基于能量的图像立体匹配算法

通过引入能量函数,给出了一种快速高精度求取匹配点算法——基于能量的算法。首先快速求取初始匹配点,然后对初始匹配点的相邻区域的点进行能量估计,计算其判断函数值,再根据判断函数值对原始数据进行矫正,得到精确的匹配点数据,从而实现匹配点的快速高精度估计。     

基于多特征融合的商品识图匹配算法研究

随着近几年无人超市的不断发展成熟,自助购物越来越普及.如果商品售出后没能及时补充,会影响消费者的购买意愿.为提升商品图像识别的准确率,采用多特征融合的方法,即将多种算法的特征联合,形成优势互补.采用融合SIFT特征和灰度共生矩阵特征的方法完成货架商品图像的匹配.实验表明,该方法对比灰度共生矩阵方法准确率提升20.6％,...     

采用空间一致生长策略的多视图三维重建

针对复杂环境因素影响下场景三维重建结果难以同时获得高重建精度和高重建完整度的问题,提出一种基于空间一致生长的多视图三维重建算法.该算法对基于特征点生长的三维重建算法框架进行拓展,新增了有条件的初值矫正环节,同时对已有的生长和滤波环节进行更替和改进.首先使用SFM从输入图像中提取稀疏种子点;然后直接在固定的世界坐标系中从所有种子点出发向其邻近三维空间扩展,得到生长点的初始位置和方向,并通过优化确定生长点的最终位置和方向,在优化前和优化中根据生长点的当前位置和方向不断选取和更换最佳主、副图,提高优化质量;再利用邻域已重建点云有条件地矫正生长点的位置和方向,并以此作为初值再次优化,避免优化收敛到局部极值,提高生长点的重建精度;最后设计光滑、深度和方向三方面的自适应一致性滤波,在减少误删的同时及时删除误差点,防止误差蔓延.实验结果表明,文中算法的重建精度和完整度均明显超过当前流行的PMVS算法;与高精度DAISY算法相比,在完整度大大提高的前提下,该算法的精度与其基本持平.     

基于张量投票的摄像机自标定方法研究

针对传统的基于Kruppa方程摄像机自标定算法的欠鲁棒性,首次提出将鲁棒的张量投票算法用于摄像机自标定方法中。利用基于尺度不变的SIFT算法查找并匹配出每对图像的特征点,其中待匹配图像由摄像机对同一场景从三个不同角度位置拍摄,对图像张量投票后按棒张量特征值降序排序,由此筛选得到具有鲁棒性边缘特征的前八对特征点,利用八点算法求解相应的基础矩阵和极点,根据Kruppa方程和三维重建（SFM）算法求得摄像机参数矩阵。实验结果证明,该方法具有较高标定精度,并通过加入高斯噪声的仿真实验证明该算法是一种鲁棒的摄像机自标定方法。     

基于局部特征的多摄像机间目标识别方法

针对多摄像机监控系统中的人体目标识别问题,提出一种利用局部颜色特征和形状特征的目标识别方法.首先基于彩色图像使用Harris角点检测算子检测出目标图像的特征点,之后以每个特征点为中心分别提取其邻域的对光照、视角和姿态变化具有鲁棒性的局部颜色和形状特征,并建立目标外观模型,最后,采用改进的EMD(Earth Mover's Distance)进行目标间相似度的计算,实现多摄像机间的人体目标识别.实验结果表明,采用的改进方法充分优化了目标的颜色和形状特征,使摄像能够达到较高的识别率.     

面向信号测试系统的多路信号路由算法研究

信号自动化测试系统中的关键技术是信号路由,但已有的信号路由技术一般只能在单一引脚对之间建立信号传播路径,不能满足多个激励信号同时路由的情况。为此,提出一种满足一定条件的自动测试系统多路信号路由算法。将自动测试系统的硬件环境抽象为流网络,在此基础上通过求解最大流构造多路信号的传播路径。定义开关矩阵"传播阻力"的概念,并通过最小费用最大流算法优化信号传播路径,提高信号传播质量。实验结果表明,该算法能够为多路信号自动生成路由策略。     

