影像匹配误匹配点的剔除算法

景像匹配过程的复杂性不可避免地会产生误匹配点。基于巡航导弹机动性能的规律，巡航导弹飞越一个匹配区得到的各个匹配点的似合曲线具有一定的变化规律。据此，提出了影像匹配误匹配点剔除的3种算法：⑴基于匹配点拟合曲线曲率较小的算法；⑵基于匹配点拟合曲线为直线的算法；⑶利用惯性导航短时间测量距离的精确性剔除误匹配点的方法。采用试飞试验数据对这3种算法进行仿真验证的结果表明，这3种算法在相应条件下，均能有效地剔除误匹配点，并能满足影像匹配实时怀的要求。     

基于纯几何学线特征匹配的点线结合匹配算法

为了解决传统匹配算法在强光照变化或者高动态范围(HDR)环境下的匹配不准确,在欠点环境下提取特征过少的问题,引入基于纯几何学的线特征匹配算法并融合性能优越的点特征匹配算法。在保证算法实时性与拥有足够数量匹配对的前提下,使得算法对于光照变化有较好的鲁棒性,同时提高匹配的准确率,满足诸如视觉里程计(VO)之类的实时应用。实验表明,该算法在满足实时应用要求的前提下,匹配精度以及对于光照变换的鲁棒性都有了明显的提升。     

视觉导航特征点匹配及误匹配剔除算法

飞行器视觉导航中图像的复杂性对特征点匹配提出了很高的要求。根据图像HSV色彩空间各分量固有的稳定性提出了一种新的特征点不变向量生成方法,以基于欧氏距离的最近邻准则作为特征点的相似度量将该算法提取的特征应用于图像特征点匹配;为了降低特征点描述向量的维数,提高匹配的实时性,采用了主成分分析(PCA)方法。针对误匹配问题,提出了一种利用惯性导航系统的输出信息进行误匹配特征点检测的方法。最后,通过实验证明,所提出的色彩匹配方法可以提高匹配的准确率,并且通过将PCA方法与上述方法结合不仅可以保持匹配的准确性还能降低计算的复杂度;所提出的误匹配检测方法可以较好的剔除误匹配点并能满足实时性的要求,这为视觉导航提供了一种可靠性更高的特征点匹配方法。     

基于ORB+PROSAC误匹配剔除算法的视觉SLAM研究

在视觉SLAM前端特征点匹配过程中,采用RANSAC算法剔除误匹配特征点存在迭代次数不稳定、效率低、鲁棒相差等问题,从而对相机定位产生影响。与ORB算法结合,本文引入一种渐进采样一致性算法,即PROSAC(ProgressiveSamplingConsensus),来消除迭代次数不稳定问题。利用Kinectv2相机对改进的RGB-D SLAM算法进行实验,获得三维点云地图和相机轨迹,实现了ORB+PROSAC的误匹配剔除算法。与ORB+RANSAC的结合方式相对比,本文算法验证鲁棒性更好,实时性更强。     

自适应邻域测试的图像误匹配点剔除算法

针对图像特征点暴力匹配与比率测试得到的匹配点对在数量与正确率不能兼顾的情况,提出了一种基于自适应邻域测试的误匹配点对剔除算法。对特征点进行暴力匹配与高阈值的比率测试得到初始匹配点集,对初始匹配点对中的每个匹配特征点进行自适应邻域测试,测试出初始匹配点集中明显的误匹配点对并将之剔除,达到只剔除误匹配而不会误剔除正确匹配的效果。实验结果表明,在保证正确率不降低的前提下,该算法获取的匹配点对数量比原算法多3成以上,并且该算法对图像旋转、尺度缩放具有较好通用性。     

融合点线特征的视觉惯性SLAM算法

为使移动机器人在昏暗场景中获得更高的定位精度以实现更好的建图效果,针对特征点稀疏、相机移动过快所导致的SLAM算法初始化困难、定位精度较低等问题,提出了一种融合点线特征的视觉惯性SLAM算法。通过EDLines线特征提取匹配算法来引入丰富的线特征,进而提升特征跟踪的鲁棒性;利用惯性传感器和视觉传感器的互补优势,通过视觉惯性分步联合初始化方法在初始化阶段分三步进行优化,进而提升初始化的精度和速度。实验表明,该算法所使用的线特征提取匹配算法相比传统的LSD算法具有了更快的匹配速度和更低的误匹配率,并且该算法在视觉惯性数据集中相机位姿的估计精度更高、鲁棒性更强。     

一种运动捕获系统中误匹配点的剔除算法*

在特征点的提取阶段通过利用先验知识的迭代法得到二值化阈值,然后依据轮廓特征排除非特征点。对于特征点的匹配,首先根据极线约束得到初始候选点对,再通过松弛匹配算法和三角测量法剔出误匹配,得到最终的匹配点对;最后利用以上匹配算法给出了一种简便的多摄像机间特征点匹配的策略。实验结果表明算法匹配正确率高。     

