基于改进ORB的抗视角变换快速图像匹配算法

针对快速定向二进制描述（ORB）算法误点率高、像素点对对比易受噪声影响同时抗视角变换能力弱等问题,本文提出基于改进ORB的抗视角变换快速图像匹配算法。该算法在ORB算法的架构下利用加速分割检测算法进行特征提取,并提出特征点加速检测策略,利用改进的二进制鲁棒独立基本特征算法进行特征点描述,同时结合透视变换模型进行图像采样和汉明距离作为相似度量准则进行图像匹配,初匹配后利用网格运动统计算法去除误匹配点。实验表明,本文算法在保持实时性的同时,能够获得较高的匹配精度,和较强的抗视角变换能力,具备较好的工程意义。     

改进仿射尺度不变特征变换算法的图像配准

为了更好地处理匹配效率、重复纹理匹配和仿射不变性匹配等问题,对完全仿射不变特征变换（ASIFT）算法进行两方面改进。匹配框架中特征提取的改进提高了ASIFT算法的匹配效率;利用优化随机采样算法（ORSA）结合以单应矩阵为几何线性约束模型的随机抽样一致性（RANSAC）改进匹配算法,提高了匹配精度和重复纹理结构的适应能力。实验结果表明,提出的改进算法能较好地匹配高度相似纹理,计算量小,计算速度快且精度高。     

基于ORB的快速完全仿射不变图像匹配

ASIFT具有完全仿射不变性,但计算耗时;ORB实时性好,但仿射不变性差。为了在图像匹配中同时兼顾仿射不变性和实时性,利用模拟相机在不同视点下成像的手段使得ORB具备完全仿射不变性,进而提出了一种基于ORB的快速完全仿射不变图像匹配新算法(AORB)。首先通过模拟相机在不同视点下成像以获取模拟的图像,然后用快速的ORB算法对所有模拟的图像对进行匹配,最终取得完全仿射不变性。实验结果表明,该算法能够满足完全仿射不变图像匹配需求,并且相比基于OpenMP的ASIFT计算速度提高了约6倍。     

融合GMS与VCS+GC-RANSAC的图像配准算法

针对当前图像配准算法配准时间过长、配准正确率低等问题,提出一种基于网格运动统计（GMS）、矢量系数相似度（VCS）与图割随机抽样一致性（GC-RANSAC）的图像配准算法。首先,通过ORB（Oriented FAST and Rotated BRIEF）算法对图像进行特征点提取,并对特征点进行暴力匹配。之后,通过GMS算法对图像中的粗匹配特征点进行网格划分,利用网格中正确匹配点邻域内具有较高特征支持量的原理对粗匹配对进行筛选;并引入图像匹配对在进行矢量运算时VCS不超过某一设定阈值的原理对匹配对进行部分剔除,以利于算法后期的快速收敛。最后,运用GC-RANSAC算法进行局部最优模型拟合,得到精匹配特征点集,实现高精度的图像配准和拼接。通过与ASIFT+RANSAC、GMS、AKAZE+RANSAC、GMS+GC-RANSAC等算法对比,实验结果表明,该算法在平均匹配精度上提高了30.34%,平均匹配时间缩短0.54 s。     

一种带有“遮罩”的ASIFT特征提取算法

指出提高ASIFT算法效率的一种新途径:利用“遮罩”屏蔽源自视角模拟的无效像素区域,从而使较为耗时的区域运算仅作用于有效像素区域,以达到提高运算效率的目的.首先,分析无效像素区域产生根源,并定量分析此类区域在各区域运算环节占有的比例,指出增加“遮罩”的必要性,特别指出被处理图像的宽高比越大,则经“遮罩”处理后所获得的加速比越高;随后,给出带有“遮罩”的ASIFT算法结构;然后,给出“遮罩”的一种低存储空间、高访问效率的数据结构,并给出离线获取“遮罩”的一种解析方法;最后,通过实验证实使用“遮罩”能有效提高ASIFT算法中区域运算部分的效率,从而在一定程度上也提高了算法整体的运算效率,但效率提升幅度受到理想区域加速比限制.     

