基于角点特征的高精度图像配准算法

为了快速准确提取图像特征和匹配点对,提出了一种基于角点检测的高精度图像配准算法。该算法首先检测参考图和实时图的角点信息,然后采用双向迭代匹配算法对参考图和实时图的角点进行匹配,再根据基于仿射变换模型的RANSAC算法对候选的匹配点对进行筛选,消除错误匹配对,并估算出最佳仿射变换参数,最后用所得变换参数对实时图进行变换和重采样来实现图像配准。实验结果表明:该算法具有良好的配准精度。     

SIFT特征匹配算法优化

基于SIFT特征的图像目标匹配与检测应用中,特征点的误匹配将直接影响系统对目标检测的灵敏度。提出了一种将二分查找法与仿射变换结合,用于目标快速检测的方法。先用算法复杂度较低的最近邻-次近邻法对SIFT特征点进行粗匹配,并用匹配对中两特征点与主方向角度差进行筛选。随机选取若干组特征点,计算其仿射变换参数,依据其参数的统计分布特点,用二分查找法得到最优解,实现对目标的检测。结果显示,算法有较高的检测效率和稳定性。     

基于改进SIFT的图像特征匹配算法

鉴于传统尺度不变特征变换(scale invariant feature transform,SIFT)算法特征描述子维度过高、匹配时间长和误匹配率较高的问题,提出一种改进SIFT的图像特征匹配算法.首先,将SIFT特征点邻域的方形区域改为十字形分区来简化特征描述子,降低描述子的维度,减少匹配计算量;然后,在由欧式距离...     

基于SIFT联合描述子的航拍视频图像镶嵌

针对存在明显旋转、尺度或模糊等变化的图像,文章提出了一种基于SIFT联合描述子的航拍视频图像镶嵌算法。该算法首先计算经典的SIFT特征局部描述子,然后通过引入图像的形状信息得到每个特征点的全局描述子,进而获得联合描述子;对联合描述子中的局部描述子采用欧氏距离、全局描述子采用卡方距离进行双向匹配,通过加权平均法融合得到联合描述子的匹配距离;采用RANSAC算法精确估计仿射变换模型参数。实验结果表明:该算法具有较好的鲁棒性,可获得较好的镶嵌结果。     

改进的SIFT算法在图像特征点匹配中的应用

为了提高图像拼接过程中常用的SIFT(尺度不变特征)算法的特征点匹配准确率,减少误匹配特征点的数量,为后续的图像拼接提供准确的依据,通过将SIFT算法和RANSAC(随机抽样一致性)算法相结合,提出了一种提高SIFT算法匹配准确率的算法。在利用SIFT算法对目标图像进行特征提取以及特征点匹配后,再由RANSAC算法利用迭代方式估算出一个合理的数据模型,剔除掉不符合该模型的错误匹配点。最后利用该算法得到的匹配特征点进行图像拼接,拼接后的结果表明该算法准确、有效。     

基于Harris角点和SIFT算法的车辆图像匹配

车辆图像匹配广泛应用于车辆识别和跟踪,其中SIFT(Scale Invariant Feature Transform)特征匹配算法是当前国内外特征点匹配研究的热点,但针对车辆等刚体特征明显的目标,SIFT算法在时间复杂度和稳定性方面留出了改进空间.针对车辆图像匹配,本文基于Harris角点检测对SIFT算法进行改进.实验结果表明:该方法在车辆图像匹配时,稳定性和实时性优于SIFT算法.     

基于SIFT-SUSAN融合的草地障碍物识别算法

SIFT(scale invariant feature transform)是一种对图像旋转、缩放、仿射变换具有良好不变性的机器视觉算法,在图像匹配识别上具有广泛的应用。但SIFT算法在对草地障碍物识别上存在误匹配率高和运算速度慢的问题,针对该问题提出一种SIFT-SUSAN融合算法。算法引入SUSAN算子检测并提取障碍物特征边角点,使用SUSAN提取的特征边角点和SIFT提取的特征点融合计算,对SIFT的提取特征点精简筛选后进行特征匹配。实验结果验证该算法具有可行性和有效性,提高了匹配的准确率和识别速度,且具有较好的鲁棒性。     

