一种快速多尺度特征点匹配算法

为了快速稳定地进行特征点的跟踪,提出了一种快速多尺度特征点的提取算法.该算法首先利用快速局部窗口极值搜索算法提取出不同尺度空间特征点的局部极值,减少了局部极值搜索的冗余性,然后再利用最近邻算法对特征点进行匹配.实验结果表明,该算法的计算速度快于SIFT算法和MOPS算法,稳定性强于传统的Harris算法,可以用于实时图像配准及目标跟踪.     

基于尺度不变特征的视频镜头检测

通过分析帧间的尺度不变特征点匹配数目随时间变化的性质来检测镜头边界,并提出2种帧间匹配机制--两两匹配机制和连续匹配机制.一个视频镜头内的特征点匹配数目具有平滑变化的特性,而在镜头边界处则表现出陡然变化的特性.通过将各类型的镜头切换统一于一种检测模式,可清晰地分割出镜头,避免模型选择和参数调整.     

基于高斯变换的多尺度SUSAN角点检测方法

针对传统SUSAN算子只能在单一尺度下检测图像中角点的不足,提出一种基于高斯变换的多尺度SUSAN角点检测方法。该方法利用高斯变换获得待检测图像的多尺度分层图像,以构建高斯金字塔,结合自适应阈值的SUSAN算子检测出不同尺度下的角点作为候选角点,将其还原到原始图像中的相应位置构成候选角点集,在候选角点集中经小邻域信息筛选获得最终角点。实验结果表明,该方法不仅能够在不同尺度下有效获取有用的角点信息,而且提高SUSAN算子正确率的同时,降低了角点的伪检率。     

一种改进的多尺度Harris角点检测算法

传统角点检测算法对尺度很敏感,而且提取角点是像素级的。采用图像增强技术,通过DOG算子将多尺度运用到Harris算法中,然后除去极值点附近低对比度的特征点。不仅避免了传统灰度变换技术的单一性,还提高了增强处理后图像的稳定性。改进的多尺度Harris角点检测方法具有误差较小、伪角点较少、错误率较低、匹配精度性较高等特点。     

对数极坐标系下尺度不变特征点的检测与描述

目的 当前国际流行的SIFT算法及其改进算法在检测与描述特征点时基于高斯差分函数,存在损失图像高频信息的缺陷,从而导致图像匹配时其性能随着图像变形的增加而出现急剧下降。针对SIFT算法及其改进算法的这一缺陷,本研究提出了一种新的无图像信息损失的、在对数极坐标系下的尺度不变特征点检测与描述算法。方法 本研究提出的尺度不变特征点检测与描述算法首先将直角坐标系下以采样点为中心的圆形图块转换为对数极坐标系下的矩形图块,并以此矩形图块为基础对采样点进行特征点检测与描述符提取;该算法使用固定宽度的窗口在采样点的对数极坐标径向梯度图像的log_t^r轴上进行移动以判断该点是否为特征点并计算该点的特征尺度,并在具有局部极大窗口响应的特征尺度位置处提取特征点的描述符。该算法的描述符基于对数极坐标系下的矩形图块的灰度梯度的幅值与角度,是一个192维向量,并具有对于尺度、旋转、光照等变化的不变性。结果 本研究采用INRIA数据组和Mikolajczyk提出的匹配性能指标对SIFT算法、SURF算法和提出的尺度不变特征点检测与描述算法进行比较。与SIFT算法和SURF算法相比,提出的尺度不变特征点检测与描述算法在对应点数、重复率、正确匹配点数和匹配率等方面均具有一定优势。结论 提出了一种基于对数极坐标系的图像匹配算法,即将直角坐标系下以采样点为中心的圆形图块转换为对数极坐标系下的矩形图块,这样在特征点的检测过程中,可以有效规避SIFT算法因为采用DoG函数而造成的高频信息损失;在描述符提取过程中,对数极坐标系可以有效地减少图像的变化量,从而提高了匹配性能。     

基于Gabor多尺度空间的不变兴趣点检测

针对以往仿射不变兴趣点的特征尺度不能直接断定的问题, 提出一种基于Gabor多尺度空间的不变兴趣点检测算法。该算法主要包括三个步骤：应用Gabor滤波器组与图像卷积建立图像Gabor多尺度空间; 通过极大值准则检测兴趣点并直接断定特征尺度; 采用二阶矩矩阵描述兴趣点局部结构。实验结果表明, 相比较其他Hessian-Affine、MSER等算法, 该算法在图像模糊和JPEG压缩情况下可重复率和可匹配率均取得最好结果, 是一种能有效直接提取特征尺度的兴趣点检测算法。     

基于Harris角点和高斯差分的特征点提取算法

针对目前图像处理中的尺度不变特征点提取算法计算量较大、实时性较差的问题,本文提出一种非完整金字塔的尺度空间结构,并从理论上分析其对算法性能的影响.再以此为基础提出一种基于Harris角点和高斯差分的快速特征点提取算法.这种算法先在非完整金字塔尺度空间的各层图像上提取Harris角点,再利用高斯差分确定最终特征点.在保证性能的同时,算法的实时性得到明显改善.实验结果也证明该算法的有效性.     