基于同形变换的航空倾斜影像自动匹配方法

针对仿射尺度不变变换提取(ASIFT)算法计算效率低的问题,提出了一种大倾角航空倾斜影像自动匹配方法H-SIFT。该方法利用影像粗略外方位元素计算两幅待匹配影像之间的单应变换矩阵,对左影像进行二维射影变换得到其纠正影像以消除两幅影像之间的几何变形、尺度和旋转问题,再对左影像的纠正影像和右影像进行尺度不变特征变换(SIFT)。匹配时,为了适当提高正确匹配点对的数量,利用不严格的比值提纯法和左右一致性检验得到粗匹配点对,并利用随机一致性检验剔除误匹配。最后将左影像其纠正影像上的匹配点反算到左影像上。通过对国产五倾斜相机平台(SWDC-5)获取的三组典型城区航空倾斜影像数据进行实验,对于三组数据,该算法获得的正确匹配点对数量分别为ASIFT算法的2.18、1.31、1.70倍,该算法匹配耗时分别为ASIFT算法的0.93%、0.88%、0.97%。实验结果表明,与ASIFT算法相比,该算法获得的匹配点对在计算效率、数量和分布情况上都得到了显著提高。     

基于改进ORB和对称匹配的图像特征点匹配

由于ORB算法所提取的特征点不具有尺度不变性,直接匹配会导致较多的错误发生,本文结合SURF和双向匹配算法的思想,提出了改进的ORB算法:SSORB.首先使用不同尺寸盒状滤波模板与积分图像生成多尺度空间,并从中检测出稳定的极值点,使得所提取出来的特征点具备尺度不变的特性;然后使用ORB描述子对特征点进行描述,得到旋转不变的二进制描述子;由于误匹配的存在,在Hamming距离的基础上进一步使用双向匹配来消除误匹配,提高匹配精度.实验结果表明,SSORB有效地解决了ORB不具备尺度不变性的缺陷,在保留ORB算法快速优越性的同时提高了匹配准确度.     

基于改进算法的航拍图像匹配方法

针对无人机航拍过程中因发生机体抖动或机身倾斜而造成的拍摄图像畸变会导致匹配效率低、错误率高的问题,提出一种改进的ASIFT和RANSAC算法相结合的航拍畸变图像匹配策略。对航拍畸变图像采用ASIFT进行预处理,在关键点周围建立的内、外两个八边形邻域内构建112维描述子代替传统SIFT算法的128维描述子,再采用RANSAC算法剔除误匹配点。仿真结果显示,该方法适用于无人机航拍图像的配准,具有仿射不变性,且与传统的ASIFT+RANSAC方法相比匹配速率提高了10%~20%,正确匹配率提高了5%~10%。     

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。     

基于局部聚类的特征匹配筛选算法

特征匹配是图像拼接中的关键步骤之一,基于最邻近与次邻近欧氏距离比值的匹配算法往往存在大量的误匹配,好的筛选算法可以降低误匹配率提高处理效率,因此对于此类算法的研究具有重要意义.早期的RANSAC算法是一种被广泛使用筛选算法,但其存在迭代次数不确定,对BA过程不友好等缺陷.本文提出了一种全新的基于局部聚类思想的匹配筛选算法（LCMF）.利用SURF和ORB提取特征点,使用最邻近算法进行匹配,之后利用LCMF算法进行筛选,实验表明,在使用ORB特征提取时,该算法可以获得较好的筛选效果.     

基于快速视网膜关键点算法改进的图像匹配方法

传统的仿射尺度不变特征（ASIFT）算法通过模拟仿射变化图像实现完全仿射不变性,但是由于尺度不变特征（SIFT）算法本身的低效造成ASIFT的过程非常耗时,为了实现更为高效的图像匹配,引入快速视网膜关键点（FREAK）算法到ASIFT仿射模型中,并基于Lanczos-4插值进行改进。在匹配过程中基于HAMMING距离实现暴力匹配,并结合随机样本一致性（RANSAC）算法改进对匹配点对的提纯,得到了新的AFREAK算法。该算法既能实现完全仿射不变性,又能实现低耗时和低内存占用。实验结果表明,提出的AFREAK算法处理速度上快于ASIFT近2~3倍,并且可以得到与之相似的匹配效果。     

A MapReduce-based indoor visual localization system using affine invariant features

This paper proposes a vision-based indoor localization service system that adopts affine scale invariant features (ASIFT) in MapReduce framework. Compared to prior vision-based localization methods that use scale invariant features or bag-of-words to match database images, the proposed system with ASIFT achieves better localization hit rate, especially when the query image has a large viewing angle difference to the most similar database image. The heavy computation imposed by ASIFT feature detection and image registration is handled by processes designed in MapReduce framework to speed up the localization service. Experiments using a Hadoop computation cluster provide results that show the performance of the localization system. The better localization hit rate is demonstrated by comparing the proposed approach to previous work based on scale invariant feature matching and visual vocabulary.     