基于SIFT-SUSAN融合的草地障碍物识别算法

SIFT(scale invariant feature transform)是一种对图像旋转、缩放、仿射变换具有良好不变性的机器视觉算法,在图像匹配识别上具有广泛的应用。但SIFT算法在对草地障碍物识别上存在误匹配率高和运算速度慢的问题,针对该问题提出一种SIFT-SUSAN融合算法。算法引入SUSAN算子检测并提取障碍物特征边角点,使用SUSAN提取的特征边角点和SIFT提取的特征点融合计算,对SIFT的提取特征点精简筛选后进行特征匹配。实验结果验证该算法具有可行性和有效性,提高了匹配的准确率和识别速度,且具有较好的鲁棒性。     

基于SURF目标跟踪算法研究

SIFT算法是特征图像特征提取中一种最具鲁棒性的算法,但是其在特征提取匹配上速度较慢,很难满足实时目标跟踪的要求。使用SURF特征提取方法既保持了SIFT算法的高精度的优点,又克服了速度慢的缺陷。提出使用SURF提取并且匹配目标的特征点,用重心算法计算目标的脱靶量,通过小区域跟踪方法和高速硬件平台实现目标的实时跟踪。实验证明,算法对目标的轻微旋转、部分遮挡、亮度变化具有很强的鲁棒性,跟踪速度比SIFT算法也极大提高。     

基于FAST角点检测的图像配准算法

提出了一种具有类SIFT描述特征的FAST角点检测的图像配准算法。先利用FAST对图像进行特征点提取;然后,采用圆环结构算子对提取出的特征点进行类SIFT的特征描述;最后,通过K-D算法将提取出来的特征点进行粗匹配,并使用视差梯度进行预筛选,使用RANSAC算法提纯,从而实现特征点匹配。试验结果表明,与SIFT算法和改进的SIFT算法相比,本算法减少了误匹配的数目,提高了匹配的精确性和稳定性。     

基于三角形相似性的图像匹配算法研究

本文提出一种新的H／S（Harrls／SIFT）特征点提取算法,在此基础上根据三角形相似性原理,引入基线三角形组及复数空间,使传统的被动搜索三角形变为主动构造三角形,并利用多模板实现图像匹配。实验表明该匹配算法在图像存在旋转、尺度变化等情况下具有良好的应用性能。     

结合SIFT和Harris算法的小型无人机影像拼接方法

考虑到小型无人机影像的成像过程具有视点离散、视角变化有规律等特点,选择拼接参考基准影像,利用无人机的GPS/IMU参数信息计算图像相交区域来减小图像匹配范围;综合利用Harris特征点提取算法和SIFT特征向量计算方法,进行特征点的提取和特征向量的计算,并用PCA算法进行降维处理;在特征匹配过程中,采用最临近(NN)方法和BBF算法提高匹配速度,应用PROSAC特征点提纯和仿射变换整体平差算法提高匹配的精度;最后利用光度对准和加权平均算法进行光度差异消除,实现了无人机影像的拼接。实验结果表明了文章中的图像拼接方法在准确性、效率方面具有优势。     

基于SIFT特征匹配算法的目标跟踪及视频采集与传输研究

为了有效解决复杂背景情况下运动物体的跟踪问题,提出了一种基于SIFT特征匹配算法的目标跟踪方法。通过构建Do G尺度空间、FIFT特征点检测、特殊点描述子算法、特征点匹配将参考图像和待匹配图形进行SIFT特征点匹配,实现目标跟踪;并通过视频采集模块和无线传输模块将采集的目标图像进行无线传输。实验结果表明:SIFT特征匹配算法可对复杂环境中的目标信息进行有效跟踪。     