点线特征融合的双目视觉SLAM算法

在低纹理场景中,基于点特征的同时定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法很难追踪足够多的有效特征点,系统甚至无法正常工作.众所周知,丰富的线段特征存在在人造结构化环境中的地面与墙面交界处.因此,提出一种点线特征融合的双目视觉SLAM算法.在特征提取前,引入梯度密度滤波器加速线特征提取和提高线匹配的准确度,在特征点匹配阶段,采用渐进采样一致性(Progressive Sampling Consensus, PROSAC)算法剔除误匹配点,从而提高定位精度.此外,在特征的融合过程中引入加权思想.在构造误差函数时对点线特征权重进行合理分配.最后,通过在公开的数据集上得到的仿真并与一些优秀的算法进行对比,该算法性能优于PL-SLAM和LSD-SLAM算法,证明了算法的有效性和准确性.     

基于点线特征融合的低纹理单目视觉同时定位与地图构建算法

当图像因相机快速运动造成模糊或者处在低纹理场景时,仅使用点特征的同步定位与地图构建（SLAM）算法难以跟踪提取足够多的特征点,导致定位精度和匹配鲁棒性较差。而如果造成误匹配,甚至系统都无法工作。针对上述问题,提出了一种基于点线特征融合的低纹理单目SLAM算法。首先,加入了线特征来加强系统稳定性,并解决了点特征算法在低纹理场景中提取不足的问题;然后,对点、线特征提取数量的选择引入了加权的思想,根据场景的丰富程度,对点线特征的权重进行了合理分配。所提算法是在低纹理场景下运行的,因而设置以线特征为主、点特征为辅。在TUM室内数据集上的实验结果表明,与现有的点线特征算法相比,所提算法有效地提高了线特征的匹配精度,使得轨迹误差减小了大约9个百分点,也使得特征提取时间减少了30个百分点,使加入的线特征在低纹理场景中发挥出积极有效的作用,提高了数据整体的准确度和可信度。     

基于ORB特征的误匹配点剔除算法

针对ORB算法采用传统的RANSAC算法剔除误匹配的不足,提出一种新的误匹配剔除算法。将剔除阶段分为粗剔除与精剔除两部分,粗剔除通过实验设计选定合适的Hamming阈值大小剔除部分误匹配点对,以减少精剔除阶段的计算量。精剔除利用特征点与邻域像素点的信息构造差值矩阵,将矩阵的奇异值定义为特征点的描述向量。通过计算2个向量的相关性来达到进一步剔除的效果。实验结果表明:该算法能够有效地剔除误匹配点对,且与RANSAC算法相比,精度提高了8%,匹配精度达到98.97%。     

一种基于点线不变量的视觉SLAM算法

点线特征结合的视觉SLAM（同步定位与地图构建）算法中,线特征匹配准确度差会引入新的误差,点线特征误差的累积加剧了数据关联失败情况的发生．针对这一问题,本文设计了一种基于点线不变量的线特征匹配方法,该点线不变量对线段与相邻2个特征点的局部几何关系进行编码,直接在现有特征点的基础上完成线匹配,可有效提高线段匹配的速度和准确度;此外,在点线特征的融合过程引入加权思想,根据场景特征丰富程度,在构造误差函数时对点线特征的权重进行合理分配．在TUM室内数据集和KITTI道路数据集上的实验表明,与现有的点线SLAM系统相比,本文提出的点线SLAM系统有效地提高了视觉SLAM中线特征匹配的准确度,提高了特征匹配环节的运行效率,使线特征在SLAM过程中发挥了积极有效的作用,提高了系统数据关联的稳定性．     

基于特征点匹配的改进模板匹配算法

特征点匹配是图像匹配领域中一项重要研究内容.暴力匹配中强调缺少特征匹配不是由于太少的正确匹配,而在于很难分辨真假,故加入模板匹配进行约束,提出一种改进模板匹配算法.为了提升匹配速度和精度,该算法通过提供特征点的坐标,可以计算出每个特征点的得分值,并将其用于从输入图像中提取模板.基于输入图像和另一幅图像之间的模板匹配,使...     

一种基于特征编组的直线立体匹配全局算法

由于直线断裂、遮挡以及共面空间直线投影等因素的影响,从左右图像中提取出来的直线之间会出现"一配多"甚至"多配多"的匹配情况,然而目前很少有算法能可靠地处理这些情况.提出了一种基于特征编组的匹配算法来解决它.与已有方法不同,该方法是在由两幅图像共同组成的直线集上进行编组.每个特征编组包含了内部直线之间的匹配关系.这样,直线匹配的问题就转化为从直线集中提取一些相互兼容的特征编组的问题.整个算法分为两步:首先在几何和辐射约束的前提下构建所有可能的特征编组,并计算每个特征编组的匹配度,然后从所有可能的特征编组中寻找一个特征编组子集,在保证直线集中的每条直线最多属于该子集中一个特征编组的前提下,使得该子集中特征编组的匹配度之和最大.为了解决这个整数规划问题,设计了一种分两阶段的算法:首先将整个问题分为多个子问题,然后对于每个子问题,利用分支定限法寻找最优解.将所提出的算法应用于实际的立体图像对中,取得了满意的结果.     

