局部二维特征点马氏距离匹配方法

在融合具有尺度、旋转不变性、快速性和鲁棒性特点的SIFT算法和SURF算法的基础上,对基于传统局部二维特征点的欧氏距离匹配方法做了改进。采用基于马氏距离仿射不变性匹配方法,用RANSAC方法剔除误匹配点,取得了更稳健的匹配效果。分别对Open SIFT和Open CV的SURF代码进行马氏距离匹配改进,证明了基于Open CV的SURF马氏距离匹配的优越性。试验结果表明该方法更具可行性和鲁棒性。     

基于改进的SIFT算法的工件轮廓配准方法

工件轮廓的配准是机器人视觉引导系统中对工件位姿感知的重要组成部分,通过工件轮廓与模板轮廓的配准可以获得工件的位姿信息,从而引导机器人进行抓取和安装。文中针对图像配准算法中特征提取的SIFT算法计算复杂、特征提取效率慢的缺点,在工件轮廓特征提取过程中,直接在原图像上计算高斯尺度空间图像,不进行上下采样,最后在高斯差分图像上寻找极值点作为轮廓特征点,最后通过与模板提取的特征点进行逐个匹配,按照重合度进行排序,选择重合度最高的特征点计算仿射变换的参数。实验表明,改进的SIFT算法能够完成工件轮廓图像与模板轮廓图像的配准,并将特征提取速度提高了近10倍。     

基于SIFT算法的鞋印图像配准的研究

研究了鞋印图像定位及匹配问题,首次在鞋印匹配中引入了基于尺度不变特征变换SIFT(Scale-invariant feature transform)算法,并提出一种基于改进的SIFT算法的鞋印图像匹配方法。由于算法具有良好的尺度、光照等不变特性而适用于鞋印图像匹配中。在图像生成特征点之前采用一种二次定位算法,使经过定位的鞋印图像处于同一竖直位置。在分析SIFT特征向量生成过程的基础上,以最小欧式距离作为判断特征点是否匹配的标准,并用最小欧式距离与次小欧氏距离之比来剔除匹配无效点,提高SIFT特征匹配效率。大量实验数据证明,该改进的SIFT算法在保证图像匹配率和算法鲁棒性的情况下,不仅可有效缩短匹配时间,同时还提高了图像匹配精度。     

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。     

改进的抗全仿射尺度不变特征变换图像匹配算法

针对现有匹配算法难以解决图像发生仿射变换特别是发生大视角变换时的有效匹配问题,本文对匹配稳定性较好的尺度不变特征变换(SIFT)算法进行了深入研究和改进.借鉴其模拟和归一化相结合的思想对相机光轴的经度角和纬度角进行模拟并采用SIFT算法进行匹配.结果显示,提出的算法不仅保留了SIFT原有的对仿射变换的抵抗能力,而且对视...     

基于Kinect传感器的室内机器人自定位研究

针对同步定位地图创建（SLAM）中的定位问题,提出一种基于Kinect传感器的室内机器人自定位方法。利用Kinect传感器采集图像信息和深度信息,获取场景图像的SIFT匹配特征点集,并将特征点集的像素和深度信息转为三维数据,利用ICP算法计算机器人相邻位姿的旋转矩阵与平移向量。采用RANSAC方法去除SIFT匹配外点,提高了运动参数的计算精度。通过实验验证该方法的可行性。     

采用仿射变换的桨叶变形摄像测量Newton-Raphson算法

提出一种基于仿射变换的(Newton-Raphson,简称N-R)数字图像相关算法.首先,采用人机交互的方法在变形前后的图像中选取匹配特征点,计算仿射变换参数;然后,根据仿射变换位移模式计算目标子区中心点的位移,将其用作N-R算法的初值.为降低计算量,采用全场插值,插值运算次数降为常规插值的1％左右.仿真测试表明,基于仿射变换的N-R算法在精度保持不变的情况下显著减少计算时间,克服了常规N-R算法计算量大、效率低、只适用于无刚体转动目标等缺陷,为开发直升机桨叶变形摄像测量系统提供了算法基础.     