基于改进SIFT特征和粒子滤波的目标识别仿真研究

针对在目标识别中原始SIFT（尺度不变特征转换）特征算法计算量大,特征点匹配耗时长等缺陷,采用一种改进的SIFT特征算法。在原始的SIFT算法基础上简化了特征描述符,以及对匹配算法进行了改进,考虑到识别过程中目标物体的特征点会发生变化,因此结合粒子滤波来实现对目标物体的识别。仿真结果表明：该方法继承了原始SIFT算法的优点,有效地避免了一些干扰,减小了计算量,在结合粒子滤波算法后能够有效地更新特征点的匹配,最终实现了对目标物体准确的识别。     

基于无人机航拍图像拼接算法的优化

目的为了提高无人机航拍图像拼接的精度,深入研究了航拍图像拼接中提取特征点的算法,并对原算法加以优化.方法在图像特征点提取的SIFT算法中,设计了一种将Harris角点检测算子融入SIFT特征点提取的优化算法,优化后可以突显获取到的特征点的独特性.结果利用优化算法获取图像特征角点,可以降低实验过程中所消耗的检测时间,有效地改善了SIFT算法中匹配数据量大及过程繁琐的弱点,同时优化算法简化了图像特征点匹配的计算过程,降低了计算量,提高了实验效率.结论优化算法可以去除大量的类匹配点,使图像特征点的独特性更加明显;也提高了图像的配准精度,增强了关键点的稳定性,在关键点的匹配速度和准确率上有积极的影响.     

遥感影像SIFT特征匹配的并行实现及优化

基于SIFT特征的遥感影像匹配精度高、稳定性强,但SIFT算法复杂度高,遥感影像特征点丰富使得匹配过程耗时较长.为提高遥感影像特征匹配的实时性,文章提出一种基于CPUGPU协同处理的SIFT算法并对其进行了优化.通过高斯卷积分离、调整极值点检测顺序、建立特征点索引等方式实现了特征提取的加速.运用替代欧氏距离、并行规约等方法加速了特征匹配过程,并使用双向匹配算法提高了匹配准确率.实验表明,相比于传统串行算法,在Tesla C2050上实现的SIFT并行算法最高加速比可达41.4倍,且减少了一定的误匹配.文章提出的算法在保证匹配准确度的同时,大幅缩短了数据处理的时间,有效提高了遥感影像匹配的实时性.     

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换（SIFT）算法的精度和稳定性都不够,而加速鲁棒特性（SURF）算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFF算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。     

基于SIFT和HSI模型的彩色图像复制-粘贴盲鉴别算法

针对彩色图像复制-粘贴篡改中误匹配的问题,提出一种基于SIFT和HSI模型的彩色图像复制-粘贴盲鉴别算法。首先确定彩色图像的SIFT特征点和特征向量;然后对每个SIFT特征点提取HSI彩色特征;最后对两两不同特征点的SIFT特征向量和HSI特征向量进行匹配,确定图像的复制-粘贴篡改区域。实验结果表明:本文算法与SIFT算法、SURF算法和改进SIFT算法相比,能有效地降低误匹配率,并对高斯模糊、白噪声和JPEG重压缩有较强的鲁棒性。     

基于SIFT算法的图像匹配方法

依据Brown的理论,并基于SIFT算法提出了一种有效的图像匹配方法。首先对图像进行高斯和Wallis滤波处理,然后采用简化SIFT算法进行特征点提取,最后通过特征点双向匹配方法实现图像的精确匹配。通过对缺陷版图图像的试验验证了该方法具有匹配点数量多、准确率高、无重复点等优点。将该方法应用于优化线网的自动检测方面得到较好的效果,并为版图的优化打下了基础。     

点云分割匹配的三维重建算法

对三维空间进行测量并获得空间模型的任务中,目前的配准算法无法拼接两帧重叠区域过小的点云。以ICP算法为基础,提出基于多重高斯概率模型的点群匹配拼接算法。通过点云欧式分割算法对点云聚类,得到对应的点云子集,求取子集的高斯模型,根据高斯模型匹配互为映射的子集,利用改进的最近点迭代配准算法求取旋转和平移矩阵,再利用求得的矩阵对分割前的点云进行坐标转换,最终实现与目标点云的拼接。实验结果表明多重高斯概率模型的点群匹配拼接算法解决了目前因重叠区域过小不能准确拼接点云的问题。