一种结合ORB算法的SIFT图像配准算法

在基于SIFT算法的图像配准过程中有两个重要的环节:特征提取和特征匹配。针对算法在特征提取时存在的计算量大、复杂度高、速度慢等问题,该文提出了结合ORB算法的思想,对SIFT算法进行特征提取的优化,从而实现快速地提取图像的局部特征。在特征匹配阶段采用K最近邻的BBF搜索策略并结合RANSAC算法进行提纯,消除误配点。实验结果表明,改进后的算法降低了配准时间,提高了配准精度,适用于一些对实时性要求较高的场合。     

一种面向SIFT特征匹配的过滤新算法

针对SIFT匹配算法存在误匹配的情况,提出了一种基于三角形相似的匹配特征点过滤算法,即在SIFT算法中使用欧式距离判断特征点相似性后,对匹配的特征点构造三角形,通过判别三角形相似对匹配特征点进行进一步过滤。实验结果表明,三角形相似算法能大大提高匹配精度。     

基于改进的SIFT特征的图像双向匹配算法

图像匹配是计算机视觉中许多领域的基础,特征提取则是图像匹配的基础,其中不变量特征是一个重要的理论。SIFT是最有效的尺度、旋转、亮度不变量局部特征之一,但算法复杂、计算时间长。分析了SIFT的计算时间分配,通过计算关键点的邻域梯度直方图时动态修改采样步长,大大提高了SIFT的计算速度。分析了基于SIFT特征的图像匹配算法,提出了双向匹配算法,提高了图像匹配的准确率。实验结果表明所提出的方法是有效的。     

一种提高SIFT特征匹配效率的方法

为了提高SIFT特征匹配的效率,首先改造了SIFT特征描述符相似性度量的形式,以街区距离代替欧氏距离作为特征描述符之间的相似性度量,降低了相似性度量公式的时间复杂度;其次,提出了最近邻和次近邻假设算法,即假设待匹配图像中任意2个特征点为最近邻点和次近邻点,通过比较当前特征点与待匹配图像中其他特征点之间的距离,以及当前特征点与假设的最近邻和次近邻之间的距离,实现最近邻和次近邻的替换,最终得到实际的最近邻点和次近邻点。算法减少了相似性计算过程中特征点比较的次数,从而减小了算法的计算量。实验结果表明,提出的算法在保持鲁棒性的同时提高了SIFT特征匹配的效率,能够为一些快速性应用提供保障。     

SIFT特征匹配算法的研究

当前,SIFT算法在特征匹配研究中是比较成功的一种特征算法,因为它不仅对图像的旋转、平移、缩放能保持不变,对部分遮挡和对比度的变化也可维持稳定而被应用于图像立体匹配中。旨在介绍SIFT算法的基本原理,比较一些SIFT改进算法的优缺点,并指出今后发展方向。     

图象特征点提取及匹配算法

针对图像特征提取与匹配的适应性和准确性的问题,本文提出将尺度不变特征变换算法应用到图像特征点提取与匹配。算法首先采用SIFT提取图象的特征点及其描述,然后采用基于置信度的匹配算法进行特征点的匹配。通过对不同光照条件、焦距、拍摄角度的图像进行特征点的提取及匹配,实验结果表明,本文算法对图像的平移、旋转和仿射变换具有很好的适应性和准确性,可以进一步应用到图像识别,图像重建等领域。     

改进的SIFT特征提取和匹配算法

针对月球影像和尺度不变特征变换(SIFT)算法的特点,在改进SIFT特征提取算法的基础上,提出了一种稳健的图像自动匹配策略。首先,自动调整SIFT算法中的对比度控制系数,提高关键点提取的均衡性;然后,用SIFT描述向量之间的欧氏距离最小值与次小值的比值作为阈值,进行粗匹配,并利用匹配对主方向角度差直方图剔除部分伪匹配;最后,自动计算随机采样次数、误差容忍度等参数,使用改进的随机选取一致性(RANSAC)方法确定透视变换模型初始参数,并用该模型和误差容忍度对匹配集合中的匹配对进行校验,选取出正确的匹配对。实验结果表明,在图像有一定程度的视点、光照、旋转、比例、模糊和对比度变化等情形下,该算法稳定、可靠。该方法能有效解决图像匹配门限的选择问题,真正实现了无人工干预的自动匹配。     

基于视觉的目标识别中改进SIFT算法研究

为解决SIFT特征匹配算法计算量大、运算速度慢等问题,在详细分析了原有经典算法的基础上,对其进行改进:一方面从降低运算复杂度的角度考虑,通过对每个像素的梯度模值和梯度方向进行高斯加权,将原有128维的特征描述符降低至24维;另一方面对特征向量的搜索方法进行改进,在原有BBF搜索方法的基础上,引入每一维度的数据与节点之间的关系来限定搜索范围,减少搜索次数,提高算法的搜索速度,进而减少算法整体的运行时间。最后,通过实验验证算法在运算速度上的提升,同时对匹配的准确度进行分析,在保证算法准确度的基础上提升运算速度。     

景象匹配算法SURF和SIFT匹配性能研究

为了提高SINS/GPS组合导航中景象匹配辅助的精确性和可靠性,必须在景象匹配区的适配性因素不同时选择到合适的匹配算法。系统对SURF和SIFT2种匹配算法的适用条件进行研究,比较各适配性因素对匹配区选择以及匹配算法性能的影响。实验结果表明,2种算法都更容易在地物稳定的区域内找到稳定特征点,匹配成功率取决于基准图抗噪性和实时图旋转角度等适配性因素。     

一种新的指纹特征点匹配算法

近年来,文献中报道了许多指纹匹配算法,它们各有不同的特点.提出一种新的指纹特征点匹配算法,通过指纹特征点匹配来实现指纹图像的匹配.这种算法通过采用圆形匹配限制框和简化计算步骤等方法,优化了Anil Jain和Xiping Luo等人的算法.对一组由扫描仪获取的指纹图像做实验,结果表明,该算法速度更快,精度更高,更适用于实时指纹识别系统.     

