一种改进的Harris特征点匹配算法

针对Harris特征点匹配的精度低和效率不高的问题, 提出了基于Harris特征点匹配的改进算法. 首先对Harris特征点的提取方法进行了改进, 减少了伪特征点的提取. 然后利用改进的双向最大归一化相关系数匹配的方法提取初始特征点对, 最后用改进的随机采样一致法来剔除伪特征点对, 实现特征点对的精确匹配. 实验结果表明, 该算法不仅提高了特征点匹配的精度, 而且极大地提高了特征点匹配的效率.     

均值-标准差描述子与直线匹配

提出一种通过直线描述子来进行自动直线匹配的思想.直线描述子的建立分为以下3个主要步骤:首先为直线定义平行邻域并将该邻域分解为一系列平行线,其次通过选择图像特征建立直线描述矩阵,最后通过计算描述矩阵列向量的均值和标准差获得直线描述子.基于不同的图像特征(灰度、梯度和梯度幅值),提出3个具有平移、旋转和线性光照不变性的直线描述子.实验结果表明本文提出的直线描述子具有较好的匹配性能.     

基于Harris角点匹配的工具识别方法

图像匹配对于工具识别过程具有重要意义,传统的图像匹配算法匹配过程复杂导致匹配速度慢,在实际应用中有局限。为了提高工具识别的效率,通过分析工具图像特征,设计出一种基于Harris角点特征的图像匹配方法进行工具识别。首先用Harris算法提取工具模板图像与搜索图像角点特征,然后使用归一化互相关匹配算法计算工具模板图像与搜索图像角点特征的相关值,进而确定匹配点对,最后采用RANSAC去除错误匹配点对。通过实际数据验证,基于Harris角点特征的图像匹配方法与传统方法相比,不仅识别速度快,鲁棒性好,而且在实际工程应用中更具适用性。     

基于尺度不变Harris特征的准稠密匹配算法

准稠密匹配是多视图三维重建的重要技术,其性能对重建结果至关重要。针对常用的Sift算法提取的种子点进行准稠密匹配正确率较低、重建效果不佳的问题,提出了一种基于尺度不变Harris角点特征的准稠密匹配算法。该算法首先在图像多尺度空间构造尺度不变Harris特征,并采用余弦距离测度对不同视图进行双向匹配;然后根据稀疏匹配获取种子点,采用最优最先匹配扩散策略进行准稠密扩散;最后采用局部非极大值抑制策略对匹配结果进行重采样。实验表明,本文算法提取的种子点既能够体现场景结构信息,又具有尺度不变特性,用于准稠密匹配能够提高匹配的效果和精度,是一种有效的用于三维重建的准稠密匹配算法。     

SMT-PAAG下的Harris角点检测与匹配算法

结合多核处理器SMT_PAAG的平台特性,实现基于数据并行和任务并行的Harris角点检测与匹配算法。在SMT-PAAG仿真器上对其算法进行验证,根据加速比和效率两个性能指标对实验结果进行分析,结果表明SMTPAGG上Harris角点检测与匹配算法的并行化实现效果显著。     

基于双向最大相关与视差约束的特征点匹配

提出一种基于双向最大相关与视差约束的特征点匹配方法,首先利用双向匹配策略来提高匹配精度,然后基于视差约束条件进一步剔除误匹配点,实验证明该算法不仅简单高效而且匹配精度高。     

角点距离矩阵和同心圆划分的曲线描述与匹配

曲线匹配对于物体识别、目标跟踪、碎片拼接等有着重要的意义。针对曲线匹配的效率与鲁棒性问题,提出了一种基于角点距离矩阵和同心圆划分的曲线描述与匹配算法。该算法分为粗略匹配和精确匹配两个阶段。粗略匹配阶段首先采用角点距离矩阵来描述曲线;然后通过子矩阵的方法来匹配曲线。精确匹配阶段首先采用同心圆划分的方法描述曲线;然后通过两条曲线同心圆描述集的差异度度量函数来度量他们的相似性。算法不仅具有平移、旋转、缩放不变性,而且具有较强的鲁棒性,可用于遮挡物体的匹配以及基于轮廓的图形拼接。实验结果表明了该算法的有效性和可行性。     