An edge-based scale- and affine-invariant algorithm for remote sensing image registration

For remote sensing image registration, we find that affine transformation is suitable to describe the mapping between images. Based on the scale-invariant feature transform (SIFT), affine-SIFT (ASIFT) is capable of detecting and matching scale- and affine-invariant features. Unlike the blob feature detected in SIFT and ASIFT, a scale-invariant edge-based matching operator is employed in our new method. To find the local features, we first extract edges with a multi-scale edge detector, then the distinctive features (we call these ‘feature from edge’ or FFE) with computed scale are detected, and finally a new matching scheme is introduced for image registration. The algorithm incorporates principal component analysis (PCA) to ease the computational burden, and its affine invariance is embedded by discrete sampling as ASIFT. We present our analysis based on multi-sensor, multi-temporal, and different viewpoint images. The operator shows the potential to become a robust alternative for point-feature-based registration of remote-sensing images as subpixel registration consistency is achieved. We also show that using the proposed edge-based scale- and affine-invariant algorithm (EBSA) results in a significant speedup and fewer false matching pairs compared to the original ASIFT operator.     

具有抗仿射性的局部特征点匹配方法

针对现有局部特征匹配算法对具有仿射性的图像匹配效果欠佳、耗时较长,以及随机采样一致性（RANSAC）算法对仿射性图像匹配得不到较好的参数模型等问题,提出一种具有抗仿射性的A-AKAZE（Affine Accelerated KAZE）算法,并用向量场一致性来筛选内点。首先利用非线性函数构建尺度空间,然后借助Hessian矩阵检测特征点,并以特征点为中心选取合适的区域作为特征采样窗口;再把特征采样窗口在经纬度上进行投影以模拟不同角度对图像的影响,随后在投影区域中提取具有抗仿射性的A-MLDB（Affine Modified-Local Difference Binary）描述符;最后利用向量场一致性算法提取内点。实验结果表明：A-AKAZE算法的正确匹配率相较于AKAZE算法提高了20%以上,与AKAZE+RANSAC算法相较提升了15%左右,与ASIFT（Affine Scale-Invariant Feature Transform）算法相比提高了10%左右,相比ASIFT+RANSAC算法提高了5%;而且该算法的匹配速度远高于AKAZE+RANSAC、ASIFT和ASIFT+RANSAC算法。     

基于ASIFT的无缝图像拼接方法

传统图像拼接方法对尺度、视差和光照变化较大的图像配准效果不佳。为此,提出一种基于仿射-尺度不变特征转换(ASIFT)算法的无缝图像拼接方法。采用能够抵抗强仿射情况的ASIFT算法检测特征点,并对特征点进行提取与匹配。利用随机抽样一致算法反复迭代,找到精确的变换矩阵初始值,根据变换矩阵进行2幅图像之间的统一坐标变换,使用加权平滑算法完成图像的无缝拼接。实验结果表明,与基于SIFT特征的拼接方法相比,该方法的图像拼接效果较好。     

基于最大似然估计准则的特征匹配点提纯算法

图像特征匹配的准确度直接影响着图像分析与处理的效率与性能,所以要对图像的特征匹配点进行提纯和过滤。首先使用SIFT算法从图像中提取显著特征,建立粗略的匹配关系,利用最近邻比策略初始化特征匹配点的匹配概率,然后基于混合模型的最大似然估计采用EM算法建立匹配点之间的空间转换模型。EM迭代收敛之后,通过其对应关系过滤掉错误的匹配点。实验数据表明,本方法提纯的平均精度可以达到96.8%,平均召回率为81.6%,平均时间消耗为3.1 s。采用该方法提取到的正确匹配点数高于其他算法,同时对包括大视角差、光线变化和仿射变换等大多数变换具有鲁棒性。     

基于ORB算法和OECF模型的快速图像拼接研究

为了增加移动机器人视觉导航中的成像范围,提出了一种基于ORB算法和OECF模型的图像拼接算法,获取的图像进行预处理后,先利用SIFT算法提取特征点,再用ORB算法获取特征点的二进制码串描述子进行匹配,而后通过投影变换模型获取参数,最后估计摄像机的光电转换函数OECF（Opto-Electronic Conversion Function）,利用Laguerre OECF模型参数对拼接图像进行色彩调整,解决了多幅图像拼接中颜色不一致的问题。实验结果表明,该算法能有效地对图像进行拼接,配准速度和拼接视觉效果和优于其他算法。