基于SIFT算法的目标匹配和识别

针对目标跟踪过程易受噪声干扰导致跟踪效果不理想,甚至丢失跟踪目标的问题,利用了尺度不变特征变换（SIFT）方法对单帧图像进行了目标特征点的提取和匹配,并结合线性卡尔曼滤波和聚类分析,剔除误匹配,实现了目标位置的最小均方误差估计。仿真结果表明,当图像存在不同程度的噪声影响时,基于SIFT的卡尔曼滤波目标匹配算法能有效减小目标跟踪误差,精确识别目标位置,提高目标跟踪精度。     

基于无监督学习的SIFT鲁棒图像匹配算法

SIFT特征匹配算法的匹配能力强,但特征点中孤立点和噪声点等会导致部分特征点误匹配;不同图像间特征点的有关描述相近,也会造成两幅不同结构的图像,在提取出各自的SIFT特征点后相互匹配。为此,提出一种改进SIFT的图像特征匹配算法。该算法是在SIFT特征匹配的基础上,利用无监督学习方法对匹配异常点进行剔除,实现特征点的二次精确匹配。     

基于边缘几何特征的高性能模板匹配算法

基于灰度相关的模板匹配算法在很多情况下难以得到准确的匹配结果,提出一种基于边缘几何特征的高精度模板匹配算法.利用曲面拟合方法获得边缘的梯度方向和亚像素坐标作为匹配信息,采用图像金字塔的搜索策略对算法加速,最后利用最小二乘平差理论得到亚像素级的定位精度和精确的旋转角度信息.实验表明,对于目标旋转、均匀或非均匀变化的光照、部分遮挡的情况下可以得到良好的匹配结果,而且在保证高精度的同时算法可以满足实时性要求,重复定位精度优于商业化软化包MIL8.0的GMF算法.     

基于高光谱图像的改进SIFT特征提取与匹配

针对尺度不变特征变换(SIFT)算法所提取图像特征点数量少、误匹率高的问题,提出了一种基于高光谱图像的改进SIFT算法。首先,依据传统SIFT算法中高斯金字塔的构造思想,结合在不同波段下的高光谱图像具有相同宏观特征的特点,首次用高光谱图像作为原始算法中经高斯变换产生的图像,使得检测到的具有实际意义的特征点数量大幅增加;其次,传统SIFT算法以及大量的改进方法都只通过目标象元邻域范围内的像素信息来构造特征描述符,而忽略了像素点的位置信息,文中将目标象元的位置信息纳入了特征描述符,在特征描述符的匹配阶段,在利用邻域范围内的像素信息进行粗匹配之后,利用特征描述符中的位置信息进行精细匹配。仿真实验结果表明在限定最优值与次优值之比的情况下,采用高光谱图像构造高斯金字塔的方式能显著增加特征点的提取数量,更多地挖掘出图像中的极值点;在特征描述符中加入目标象元的位置信息作为特征点匹配第二阶段的判断依据,正确匹配数量达到原方法的59倍以上,极大提升了算法的匹配性能。     

基于灰度的环形块匹配算法

为了实现从补块数据库中找出与去除缺陷的板材相匹配的补块,提出了基于灰度的环形块匹配算法。从去除缺陷的板材从中选取一窄圆环,并将其等分为几个小块,按顺时针对各小块进行编号,计算出各环形小块的平均灰度值,用各小块的平均灰度值代替单个元素进行匹配,降低了噪声的影响,增强了算法的抗干扰能力,提高了算法的实时性。实验结果表明,运用这一算法能快速而有效地找到最佳匹配补块及匹配位置,验证了该算法的可行性,为缺陷修补的机械加工提供了依据。     

基于SIFT的单目移动机器人宽基线立体匹配

SIFT特征描述子是一种对图像旋转平移、缩放以及视角变化具有不变性的匹配特征描述方法,本文针对单目移动机器人环境探索中存在的大视差宽基线图像对的立体匹配问题,提出了一种基于SIFT特征描述子的单目移动机器人宽基线立体视觉匹配方法,通过提取SIFT不变特征点,构造SIFT特征向量,从而实现特征点对的初匹配,进一步利用RANSAC算法以及外极线约束进行匹配点的优化筛选,并通过三维重建实验验证了获得匹配点对的准确性。     

基于SIFT算法的双目立体视觉中图像匹配研究

通过对双目立体成像基本原理的研究,依据立体匹配算法的概况,描述了一种基于图像特征值的匹配方法 (SIFT算法)。介绍了SIFT算法的特点、主要思想和具体实现步骤,并在MATLAB7.0环境下进行匹配模拟实现SIFT算法。仿真分析表明,SIFT特征匹配对的位置信息、方向信息和尺度信息都是准确的。