基于SIFT和Hu特征融合的算法研究

基于SIFT和Hu特征融合的单目视觉识别算法是一种融合了局部特征和整体特征的不变矩融合算法。通过基于SIFT和Hu特征融合的单目视觉识别算法能够对三维物体图像的整体信息进行定义和把握,进而实现对物体的合理定位分析。另外,局部特征能够辅助全局特征对三维物体的特征进行更准去的定位和匹配。这种算法具有良好的伸缩能力、旋转能力、位移能力和抵抗能力,能够有效解决三维物体的匹配问题,同时提升系统的识别能力和工作效率,基于此,文章对SIFT和Hu特征融合的单目视觉识别算法进行研究。     

SIFT特征和正交DLT算法在物体识别中的应用

结合SIFT特征和正交DLT算法,给出一种较为精确的物体识别方法.该方法首先采用SIFT特征描述子进行测试图像关键点的提取,然后将测试图像和模型数据库中模型的特征点逐一匹配,设定匹配阈值,若匹配达到该阈值,则认为匹配成功,最后通过正交DLT算法在测试图像中识别该模型的位置.SIFT特征与正交DLT算法的结合有效地提高物体的识别精度.实验结果表明,该方法具有较强的鲁棒性,不仅可以在复杂背景下,较好地识别模型在测试图像中的位置,而且还可以在物体被部分遮挡的情况下,较为准确地对物体进行定位.     

基于PCA-SIFT特征的目标识别算法

针对尺度不变特征变换(SIFT)算法在匹配时特征向量过多,从而导致耗时过长的问题,提出PCA-SIF]算法,对目标进行匹配与识别.首先,利用SIFT算法提取出原图像中稳健的特征点以及特征向量;其次,利用PCA算法对SIFT特征向量的维数进行约减;最后利用降维后的图像与原始图像进行匹配.实验证明,与原始SIFT算法相比,该算法不仅保持了SIFT算法的鲁棒性和稳定性,同时提高了匹配效率,增强了实时性.     

基于多目标优化的SIFT特征匹配算法

SIFT算子在实际应用中,由于地面图像本身特征不明显且提取出的特征点多、乱以及灰度变化不明显等特点的影响,从而导致特征点误匹配。为此提出一种改进的SIFT图像特征匹配算法。该算法是在SIFT特征匹配的基础上,利用多目标优化算法,建立相关匹配模板,利用给定同一场景的两幅图像,寻找同一场景点投影到图像中的模板之间的相关性建立数学模型即目标函数,根据同一幅图像中模板间的距离建立边界约束条件,从而剔除一些误匹配点。实验表明,该算法可以有效地提高图像匹配精度。     

基于SIFT特征与预测的运动目标检测算法

为了在动态场景下对运动目标进行快速检测,提出一个改进的SIFT特征匹配的检测算法。首先采用SIFT方法提取匹配的特征点;然后为全局运动建立起旋转参数模型,并使用RANSAC方法排除外点的影响,运用最小二乘法求解全局运动参数;最后利用基于残差图像块的更新策略对特征点进行更新。该算法是基于预测的SIFT特征点匹配算法,不仅保持了SIFT方法的优越性能,而且提高了检测目标的速度。与块匹配算法的实验结果对比表明,该算法可以实时准确地检测出运动目标。     

基于Harris-SIFT算法的双目立体视觉定位

针对基于尺度空间对图象保持不变性的SIFT算法在双目立体视觉应用时实时性差、误匹配等问题,提出一种运用Harris-SIFT算法进行双目立体视觉定位方法.通过介绍双目立体视觉的模型原理,利用Harris-SIFT算法从左右摄像机分别获取的图像中检测目标,并获取匹配目标的特征点,对两幅图像中目标物体的坐标标定,通过计算可得到目标物体的深度距离,还原其三维信息.实验证明,运用Harris-SIFT算法使该系统的实时性能和距离精度得到提高.     