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Harris角点和SIFT描述符的高分辨率遥感影像匹配算法

影像匹配是诸多遥感影像处理和影像分析的一个关键环节。传统基于角点的灰度相关匹配算法由于不具备旋转不变性而需要人工干预进行粗匹配,无法实现自动化。SIFT(scale invariant feature transform)算法能很好地解决图像旋转、缩放等问题,但是对于几何结构特征更加清晰、纹理信息更加丰富的高分辨率遥感影像而言,该算法消耗内存多、运算速度慢的问题非常突出。将两者结合,提出基于Harris角点和SIFT描述符的影像匹配算法。实验结果表明,相比SIFT算法,该算法大量缩减了运算时间,同时保留了SIFT描述符的旋转不变性和对光照变化的适应性,克服了灰度相关算法无法实现全自动的缺点,在高分辨率遥感影像匹配上效果较好。     

基于联合特征块学习的特征直线描述方法

特征直线描述是特征直线匹配过程的关键和基础。为了改善手工设计方法在复杂场景下存在区分性弱、鲁棒性差的缺陷,提出了一种基于联合特征块学习的特征直线描述方法。首先,在原有的小型直线数据集上重新构造直线块,即通过联合每幅图像中直线支撑区域内像素的亮度与梯度获得固定大小的直线块。其次,将获得的直线块输入预先训练的L2-Net,使用微调策略和三元组损失函数训练网络。最后,输出紧凑且强区分性的特征直线描述子。特征匹配任务的实验结果证明,所提出的基于联合特征块学习的特征直线描述方法与最先进的手工直线描述符相比,更具有优越性和有效性。     

一种基于局部最大熵的特征匹配算法

传统的基于灰度的匹配算法抗噪声能力和抗局部几何变形能力较差，通过图像熵变换，提出了一种新颖的基于局部最大熵的特征匹配算法；通过局部特征点所在区域的相关匹配，获得具有最大可信度的匹配结果。由于匹配只是在特征点之间进行，且在匹配过程中引入外极线和一致性约束条件，从而大大降低了计算消耗和误匹配率，获得了比较理想的表面离散深度图。     

基于Harris和几何哈希法的目标匹配

复杂环境下的目标匹配会受到物体缩放、旋转、遮挡及光强变化等影响,是模式识别领域的一项难题。针对该问题,提出一种基于Harris算法和改进几何哈希法的目标匹配方法。利用Harris角点提取算法检测兴趣点,通过改进的几何哈希法实现多目标匹配。实验结果表明,该方法可实现复杂环境下的目标匹配,提高匹配精度和速度。     

基于特征模糊相关的特征聚类算法

本文参照在自动分类问题中一种常见的基于Kullback-Leibler距离的特征聚类算法,针对其特征压缩造成的性能损失而导致分类性能下降的问题提出了改进,结合模糊数学的思想,提出了一种基于特征模糊相关的特征聚类算法FFC,最后在本文的一个应用系统AGENT上给出实验数据,并比较了两种算法的差异.     

基于Harris角点匹配的目标跟踪

采用Harris算子提取图像角点,将角点进行NCC运算后求得粗匹配对数,使用Ransac匹配算法进行精匹配.考虑到角点匹配过程中误匹配情况的存在,改进了基于角点匹配的目标跟踪方法,采用计算角点偏移均方差的方法,剔除偏移量较大的点,取匹配效果较好的前几个匹配角点来计算当前窗口的移动位置.     