基于非局部融合的多尺度目标检测研究

针对现有的多尺度目标检测模型在面对尺度变换和遮挡场景时所使用的融合方法融合不充分,且没有捕捉长距离依赖关系的问题,本文设计了通道融合增强模块和非局部特征交互模块,用于学习不同通道特征之间的相关性和捕捉特征图之间的长距离依赖关系。此外,针对当前检测架构都是基于单金字塔检测结构,存在信息丢失的情况,设计了双金字塔结构,并将提出的融合方法与双金字塔结构结合,在保留原始特征信息的基础上,补充融合后的特征信息。实验结果表明,提出的方法在公共数据集KITTI与PASCAL VOC上与其他先进工作相比具有更高的检测精度,证明了该方法在目标检测任务中的有效性。     

基于多尺度曲率乘积的鲁棒图像角点检测

为了更好地进行图像角点检测,在曲率尺度空间(CSS)框架下,提出了一种基于多尺度乘积的角点检测技术,其中曲率尺度积函数被定义为各个尺度下轮廓曲率的乘积,而角点则被定义为曲率乘积的局部极值点。这种尺度积不仅能显著地增强角点曲率极值点的峰值,同时能抑制噪声影响,而且不改变角点的位置,为了说明该技术的优点,根据角点数一致性(CCN)准则证明了该技术优于其他的角点检测算法。实验结果表明,该方法不仅具备优越的检测效果,并对噪声有较强的鲁棒性。     

一种改进的Harris多尺度角点检测

Harris角点检测是一种经典的角点检测算法,现实中应用比较广泛,但不具有尺度变化特性,所以在图像的角点提取中往往改变参数的选择也得不到满意的提取效果。为了改变其单一尺度的特性,使得角点提取更加精确和有效,文中将多尺度空间和模糊系数引入到该算法中,在多个尺度下结合Harris算法对角点进行提取。该算法融合了多个尺度的特征信息,克服了单一尺度的Harris角点检测可能存在的角点信息丢失和易提取伪角点等问题。通过对比实验,文中算法明显地提高了图像角点检测性能。     

局部不变特征点的精度指标

目的 作为计算机视觉的热门研究方向,局部不变特征算法的发展已趋于成熟、稳定,然而目前几乎所有特征点提取算法都没有给出特征点的精度指标.针对这一缺陷,提出一种特征点精度指标-特征点波动区间.方法 性质稳定的点在干扰条件下仍具有较好的精度,即小范围的波动区间,因此,以当前最热门的SIFT(scale-invariant feature transform)特征点为例,在图像加入噪声,发生光照变换,发生模糊变换以及同时进行噪声、光照及模糊处理这四种情况下分别分析同一算法提取的不同特征点的波动情况,进而得到不同特征点的波动区间.结果 实验得到16个稳定检出特征点,其中点2,3,4,11,13这5个点可以在不同干扰条件下的波动范围都较小,而点2则只在模糊条件下波动较小,在其余干扰下波动较大.特征点虽然已经过特征提取,但仍具有不同的波动区间,其优劣也不尽相同.不同的特征点的波动区间并不相同,但仍有一部分特征点在不同干扰条件下均保持较高的提取精度.结论 波动区间能很好地表征每个特征点的提取精度.由于此前只有针对特征点算法的评价指标,而没有针对特征点自身性质的评价方法,因此本文提出的特征点波动区间将为诸如设备标定、视觉测量、精简特征库等相关后续工作打下良好基础.     

基于深度信息与尺度空间的仿射不变特征检测*

介绍了一种利用深度信息的仿射区域检测器。这种方法在视角变换的情况下能自动检测出图景中同一物理区域,为后续的识别算法提供了坚实的特征检测基础,在计算机视觉领域有广阔的应用前景。该方法是基于尺度空间理论,这个理论已经在自动尺度选择中有较成熟的应用。提出了利用深度信息估计出3D物体模型的算法,并生成相应的仿射不变的高斯尺度空间,并给出从3D到2D的投射变换的高精度估计方法,以补偿投射变换造成的扭曲形变。因此对特征检测的可靠性将有明显的提高。为了评估本算法的鲁棒性,进行了不同视角的真实图片与合成图片的实验,并与其     

多尺度特征提取的双目视觉匹配

提出一种基于多尺度特征提取的双目视觉匹配算法,旨在提高传统算法的实时性和鲁棒性。该算法通过设计出一种基于尺度因子变化的高斯核模板尺寸自适应调整以及双目视图的双向配准的办法,以改善特征点匹配效率和精度。实验证明,多尺度特征提取算法能够有效而快速地完成双目视图的特征点匹配。     