光传感器监控系统中行人识别模型的研究

针对传统的行人识别模型行人识别速度慢的问题,设计了一种光传感器监控系统中行人识别模型。引入抛物线拟合,将三维场景中的点阵聚合成现实场景中的物体,对监控区域三维重建,在此基础上,采用野点去除和噪声去除的方法去除外界因素对行人目标造成的高频干扰,采集行人区域数据。采用红外图像分割方法,分别对行人目标与背景建模,最后将行人目标模型与背景模型结合生成行人识别模型。实验对比结果表明,此次设计的光传感器监控系统中行人识别模型比传统的图像阈值分割模型、激光雷达行人识别模型、模板匹配行人识别这三种传统模型行人识别速度快,能够满足行人识别需求。     

采用频闪成像技术的柔性气动外形运动物体SIFT特征跟踪(英文)

近年来,有关微型飞行器的结构动力学、材料气动弹性以及飞行控制方面的研究受到了高度的重视。为了提高飞行器的空气动力学检测能力,提出了一种基于频闪成像技术的柔性气动外形物体跟踪方法。利用尺度不变特征转换(SIFT)算法提取出的特征对于图像的尺度变换、旋转以及光照变化和局部图像变形等具有的不变特性,提出了一种利用感兴趣区域中SIFT特征对柔性气动外形运动物体进行探测与跟踪的方法。该方法在获取物体的状态、位置以及空间转换关系等方面表现出良好的性能,并且为同一场景中同一物体在不同位置之间的相互匹配提供了可靠保证。实验表明:在该实验系统中,基于频闪成像技术、利用SIFT特征作为柔性气动外形物体探测的方法具有一定的可行性。     

基于SIFT特征的复杂环境下目标跟踪算法研究

为有效地解决复杂背景情况下运动物体有效跟踪问题,利用SIFT特征匹配算法的尺度不变、旋度不变的特性优越性,提出了一种优选的匹配方案.运动目标采用背景减除法分割提取,通过优化的SIFT算法快速地检测特征点,计算出其相应的坐标,并有选择性的更新相应特征点的坐标,然后重复提取运动目标,刷新背景区域,融合多特征信息,更准确地匹配图像中特征点.实验表明,本算法有效改善了光线变化,运动物体发生尺度变换等复杂环境下的目标跟踪效果,具有较强的鲁棒性.     

基于Faster R-CNN的仓库视频监控目标检测方法研究

针对目前电力仓库视频监控图像中目标检测算法对小目标物体、部分遮挡及尺寸大小不一存在检测难度大、漏检、错检等问题,提出基于Faster R-CNN的仓库视频监控目标检测方法,实现电力仓库视频监控中目标分类与识别及仓库智能化监控,保护仓库安全。实验结果表明,该方法提高了目标识别的准确度(m AP),减少了目标物体识别时间。     

SIFT与SURF特征提取算法在图像匹配中的应用对比研究

SIFT算法和SURF算法是图像特征提取和匹配的典型方法,广泛应用于目标检测、图像理解与识别等领域,然而对二者尚缺乏较深入的对比研究。针对这两种算法,采用实验室相机实拍图像和低空无人机实拍图像,以不同的图像旋转角度进行特征点提取和图像匹配实验,从匹配成功率和运行效率两个方面对算法的性能进行对比研究。结果表明,SIFT算法具有较好的图像旋转不变性,匹配精度较高,而SURF算法匹配精度较低,但是效率较高,因此在实际应用中可根据具体需求合理选择。     

基于对极几何约束的SIFT匹配

以系统图像三维重构的对极几何约束和SIFT匹配为主要研究内容,给出了SIFT特征匹配算法。分析基于对极几何约束的SIFT匹配点检测的基本原理;研究了图像二维平面间的射影变换,并建立了相应的数学模型;通过应用某两幅灰度数字图像进行仿真验算,证明了对极几何约束的SIFT匹配的可行性;为相机系统识别目标在不同方位的特征信息提出了一种新的研究思路。     

基于不变因子的SIFT误匹配点剔除及图像检索

为解决尺度不变特征变换(SIFT)算法在图像发生旋转和尺度变化时产生的错误匹配问题,提出一种新的算法。根据SIFT提取的关键点信息,利用正确匹配点对间的旋转不变因子和尺度不变因子来剔除SIFT误匹配点,然后对保留下来的特征点进行聚类分析,对目标图像进行识别判断,并通过实验将该算法与双向匹配算法和随机抽样一致性算法(RANSAC)进行比较。实验结果表明,该算法能够有效地剔除误匹配点,且误剔除率低。剔除误匹配点后再进行图像检索,图像的漏检率和误检率都大大地降低了。     

基于SIFT特征的多视点云数据配准和拼接算法

针对无特征标志点的大场景多视点云数据,提出了一种新的基于SIFT特征的配准和拼接算法。算法提出了有效纹理图像的概念,并对有效纹理图像进行SIFT特征提取和匹配;然后将提取的SIFT特征点和匹配关系反射到三维点云数据,获取多视点云数据的特征点和匹配关系,完成多视点云数据的拼接。算法在有效纹理图像中提取和匹配特征点,排除了点云数据中孔洞和无效数据的干扰,并且算法只利用较高鲁棒性的特征点对进行拼接,计算简单,匹配精度和效率都得到提高。对室内和室外两个大场景的2个视点数据进行实验,实验结果证明拼接速度和精度都有较大的提高。     

