应矩阵估计的精度和效率。实验结果表明,该方法有效解决了传统RANSAC算法存在的问题,能够快速、精确估计单应矩阵。另外,对于不同视角和大小的图像,该方法均具有较好的鲁棒性。     

基于遗传算法不同策略下的基础矩阵估计方法

在未定标系统中，对极几何约束给出了图像间的全部信息，成为解决许多视觉问题的关键环节，提出了一种基于遗传算法不同策略下的基础矩阵估计方法，它利用每个基因代表一个匹配点，每条染色体作为基础矩阵计算时的最小子集，并根据染色体长度决定采用何种策略估计基础矩阵，此方法在很大程度上减小了出格点对估计过程的影响，能够较好地汇聚到全局最优解，模拟数据和真实图像的实验结果都表明，所给出的方法能够有效地检测和删除错定位和误匹配点，提高了基础矩阵估计的鲁棒性和精度。     

基于射影空间的视觉基础矩阵鲁棒估计

针对传统视觉基础矩阵计算中存在的噪音和误匹配问题,提出了基于射影空间的基础矩阵计算方法．首先定义了三视几何中射影标准基下基础矩阵只含有5个参数的特殊形式,并利用三视射影重建中空间点反投影图像误差最小为准则,消除了图像中误匹配的影响,然后基于RANSAC(random sampling consensus)技术寻找出最优7个匹配点（噪音最小）来进行对极几何估算．大量仿真模拟试验和真实图像表明此方法能够高精度地估计出基础矩阵．     

一种加权计算基础矩阵的高精度算法

分析了图像匹配点对基础矩阵的不同影响,引入具有明显几何意义的匹配点到对极线的距离作为匹配点的加权因子,将匹配点集合看作随机变量并将加权因子作为匹配点的概率分布。在此基础上对原始图像数据进行归一化处理,利用8点算法得到基础矩阵。大量的试验结果表明,该方法明显降低了计算余差,提高了基础矩阵的计算精度。     

一种基于FAST和改进的RANSAC图像匹配方法

为解决双目测量炸点坐标匹配过程中耗时长,高错配性的问题,提出一种基于FAST特征点检测和改进的RANSAC图像匹配方法。改进的RANSAC算法采用自适应阈值方法,具体为将匹配点与其变换模型之间距离的平均值作为算法中阈值选取的依据。实验证明,提出的改进算法可以提高匹配精度和准确率,缩短匹配时间,实现图像的快速匹配。     

基于本质矩阵的摄像机自标定方法

本质矩阵描述了在摄像机内参数矩阵已知的条件下的对极几何关系,是归一化图像坐标下的基础矩阵。鉴于本质矩阵具有两相等的非零奇异值,提出了一种基于本质矩阵的自标定方法,该方法首先利用本质矩阵这个特性来构造目标函数,考虑到传统非线性优化算法的诸多不足,最后用粒子群优化算法来求解。实验结果表明,该方法精度较高、鲁棒性较强,是一种简单而有效的自标定方法。     

基于单目视频帧的基础矩阵鲁棒估计算法

为从视频图像获得鲁棒的基础矩阵,提出一种适用于视频帧的基础矩阵鲁棒估计算法。利用连续3帧为一组,分别在连续帧间两两匹配,确定最优和较优的2个子样本集,在较优子样本集中随机抽取采样,使用新的预检验方法,获得初始矩阵。并结合匹配点的分数和内点率作为权重因子,加权估算出待优化基础矩阵。由第一帧和第三帧对应于中间帧的两条极线交于同一点,构成约束关系,利用光束平差法对2个待优化基础矩阵同时进行优化。实验表明:该方法在精度和鲁棒性上,相比传统方法均能有明显提升。     

一个基本矩阵的鲁棒估计算法

通过分析基本矩阵的鲁棒估计方法的特点,提出了三点改进：在RANSAC（RANdom SAmpling Consensus）方法中采用了极小化再投影误差判别数据点的类别;给出再投影误差的一阶近似算法;由求出的基本矩阵和局内点数据采用LM算法对结果过一步求精,给出更好的基本矩阵估计值,使得再投影误差进一步减小,避免结果趋于局部极值。合成数据和真实图像实验均证明了该方法的有效性和可靠性。     

具有Harris角点的RANSAC交通标志检测算法

考虑到交通标志具有颜色与形状这两个特征,提出了一种具有Harris角点特征的随机抽样一致性(RANSAC)算法来对交通标志进行检测.通过对含交通标志图像进行颜色特征提取后利用Canny算子对边缘进行检测,再利用Harris角点检测算子来提取初步检测后图像的角点,最后通过RANSAC算法与检测模型进行匹配进行检测,得出结果.仿真实验表明:该算法在检测率上达到了84%,也基本满足了实时性的要求.     