一种图像特征点迭代修正匹配算法

基于特征点的图像匹配被广泛应用于图像配准、目标识别与跟踪领域, 目前, 两阶段匹配(即先粗匹配, 后精匹配)是最常用的方法, 然而, 两阶段匹配存在两方面的问题, 一方面, 粗匹配阶段对精匹配阶段的影响是不可逆的, 即粗匹配的效果决定了精匹配的最优精度; 另一方面, 精匹配得到的后验知识没能反馈给粗匹配阶段, 以修正粗匹配结果. 为此, 提出一种基于迭代修正的图像特征点匹配算法, 该算法将精匹配得到的后验知识反馈给粗匹配阶段, 从而修正粗匹配结果, 使得粗匹配阶段得到更多的正确匹配对, 减少漏匹配特征点对, 这样经过多次迭代, 能够得到更多的正确匹配特征点对. 实验表明, 提出的算法比经典的两阶段匹配方法能够提取更多的正确匹配特征点对, 减少了漏匹配, 并提升了复杂图像匹配的稳定性.     

基于特征融合的步态识别算法研究

根据人体步态变化特点,提出一种基于特征融合和神经网络的步态识别算法。首先采用时域差分法对运动人体轮廓进行分割,然后分别提取空间特征和频率特征,将两步态特征融合在一起,从而实现步态的分类和识别。在CASIA步态数据库上进行仿真实验,仿真结果表明,该方法不仅克服了单一特征提取方法存在的缺陷,同时提高了步态识别正确率。     

连铸板坯边缘特征实时跟踪匹配研究

针对连铸板坯边缘实时跟踪测量问题，在分析运动物体直线边缘特征参数的基础上，建立了直线边缘相似性融合模型，使得板坯边缘的特征匹配具有较强的自适应能力，并讨论了检测窗口的设置和摄像机的切换策略，在实际应用中取得了满意的效果。     

基于多尺度特征融合的人群计数算法

针对密集场景下人群目标尺度变化大导致识别精度不高的问题,本文提出两种多尺度特征融合结构:注意力加权融合模块(attention-weighted fusion module,AWF)和自底向上融合模块(bottom-up fusion module,BUF).其中AWF模块引入注意力分支学习特征图的权重,并将加权后的多...     

特征金字塔融合的多模态行人检测算法

针对单模态行人检测在光照条件较差、目标部分遮挡、目标多尺度时检测效果较差的问题，提出了一种基于可见和红外双模态特征金字塔融合的行人检测算法。使用深度卷积神经网络代替传统的手工设计特征方式分别自动从可见模态及红外热模态的图片中提取单模态特征，根据ResNet（Residual Net）的阶段性特征图谱搭建特征金字塔网络，生成每个模态的特征金字塔，并将两个模态的特征金字塔进行逐层融合。选择深度学习通用目标检测算法--Faster R-CNN作为后续的目标定位与分类算法来解决多模态行人检测问题。在特征金字塔融合阶段，针对级联融合和较大值融合容易忽略弱特征，无法有效融合互补特征的问题，提出了一种锐化特征的特征金字塔融合方法，根据阈值强化突出强特征，互补叠加弱特征，有效利用每个模态的特征，进一步提高模型的检测效果。实验结果表明，特征金字塔聚合的多模态行人检测算法可以有效解决多模态行人检测问题，在KAIST数据集上的检测效果超过了目前该数据集上的最佳模型。     

基于SURF算法的输电线全景图像的特征提取

高压输电线跨距远、线路复杂,在充分分析电力线图像的特殊线性特性的基础上,文章提出了一种采用SURF算法完成输电线全景拼接并利用相位一致性提取线路特征的方法。首先采用SURF算法对部分电力线图片进行配准,并用RANSAC算法剔除错误的特征点对,然后拼接得到输电线全景图,对全景图采用相位一致性方法进行特征检测,最后提取经过标记的完整的单根电力线。对现场拍摄的部分输电线路图像进行了实验,结果提取出了完整、精确的单根电力线,说明该方法能提高输电线路弧垂计算的精度。     

基于标准化欧式距离的双向特征匹配算法研究

基于特征的匹配算法是图像配准的重要内容,针对传统SIFT匹配法存在的重复匹配、多对一匹配、正确率不高等问题,本文提出了基于标准化欧式距离的双向特征匹配算法。该算法首先通过SIFT算法对特征点进行提取,然后用标准化欧氏距离对特征描述符进行度量,接着采用双向特征匹配算法对特征点进行匹配,最后以RANSAC算法对匹配对进行提纯。实验结果表明,使用标准化欧氏距离进行双向匹配,具有更高的准确率。