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.     

一种基于改进ORB算法的双目视觉测距方法

针对传统基于特征点图像匹配算法误匹配率高和 双目视觉系统测量精度低问题,提 出一种基于改进ORB 算法的双目视觉测距方法。首先采用引导滤波对图像进行预处理,然 后将FAST 检测得到的特征点作为中心,得到围绕该特征点的区域,将该区域进行分割, 分别求出左右区域的质心坐标,根据两质心坐标进行主方向的确定;再采用Sobel 算子计 算出像素点水平和垂直梯度,比较每个像素点对之间水平与垂直梯度中的较大值,把比较 结果串成一个二值位字符串的形式,从而形成描述符,采用汉明距离进行匹配;最后在测 量阶段用二维二次函数拟合的方法获得特征点的亚像素坐标,通过三角测量原理获得对应 特征点的空间三维坐标,从而得到被测物体的尺寸。实验结果表明,本文改进算法的匹配精度较 传统ORB算法提高35.25%,同时测量的最低相对误差达到0.428%,满足测量要求。     

一种改进的宽基线图像SURF算法

通过对SURF特征点匹配过程的研究,提出一种改进的宽基线图像SURF算法。提取SURF特征点,在特征点匹配过程中采用改进方法计算图像间的尺寸、旋转和平移参数,减少匹配点搜索范围,运用RANSAC算法剔除误匹配点对。实验表明本算法在图像间有较大差别时降低了误匹配率,具有良好的实时性,达到了较好的应用效果。     

双目立体视觉测量中的特征点快速匹配算法

对于图像特征点的提取与匹配是双目立体视觉测量系统中的重要一步,提出了一种改进的适用于随机噪声、光照变化、局部遮挡等复杂环境下的快速鲁棒性不变特征(SURF)的匹配算法。首先,改进了特征点描述子中的主方向的计算方法,提高了主方向的精确度和计算效率;其次,结合NN/SN算法和RANDSAC算法,提出特征点的反向匹配算法,克服了外部环境光照变化、噪声、局部遮挡等因素对特征点匹配的影响,有效地提高了匹配精度。     

基于SURF的特征点快速匹配算法

为了解决光电图像匹配过程中特征点错配率较高的问题,本文提出了一种基于SURF特征点的匹配方法。该算法首先利用最近邻欧氏距离比率法对提取的SURF特征做粗匹配,然后获取特征点对应尺度的邻域灰度统计信息,进而利用Pearson相关系数比得到鲁棒性较强的匹配对。实验表明该方法能够有效提高匹配的准确率,且满足实时性要求。     

基于双目主动视觉系统的目标定位算法

介绍了一种基于圆形轨道的双目主动视觉系统,此系统具有更大的灵活性和可视空间,有利于避开障碍物和跟踪目标,具有很强的实用性。最后,利用主动视觉空间建立了此系统的目标定位算法。     

基于SURF的图像匹配算法改进

在图像匹配中,SURF算法采用最邻近与次邻近欧式距离比查寻匹配点,当阈值过大时,这种方法会产生大量误匹配点,从而严重影响图像配准的精度。RANSAC算法是一种有效剔除误匹配点的方法,但需要人工确定部分参数值。提出一种多层次图像匹配方法,不仅能够剔除误匹配点还可以无需人工参与完成图像匹配。实验表明,该匹配方法能够精确提取匹配点和实现自动匹配,很好地满足图像配准的要求,具有一定的应用价值。     

一种基于SIFT的改进优化特征匹配算法

尺度不变特征变换即SIFT算法存在实时性差,易误匹配等固有问题,本文针对性地提出了特征描述符降维处理和匹配优化解决方案,得到一种能满足更高实时性和精确性需求的特征匹配算法.通过使用特征点为中心的9个同心圆环梯度累计值,构建72维特征向量,进行特征描述符降维,达到简化特征描述的目的,从而减少描述符的生成和匹配时间.此外,结合匹配点择优筛选和RANSAC算法匹配提纯,有效地减少了误匹配.实验表明:改进优化后的特征匹配算法既显著地提高了特征匹配精确度,又改善了算法自身实时性.     

一种基于历史特征的SURF改进算法研究

图像配准是数字图像处理深度应用的基础之一,其中基于SURF的图像配准算法因识别率高而得到广泛的研究与应用,但其数据量大且对计算要求较高,因此提出一种基于对象关联的配准方法,在SURF前端提取对象ROI以检测是否有新的对象进入检测区域从而将新旧对象分为两类分别处理,对于已经存在的对象可根据运动特征关联进行进一步过滤,较大幅度地减少重复特征点的检测和计算,也可避免依赖局部区域像素的梯度方向造成过大的误差。实验结果表明,改进的算法提高了配准率,减少了约20%的计算量,帧率下降至0.8左右时趋于稳定,保证了较好的实时性。     

基于机器视觉的三维重建技术研究

研究了基于机器视觉的三维重建技术。利用普通的数码摄像机拍摄图片,通过摄像机定标、特征点检测和匹配、基础矩阵和本质矩阵计算来实现图像的三维重建。采用张正友标定方法的相机标定工具箱实现了相机的标定,利用尺度不变特征变换(SIFT)特征点的检测和匹配方法进行了图像特征点的检测和匹配,采用RANSAC算法计算基础矩阵,最后利用相机内参数和由基础矩阵获得的本质矩阵重建物体的特征点,并进行纹理贴图。实验结果表明利用这些图像可以进行物体重建,并且能够很好地反映出物体的三维特征。     

基于SURF算法的医学图像特征点匹配

微创外科手术中的图像特征点快速匹配,可使计算机具备图像实时识别能力,提高手术成功率。但由于在手术中所运用的图像匹配算法具有计算量大、耗时长等缺点,提出一种基于SURF的图像特征点快速匹配算法。首先对图像采用SURF算法提取特征点,然后通过Hear小波变换确定特征点的主方向和特征点的描述子,并使用改进的最近邻搜索算法进行特征点匹配,最终根据实际需要选取相似度最高的前50～100对匹配点进行对比实验。实验结果表明,该算法鲁棒性强、速度快、匹配准确性高,且在医学图像处理中具有较大的应用价值。     

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％.     