基于SIFT特征和对极几何约束的图像配准算法

基于SIFT（尺度不变特征变换）特征匹配思想,提出了一种应用对极几何约束的图像特征配准算法。首先对图像提取SIFT特征点,然后通过欧氏距离估算对SIFT特征描述子进行初始匹配得到预匹配点集;采用基于单应矩阵的抽样算法计算初始基础矩阵,通过RANSAC算法计算精确的基础矩阵和匹配点集,进而实现图像配准。实验表明,该算法可以获得更准确的匹配点,得到精度较高的图像配准效果。     

基于自适应学习的多视图无监督特征选择方法

现有的多视图无监督特征选择方法大多存在以下问题:样本的相似度矩阵、不同视图的权重矩阵和特征的权重矩阵往往是预先定义的,不能有效刻画数据间的真实结构以及反映不同视图和特征的重要性,进而导致不能选出有用的特征.为解决上述问题,首先,在多视图模糊C均值聚类的基础上进行视图权重和特征权重的自适应学习,以同时实现特征选择并保证聚类性能;然后,在拉普拉斯秩约束下自适应地学习样本的相似度矩阵,并构建一个基于自适应学习的多视图无监督特征选择(ALMUFS)方法;最后,设计一种交替迭代优化算法对目标函数进行求解,并在8个真实数据集上将所提方法与6种无监督特征选择基线方法进行比较.实验结果表明,ALMUFS的聚类精度和F-measure优于其他方法,与自适应协作相似性学习(ACSL)相比,平均提高8.99和11.87个百分点;与ASVM(Adaptive Similarity and View Weight)相比,平均提高11.09和13.21个百分点,验证了所提方法的可行性和有效性.     

基于视野分界线的多摄像机运动目标跟踪算法

提出了一种改进的基于视野分界线的多摄像机运动目标跟踪算法。该算法通过采用SIFT算法来自动获取特征点,生成视野分界线。当目标穿过分界线后,将待确定目标颜色直方图与目标颜色直方图相匹配,匹配度最好的赋予标识,即完成目标的交接,用Mean Shift算法完成后续目标的跟踪。在搭建的实验平台上进行了实时跟踪,实验结果表明该算法能有效实现多摄机间的目标连续跟踪。     

基于双目立体视觉的复杂背景下的牛体点云获取

提出一种基于双目立体视觉的复杂背景下的牛体点云获取方法。在点云获取过程中,针对牛不是保持不动的实际情况,采用基于被动视觉技术的双目立体视觉方法;在相机标定过程中,进行单目标定获取相机内部参数,统一标定获取相机外部参数,针对牛体毛色及所处环境复杂的情况,采用基于贝叶斯的皮肤检测算法提取牛体图像,采用基于SIFT的特征点提取和匹配方法实现特征点的匹配,利用计算机视觉中的极线几何原理,剔除误匹配点,通过相机的成像模型求取牛体的三维点云。实验验证了该方法能够在复杂背景下获取牛体点云,并得到较好的点云数据,较好解决了双目立体视觉中相机标定和立体匹配两个较关键和困难的问题。     

面向物流分拣的多立体摄像头物体操作系统

为满足物流分拣的低成本和实时性要求,提出了基于多个立体摄像头的系统获取典型物体的完整立体信息的方法,并结合机械臂搭建了实验硬件平台。实验采用了2个微软Kinect摄像头在水平面上实现了约3 mm精度的物体定位,根据物体的立体信息建立立体模型,并计算了物体的取向、尺寸、含有的平面等多个可用于物体操作的立体特征,计算速率约为1 s/帧。根据这些信息,使用了机械臂成功进行了连续100次抓取。实验结果表明,这套方法和平台无需离线学习即可以实时提取多种尺寸和形状的物体的立体特征,机械臂可以基于此进行精度较高的物体操作。     