基于改进加权融合算法的运动场景图像拼接

在图像匹配、融合过程中,由于图像中运动物体的存在,使得融合后的图像可能出现鬼影。鬼影消除一直是图像拼接技术的重点和难点。针对这一问题,现提出一种基于SIFT和改进加权融合的运动场景图像拼接方法。首先,采用对尺度具有鲁棒性的SIFT算法进行特征点的提取与匹配,使用RANSAC算法求出图像间的变换矩阵H,最后利用文中提出的改进加权融合算法完成图像的无缝拼接。整个过程完全自动地实现运动场景的图像拼接,消除了运动鬼影。实验结果验证了该方法的有效性。     

NCC特征匹配的类脑视觉识别记忆算法

大脑能在较短的时间内以较高的准确率对物体、场景等进行识别;而现有的机器学习算法则可能因图像的微小变化而无法成功识别对象。这主要是因为现有的机器学习算法在识别过程中着重逐层从对象的低级特征提取高级特征,而不能从观察对象的图像中直接提取高级特征。故可建立模型,以Normalized Cross Correlation(NCC)算法对其特征匹配部分进行了区域匹配,通过建立类脑视觉识别记忆模型,对算法的速度、识别率以及对图像灰度变化的鲁棒性进行了仿真分析,验证了算法的可行性,为之后的识别算法提供新方向。      

基于显著性和SURF的家居服务机器人物体识别算法

物体识别是家居服务机器人的主要问题之一,考虑到家居非结构化环境下物体识别的复杂性,将不依赖图像分割的局部特征作为关键特征.针对传统SURF算法运算量大的问题,模拟生物视觉功能,提出了一种基于显著性区域指导的局部特征算法.首先采用视觉选择性注意机制提取图像显著区域,然后提取显性物体区域SURF特征,最后完成与目标图像的特征点匹配,实现场景中目标物体的识别.实验证明,和传统SURF算法相比,改进算法速度得到有效提高,同时识别率提高了约10％.     

一种改进的基于RANSAC方法的SIFT特征匹配

在图像配准,图像融合,目标识别,图像拼接等领域中,运用SIFT描述子进行特征匹配是一种常用方法,针对传统的消除误匹配的RANSAC算法迭代次数多,计算复杂度较大,在SIFT特征匹配中误配率高的问题,增加了一个原始匹配点对的前道处理环节,引入匹配点对的几何特征定义,根据匹配点对的最近邻点和次近邻点角度差在一定阈值范围内建立预处理模型,剔除误匹配点,减少了参与RANSAC的数据量,提高了RANSAC的运行效率。实验结果表明:与未增加前道处理的RANSAC算法相比,基本消除了误匹配点,提高了图像匹配的准确率。     

基于Camshift和SIFT线性融合的目标跟踪算法研究

Camshift算法是对MeanShift算法的改进,它可以解决目标尺度缩放、持续跟踪等问题。但是当目标颜色与背景颜色接近或者目标遇到旋转问题时,Camshift算法容易失效。而SIFT算子对旋转、亮度变化保持不变性,对颜色相近也保持一定的稳定性,所以本文提出一种Camshift与SIFT算子线性融合的目标跟踪算法。首先利用Camshift算法来对目标进行初步的跟踪,得到跟踪区域,再利用SIFT特征向量来匹配目标区域与跟踪区域,得到SIFT的匹配和校正结果,再将两种算法的结果进行线性融合,得到最终的跟踪结果。实验结果表明,本文提出的方法可以有效地解决跟踪过程中出现的旋转、颜色相近等问题。     

改进Harris-SIFT算法在水下图像匹配中的应用

针对尺度不变特征变换(SIFT)算法实时性差、错匹配多,以及Harris角点检测算法精度不高、速度偏慢的问题,提出了一种运用改进Harris-SIFT算法对水下拍摄的双目图像进行特征点提取与匹配的方法。利用改进的Harris算法对两幅图像进行角点检测,然后为特征点分配方向,并生成SIFT特征描述子,完成匹配。实验结果表明,该算法实时性强、匹配率高,并能较好地反映水下物体的形状特征。