基于SURF和FREAK的移动终端动态背景运动目标检测

针对使用移动终端检测运动目标时出现的背景偏 移,实时性不足等问题,本文提出一种基于 Speeded-Up Robust Features(SURF)和Fast Retina Keypoint(FREAK)算法的动态背景 补偿方法。首 先利用SURF算法检测特征点,接着利用FREAK算法对特征点进行描述,然后对特征点进行汉 明距离匹配, 最后使用随机抽样一致算法(Random Sample Consensus,RANSAC)剔除误匹配点。设计基于 移动终端的背景 补偿实验,结果表明,在旋转角度,光照条件和尺寸不同的情况下,该算法都表现出良好的 匹配效果以及实时性。     

一种基于改进ORB特征匹配的无人机视觉导航方法

为了解决在全球导航卫星系统(Global Navigation Satellite System)拒止情况下无人机导航能力缺失等问题,提出了一种基于改进快速提取旋转描述子(Oriented FAST and Rotated Brief, ORB)图像特征匹配的无人机视觉导航方法。首先,为了实现无人机的绝对定位,提出了一种特征图像基准数据库构建方法;其次,为提取图像数据集的特征点,采用了一种结合尺度不变特征变换(Scale Invariant Feature Transform, SIFT)的尺度空间优化ORB特征提取算法;最后,为了将图像特征与图像基准数据库快速匹配并提高其匹配精度,提出了一种改进ORB特征匹配算法——ORB+GMS+PROSAC算法。通过在ArcGIS中分割图像构建基准数据库并进行实验分析,结果表明,基于ORB+GMS+PROSAC特征匹配算法性能显著提升,其中匹配准确率上升5.05%,匹配时间减少41.61%,明显优于其他传统特征匹配算法。     

一种基于改进SURF特征描述子的快速算法

在SURF算法中为保证旋转不变性需要计算出关键点主方向,并将关键点周围的梯度信息旋转到主方向后构造描述子,造成了时间上的大量开销。文中重新构造了一组各向同性特征描述子,在保证描述子旋转不变性的同时,避免了计算主方向及依据主方向旋转梯度的相关操作,进而节省了计算时间。实验结果表明,新算法在一定误差范围内计算速度比改进前的算法提高了近30%。     

SURF特征匹配中的分块加速方法研究

针对高实时性要求中SURF（speeded up robust features）特征匹配算法速度偏慢的缺点,提出一种基于分块的加速方法,根据匹配中模板图像与搜索图像的大小对比关系,分别采用只对搜索图像分块的单分块方法与对模板图像与搜索图像都进行分块的双分块方法,其中单分块方法包括简单K分块、简单K+1分块、尺度K+1分块及模板尺寸与尺度自适应的分块方法;双分块方法包括单块匹配与多块匹配。针对不同的分块方法分析了其理论上的平均匹配时间,并通过实验进行了对比,结果证明分块方法能够在保证正确匹配的同时大幅提高匹配速度。     

基于改进正态分布变换算法的点云配准

正态分布变换(NDT)算法是一种应用在同时定位和地图生成(SLAM)中的点云配准算法。针对地面激光扫描(TLS)数据的特点,改进了NDT算法,提出了一种基于SURF的NDT配准算法,使之能应用在TLS中。该算法首先建立点云和图像间的映射关系把点云影像化;利用加速稳健特征(SURF)算法提取图像的特征点并找出特征点对;根据映射关系找到相应的三维特征匹配点,求出变换矩阵,完成点云初始配准。在NDT算法中,设置初始矩阵为单位矩阵,对点云体素化并使用概率分布函数对点云精细配准。实验结果证明,该算法不但适用于地面激光数据的配准,且其配准精度高、运算时间少,尤其对于不同分辨率的点云有良好的配准效果。     

基于Canny算子和K-L变换的改进SIFT匹配算法

在分析了经典SIFT算法的基础上,提出了一种基于Canny算子和K-L变换的改进SIFT匹配算法。该方法首先利用Canny边缘检测算法获得图像的边缘点坐标,与SIFT算法检测出图像关键点的坐标进行对比以去除不稳定的边缘点;其次通过K-L变换,将特征描述符进行降维处理,降低算法复杂度;最后使用RANSAC算法剔除误配点。通过实验表明,该算法能有效去除不稳定的边缘响应特征点,减少图像匹配时间,提高图像匹配的准确性和鲁棒性。     

一种基于ASIFT的图像配准算法

ASIFT算法能实现全仿射不变性,适用范围广,但匹配效率较低,鲁棒性不够好,匹配有重复特征的图像时出现误配。对ASIFT算法进行改进,与SURF算法的优点结合,通过采用性能更好的Hessian矩阵来检测特征点,计算Haar小波响应值构建特征描述向量,并提出一种新的特征匹配策略,对特征描述向量进行分段匹配。实验结果证明,改进后的算法比ASIFT算法鲁棒性得到增强,匹配效率和精度均有所提高。