基于粗精立体匹配的双目视觉目标定位方法

针对双目视觉系统定位精度较低的问题,提出一种基于粗-精立体匹配的双目视觉目标定位方法。该方法采用粗-精匹配策略：在粗匹配阶段使用基于Canny-Harris特征点的随机蕨算法对左右图中的目标进行识别,提取目标矩形区域的中心点,实现中心匹配;在精匹配阶段建立一种基于图像梯度信息的二值特征描述子,将中心匹配得到的右中心点作为估计值,设定像素搜索范围,于该区域中找出左中心点的最佳匹配点。最后,将得到的中心点匹配对代入平行双目视觉的数学模型中,实现目标定位。实验结果表明,在500 mm距离范围内,所提出定位方法的定位误差控制在7 mm内,平均相对定位误差为2.53%,相比其他方法具有定位精度高、运行时间短的优点。     

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。     

无重叠视域的多摄像机之间的目标匹配

在无重叠视域的多摄像机监控中,由于不同摄像机的视域差别和视域分离,同一运动目标在不同的视域中的成像可能会非常不同,因此在这种情况下对运动目标进行匹配是一项具有挑战性的工作。提出了一种可以容忍光照的不同,在无重叠视域的多摄像机下进行目标匹配的方法。该方法经过初始聚类和K-means聚类对目标进行主颜色谱的提取,利用EMKM算法改善K-means对初始中心点的依赖性,把提取出来的主颜色谱直方图作为目标的特征,然后利用特征相似度测量来判定任意两个物体之间是否匹配;当无法对某些物体进行准确匹配时,再利用SIFT特征进行下一步匹配。该方法也可以用于有重叠视域的多摄像机目标匹配中,通过与其他匹配方法相结合,提高匹配的准确度。实验结果证实了该方法具有较高的准确度。     

基于SIFT特征匹配与K-均值聚类的运动目标检测

运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,根据视频中背景与运动目标的速度不同这一特点,提出了一个基于尺寸不变特征变换(SIFT)和K-均值聚类的运动目标检测方法。首先提取视频中相邻两帧图像的SIFT特征点并进行匹配,并计算匹配特征点的运动速度,最后将运动目标和背景上的SIFT特征点K-均值聚类分析,在单运动目标、多运动目标和带有摄像头旋转情况下做了实验。实验结果表明,提出的目标检测算法能够在运动背景下较好地检测到目标并保留稳定的目标局部特征,对于摄像机运动、摄像机旋转、亮度变化等影响因素具有较强的适应能力。     

基于SIFT特征跟踪匹配的视频拼接方法

针对不同摄像头的监控视频序列,提出了一种基于视频帧SIFT（Scale Invariant Feature Transform,即尺度不变特征变换）特征跟踪的拼接方法。通过SIFT算法提取帧图像的特征,并在跟踪的估计区域搜索匹配特征,从而确定待整合帧之间的变换参数。实验结果表明,该方法较好实现视频快速拼接,且对重叠区域小、形变大、有运动物体遮挡的视频具有较强的鲁棒性。     

大视场双目立体视觉的摄像机标定

针对大视场视觉测量应用,在分析摄像机成像模型的基础上,设计制作了可自由转动的十字靶标,实现了大视场双目视觉摄像机的精确标定。将十字靶标在测量空间内多次均匀摆放,两摄像机同步拍摄多幅靶标图像。由本质矩阵得到摄像机参数的初始值,采用自检校光束法平差得到摄像机参数的最优解。该方法不要求特征点共面,仅需要知道特征点之间的物理距离,降低了靶标制作难度。采用TN3DOMS．S进行了实测,在1500mm×1500mm的测量范围内测试标准标杆,误差均方值为0．06mm。     

非线性模型下的摄像机自标定

摄像机标定是从二维图像获取三维信息必不可少的步骤,线性（小孔）模型摄像机自标定,目前已成为计算机视觉领域的研究热点之一,对于非线性模型下摄像机的自标定,目前还未见到相关的研究报道,用于线性模型一般不能准确地描述真实像机的几何成像关系,因此对非线性模型摄像机自标定的研究具有十分重要的实际意义,该文主要探索非线性模型摄像机的自标定方法,基本原理是将非线性模型视为线性模型和畸变项的叠加,然后利用线性模型的基本矩阵或单应矩阵,给出非线性模型参数的约束方程,从而实现非线性模型摄像机的自标定,模拟和真实图像实验均表明该文所给的方法是可行的,具有一定的实用价值。