基于2点RANSAC的无人直升机单目视觉SLAM

1点随机抽样一致性(RANSAC)算法是一种准确度高、计算量小的数据关联算法,但是其在摄像机多个轴上的角速度都快速变化时会失效,用在以无人直升机为载体的单目视觉同步定位与地图构建(SLAM)上存在滤波发散的风险.针对该问题,提出2点RANSAC算法,结合EKF运动模型的先验信息,用只抽样2个匹配点的RANSAC去除野点.在微小型无人直升机平台上进行了基于2点RANSAC算法的单目视觉SLAM实验,实验结果表明2点RANSAC算法工作可靠,SLAM的位姿估计精度可以达到自主飞行需要.     

一种无需基础矩阵的鲁棒性极线校正算法

立体视觉校正也称为极线校正,它的目的是使得立体图像的对应极线平行于水平方向,消除垂直方向上的视差,从而使得在立体匹配过程中可以更为快速准确地寻找对应点.在传统的投影校正算法的基础上提出了一种鲁棒性校正算法,直接通过原始匹配点计算投影变换矩阵,利用遗传算法良好的全局搜索能力和Levenberg-Marquardt算法稳定快速的局部搜索功能进行分步优化计算,同时本算法采用了随机抽样一致算法（RANSAC）鲁棒估计思想,避免了由于对应点噪声引起的误差.此外,还针对两个平行放置的摄像机之间具有较小运动的情况,提出了一种鲁棒的优化函数.实验结果说明,该算法是一种有效的极线校正方法.     

一种新的基于椭圆模型的鲁棒估计方法

提出一种在数字图像中估计椭圆模型参数的鲁棒方法.该方法采用自下而上的思路,结合RANSAC(Random sample consensus)算法,先将图像中的样本分割成具有类内结构相似性的子类群,再依据类间拟合相似性将子类合并,最后在完成聚合的类中估计出模型参数.该方法的优势在于无约束性,不需要先验条件,可以在模型的数量、尺度等信息未知的情况下进行参数估计,并有效抑制离群数据影响.实验结果表明,该方法估计精度较高,鲁棒性能良好.     

排除光流错误跟踪点的鲁棒方法

针对光流法用于跟踪光照变化和部分遮挡情况下的物体容易产生漂移的问题,通过比较跟踪点与该点补集映射关系产生的投影点之间的距离,提出了一种光流错误跟踪点排除方法——异类距法.首先证明了异类距排除误差最大元素的正确性;然后在静止场景受光照变化和部分遮挡情况下,给出了异类距排除错误跟踪点以及摄像机姿态矩阵在时间序列上的分布.针对视频序列的抖动情况,与传统方法进行比较的实验结果表明,该方法对于排除错误跟踪点是鲁棒的.     

立体视觉中基本矩阵的改进投影M估计方法

在立体视觉与图像运动分析中，需要排除特征误配点的影响进而得到精确的基本矩阵估计。针对EIV(Error In Variables)模型中基于投影的M估计方法存在的核密度估计和正常点与异常点阈值确定的局限性，提出一种改进的投影M估计算法：首先给出新的用于搜索极值点的自适应核密度估计函数，然后改进了正常点的确定方法。对模拟及真实数据进行了实验，验证了改进投影M估计方法的有效性及稳健性。     

基于概率抽样一致性的基础矩阵估计算法

随机抽样一致性算法是应用最广泛的鲁棒性基础矩阵估计算法之一.针对随机抽样一致性算法效率低的问题,提出一种基于概率分析的随机抽样一致性算法.该算法减少首次抽样的次数,利用预检验技术确定一个较优的模型子集,通过定义样本属于该较优模型的概率来选择内点概率大的样本子集,并通过多次迭代得到一个只包含内点样本的子集.模拟数据和真实数据的基础矩阵估计实验表明,算法在计算效率和精度上均优于随机抽样一致性算法.     

改进的RANSAC算法在图像配准中的应用

为了提高图像配准的速度,提出了一种基于改进的随机抽样一致性（RANSAC）算法的快速图像配准方法。该方法首先采用Harris角点检测算法提取出参考图像和目标图像的特征角点,然后利用灰度相关性进行特征角点的匹配,最后采用基于预检测的RANSAC算法快速而精确地估计变换矩阵,进行图像配准。该算法中采用预检测的方法快速抛弃那些不是候选模型的临时模型,提高了算法的速度。同时使用随机块选取法选择样本,很好地消除外点的影响进而保证精度。实验结果表明,此方法在得到较高的精度和鲁棒性的情况下,还大幅度减少了运算量,提高了图像配准的速度。