基于深度特征学习的复杂环境下陌生人脸匹配算法研究

复杂环境下的陌生人脸匹配,即在人脸存在光照、姿态干扰时,判断两张在训练集中从未出现过的人脸照片是否代表同一个人。在预处理阶段,采用多尺度视皮层算法,降低光照的影响,提出并采用基于PCA-SIFT特征的图片融合算法无监督地对齐人脸,降低人脸姿态的影响。在识别阶段,提出并采用半随机池化方法优化了局部卷积限制波尔兹曼机网络的稳定性,习得深度特征后采用基于信息熵的度量学习算法计算马氏距离并通过SVM分类识别。实验结果显示,提出的方法在LFW数据集上取得了78%的识别率,相比于采用相同训练模式的经典度量学习方法取得了7%的提高,验证了所提方法的有效性。     

基于NCC与SSDA的快速特征点匹配融合算法

快速、正确的匹配从两幅或多幅图像中提取出来的特征点是基于特征点图像配准问题的关键。传统的只使用归一化互相关匹配（NCC）算法进行的特征点粗匹配,虽然具有较强的抗噪声能力,但是匹配的速度很慢,而且错误率也比较高。因此,在研究了NCC算法与序贯相似度检测（SSDA）算法基础上,并改进了SSDA算法的非相似度计算方法,提出将两种算法融合在一起形成一种快速的特征点匹配算法,改进算法充分利用了两种算法的优点,大大提高了特征点的匹配速度,而且减少了错误匹配的个数。通过实验证明,该算法是一种有效的特征点匹配算法,比只使用NCC算法进行特征点匹配所需的时间降低了70%以上,正确匹配率也有所提高。     

基于亮度序的均值标准差描述子

在已有均值标准差曲线描述子(MSCD)的基础上,引入亮度序划分思想,提出一种基于亮度序的均值标准差描述子(IOMSD).与传统描述子构造时采用固定位置进行子区域划分不同,文中依据局部区域内各像素点的亮度大小关系划分子区域.该方法能克服图像形变带来的边界误差,且对线性光照和单调光照变化具有不变性.实验结果表明,IOMSD对旋转、视角变化及光照变化图像具有鲁棒性,尤其在形变稳定性上优于已有的MSCD算法.     

一种基于环间面积比的旋转、平移和缩放不变性描述符

提出一种具有旋转、平移、缩放和镜像不变性的描述符。该描述符通过对二值化图像在空间上的划分,以对象在每个环内的分布为特征。首先证明所定义的描述符具有四个不变性,然后用提出的特征完成手势的识别。通过实验表明,当待识别对象存在一定形变时,该描述符仍能够较好地完成匹配,且准确率高于其它算法,表明该特征的鲁棒性。另外,基于对象空间分布的概念可拓展到其它应用中,如计算环内的Hu矩、曲线能量,甚至链码和傅里叶描述子等从而形成新的特征。     

基于改进算法的航拍图像匹配方法

针对无人机航拍过程中因发生机体抖动或机身倾斜而造成的拍摄图像畸变会导致匹配效率低、错误率高的问题,提出一种改进的ASIFT和RANSAC算法相结合的航拍畸变图像匹配策略。对航拍畸变图像采用ASIFT进行预处理,在关键点周围建立的内、外两个八边形邻域内构建112维描述子代替传统SIFT算法的128维描述子,再采用RANSAC算法剔除误匹配点。仿真结果显示,该方法适用于无人机航拍图像的配准,具有仿射不变性,且与传统的ASIFT+RANSAC方法相比匹配速率提高了10%~20%,正确匹配率提高了5%~10%。     

粒子群优化点匹配算法

点匹配问题一直是计算机视觉,模式识别,医学临床诊断等领域的一项重要基础性工作。本文提出了一种基于粒子群优化算法的准确、快速和鲁棒性的点匹配方法。该方法首先确定两个特征点集的点匹配问题的能量函数,通过最小化该能量函数可以同时得到点集之间的匹配矩阵和映射参数,利用粒子群优化算法求解变换参数。实验表明,该算法适用于点匹配,具有操作方便,可靠性好,不易陷入局部极值等优点。