采用多尺度滤波的遥感图像关键点检测方法

针对关键点检测过程中遥感图像会因为局部结构变形发生误检测的问题,提出一种鲁棒的关键点检测新方法。该方法首先基于映射策略和提升结构实现非下采样多尺度滤波器,用于获得平滑图像;然后根据图像尺度空间理论和尺度不变特征变换生成高斯差分尺度空间,并利用有限差分计算尺度空间采样点局部极值,子像元插值和Hessian矩阵删除不稳定极值点;最后用梯度分布直方图描述关键点。在仿真实验平台上,与现阶段方法的关键点计算时间和图像匹配性能做比较分析,实验结果表明,改进的方法有较低的计算时间复杂度,具有较好的鲁棒稳定性。     

基于SIFT 特征的目标多自由度mean-shift 跟踪算法

传统的mean-shift跟踪算法不能跟踪目标的旋转、缩放运动,且常常因此造成定位不准.鉴于此,将尺度不变特征变换（SIFT）特征检测融入到mean-shift跟踪过程,提出SIFT特征点的尺度变化与目标的尺度变化成正比,特征点主方向变化与目标旋转角度一致,给出了基于SIFT特征的自适应目标尺度、方向计算方法,且利用带方向、可变带宽的椭圆核改进传统的mean-shift跟踪方法.实验表明,该算法能够较好地跟踪目标的旋转、缩放运动,定位也更准确.     

基于运动目标特征的关键帧提取算法

针对运动类视频特征不易提取且其关键帧结果中易产生较多漏检帧的问题,提出基于运动目标特征的关键帧提取算法。该算法在强调运动目标特征的同时弱化背景特征,从而防止由于运动目标过小而背景占据视频画面主要内容所导致的漏检和冗余现象。根据视频帧熵值将颜色变化明显的帧作为部分关键帧,对颜色未发生突变的帧根据运动物体的尺度不变特征变换（SIFT）获得帧内运动目标的特征点;最后分别根据帧熵值及运动物体SIFT点分布提取视频关键帧。实验表明该算法所得关键帧结果集不仅漏检率较低且能够准确地表达原视频内容。     

基于多尺度特征融合的改进臂丛神经分割方法

臂丛神经超声影像信噪比（SNR）低、边缘模糊且人工分割难度较大。现有的分割模型虽然取得了一些成果,但碍于臂丛神经结构目标区域小、形状不规则,分割效果欠佳。针对上述问题,设计基于多尺度特征融合的臂丛神经分割模型,即针对神经部位分割的特征金字塔网络（Ner-FPN）。在特征提取阶段,设计一种仿Xception的结构进行多尺度特征提取;在预测分割阶段,采用双向FPN结构进行特征融合预测。在Kaggle臂丛神经超声影像分割竞赛的BP数据集上的实验结果表明,Ner-FPN模型对臂丛神经分割的Dice相似系数（DSC）可达0.703,与主流的深度学习分割模型U-Net、SegNet相比,分别提高了10.7个百分点和14.5个百分点,对比相同数据集中的其他改进模型QU-Net和Efficient+U-Net,DSC分别提高了5.5个百分点和3.4个百分点,可见所提模型能够起到辅助诊断的效果。     

一种简化的SIFT图像特征点提取算法*

针对目前尺度不变的图像特征点提取算法计算量较大,算法较复杂的问题,提出一种简化的SIFT图像特征点提取算法。此算法通过改变金字塔尺度空间的结构实现对SIFT特征点提取过程的简化,通过改变特征点描述子的结构实现对特征向量计算的简化,从而在保证算法鲁棒性的同时减少了计算量并增强了实时性。实验证明了该算法的有效性。     

基于改进SIFT特征和图转换匹配的图像匹配算法

针对SIFT特征在纹理丰富的图像中提取较多的伪点和不稳定的点而影响图像匹配的问题, 提出了一种基于Harris阈值准则的局部不变特征图像匹配算法。该算法在提取SIFT不变特征的基础上, 利用Harris阈值准则对所提取到的不变特征进行选择, 剔除了图像区域中大量可区分性较差的特征点, 从而得到了相对稳定和可区分性较好的特征点。其次, 结合不变特征矢量与图转换匹配(GTM)的方法对提取到的稳定特征点进行了精确匹配。实验对比结果表明, 用取得稳定的特征点, 进而结合一种好的匹配策略, 能够更加增强图像匹配的高效性和鲁棒性。     

基于特征点检测的三维模型最佳视点选择

针对三维模型最佳视点选择问题,提出了一种基表面特征点检测的视点选择算法。首先引入一种基于局部平均形心距离差的顶点显著性度量方法,认为三维网格模型表面某顶点的显著性是由该顶点与形心之间距离和该顶点邻域内的顶点与形心之间距离的平均差值来刻画,而不是该点所在位置的弯曲程度所决定;然后根据顶点的显著性大小进行三维模型表面特征点检测;最后针对视点球体上的每个候选视点分析该视点下可见特征点的几何分布和显著度大小计算视点质量,提取出最佳视点。实验结果验证了基于三维模型特征点的视点选择方法的有效性,在能够选择出质量较优的视点的同时保证算法的效率。