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。     

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%。     

图象特征点提取及匹配算法

针对图像特征提取与匹配的适应性和准确性的问题,本文提出将尺度不变特征变换算法应用到图像特征点提取与匹配。算法首先采用SIFT提取图象的特征点及其描述,然后采用基于置信度的匹配算法进行特征点的匹配。通过对不同光照条件、焦距、拍摄角度的图像进行特征点的提取及匹配,实验结果表明,本文算法对图像的平移、旋转和仿射变换具有很好的适应性和准确性,可以进一步应用到图像识别,图像重建等领域。     

基于SIFT算法的目标匹配和识别

针对目标跟踪过程易受噪声干扰导致跟踪效果不理想,甚至丢失跟踪目标的问题,利用了尺度不变特征变换（SIFT）方法对单帧图像进行了目标特征点的提取和匹配,并结合线性卡尔曼滤波和聚类分析,剔除误匹配,实现了目标位置的最小均方误差估计。仿真结果表明,当图像存在不同程度的噪声影响时,基于SIFT的卡尔曼滤波目标匹配算法能有效减小目标跟踪误差,精确识别目标位置,提高目标跟踪精度。     

基于仿射尺度不变特征变换的掌纹识别

相比传统接触式采集方法,非接触采集是目前掌纹识别的趋势和主流,但其低约束性可能导致人手和图像传感器平面不平行,从而使掌纹产生仿射变形.传统的尺度不变特征变换(scale invariant feature transform,SIFT)对此识别效果不佳.针对这个问题,提出一种改进方案,即基于仿射尺度不变特征变换(affine scale invariant feature transform,ASIFT)的掌纹识别方法,建立了变形掌纹的仿射模型,模拟了相机光轴的经度角和纬度角,在仿射空间内提取图像特征.通过基于实际环境所建立的掌纹库——SUT图库验证算法性能,与SIFT算法及目前典型的掌纹识别方法进行对比.结果表明,ASIFT方法具备良好的抗掌纹仿射变形性能,等误率仅为0.6％,证明了该方法能够成功解决掌纹变形问题,鲁棒性和稳定性强,具备优越性.     

仿射变换的飞行器识别

为了快速识别数字图像中的飞行器类型,在取得飞行器闭合轮廓线的基础上,提出了基于飞行器结构特征点和仿射变换的飞行器识别算法.利用飞行器的对称性,确定飞行器的特征点;将这些特征点作为两幅不同图像的匹配点,计算数字图像之间的单应矩阵;根据所得的单应矩阵进行仿射投影,将一幅图像中飞行器的轮廓线投影到另一幅图像上,并对该图像上的两个飞行器的轮廓进行比对,判断这些图像中的飞行器是否为同一类型.实验表明:在取得飞行器闭合轮廓线的前提下,可在0.2 s内给出判定结果,基本满足指挥自动化系统对目标识别模块的稳定可靠、快速准确的要求.     

基于FKICA-SIFT特征的合成孔径图像多尺度配准

针对合成孔径(SAR)图像的配准,提出一种基于仿射不变快速核独立成分分析-尺度不变特征变换(FKICA-SIFT)的多尺度配准方法.首先,根据特征点的Hessian矩阵构建仿射不变SIFT描述子.接着,利用FKICA提取该描述子的独立成分得到新的描述子FKICA-SIFT.然后,利用该描述子对Steerable滤波后的...     

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。     

基于区域分块与尺度不变特征变换的图像拼接算法

针对图像匹配算法计算量大,实时性差的问题,提出了一种基于区域分块与尺度不变特征变换(SIFT)相结合的图像拼接算法。该算法利用图像能量的归一化互相关系数快速分割出匹配图像与待匹配图像间的相似区域,利用SIFT算法在重叠区域中搜索出能用于匹配的图像特征点并实现快速精确配准。然后,通过对图像进行了几何校正和图像融合来实现图像序列间的无缝拼接。实验结果表明,该算法减少了传统SIFT算法的大量无用搜索,改善了图像的几何失真,降低了算法复杂度,提高了图像匹配的速度,在保证90%以上的匹配准确率的基础上,计算时间较传统SIFT算法减少了近50%。提出的算法可准确、快速地实现有形变和尺度变换图像的无缝拼接。