基于DPP改进RANSAC算法的图像拼接

为提高图像拼接时的配准速度和精度,针对鲁棒性模型估计问题,提出一种基于行列式点过程的改进RANSAC算法（Random Sample Consensus）.该方法利用行列式点过程抽样法的全局负相关特性对匹配的特征点进行建模,实现抽样点的均匀化和分散化,剔除一些错误匹配点.用行列式点过程抽取的点集作为RANSAC算法的输入来求取变换矩阵.实验结果表明：该算法相对于传统的RANSAC算法,能够保持较高的精度和鲁棒性,减少传统RANSAC算法迭代次数,显著提升图像自动拼接的计算效率.     

基于结构相似的RANSAC改进算法

为了减少传统RANSAC（Random Sample Consensus,随机抽样一致性）算法的迭代次数和运行时间,提高算法的速度和精度,提出了一种基于结构相似的RANSAC改进算法。采用BRISK（Binary Robust Invariant Scalable Keypoints）算法提取和描述二进制特征点,用Hamming距离进行特征匹配,获得初始匹配点集,利用结构相似约束剔除误匹配点,得到新的匹配点集,用新的点集作为RANSAC的输入,求出变换矩阵。该算法在初始匹配后进行了匹配点提纯,能快速求得变换模型。实验证明该算法迭代次数和运行时间比传统RANSAC算法明显减少,因此改进的算法在速度和精度上优于传统的RANSAC算法。     

基于SIFT和改进的RANSAC图像配准算法

为解决RANSAC算法迭代次数过多导致图像配准精确率不高的问题,提出了一种改进的RANSAC图像配准算法。首先将参考图像和待配准图像进行NSCT变换分解成低频子带和高频子带。然后对高频子带运用矢量夹角算法和结构相似性（SSIM）来提取图像边缘特征点,对低频子带运用SIFT算法并设定合适的距离阈值来提取特征点。最后利用改进的RANSAC算法提高特征点匹配精度,选择出精匹配点对,实现图像配准。实验结果表明,该算法能有效地找到较多的匹配点对,准确地去除误匹配点对,明显地提高了配准精确度。     

改进的RANSAC算法在图像配准中的应用

为了提高图像配准的速度,提出了一种基于改进的随机抽样一致性（RANSAC）算法的快速图像配准方法。该方法首先采用Harris角点检测算法提取出参考图像和目标图像的特征角点,然后利用灰度相关性进行特征角点的匹配,最后采用基于预检测的RANSAC算法快速而精确地估计变换矩阵,进行图像配准。该算法中采用预检测的方法快速抛弃那些不是候选模型的临时模型,提高了算法的速度。同时使用随机块选取法选择样本,很好地消除外点的影响进而保证精度。实验结果表明,此方法在得到较高的精度和鲁棒性的情况下,还大幅度减少了运算量,提高了图像配准的速度。     

基于线对应的单应矩阵估计及其在视觉测量中的应用

单应矩阵估计在视觉测量、摄像机标定、三维重建等领域有重要的应用价值, 但是在具体应用中如何鲁棒、精确地估计单应矩阵仍是一个没有很好解决的问题. 在研究和实际应用中我们发现,直接线性方法在基于线对应的单应矩阵估计中会出现在某些特殊的摄像机姿态下误差较大的情况. 针对这一情况, 我们提出了一种基于线对应的归一化单应矩阵估计方法并将其应用到视觉测量中,即通过简单的归一化操作使测量矩阵元素的大小分布尽量均匀, 从而降低了测量矩阵的条件数, 提高了算法的鲁棒性, 同时又保持了直接线性方法简单、快速、易实现等优点. 模拟实验和真实图像实验均验证了该方法的有效性.     

基于ORB特征的无人机遥感图像拼接改进算法

针对传统的SIFT算法运行速度较慢、不适合处理实时性要求高的无人机遥感图像的缺点,提出了一种基于ORB特征的快速遥感图像拼接改进算法。首先通过ORB算法快速得到特征点和特征描述,采用K最近邻算法（KNN）进行粗匹配,然后采用随机抽样一致性算法（RANSAC）进行精匹配,最后使用改进的加权平均方法对图像进行融合拼接。实验结果表明,该算法在保证匹配精度的基础上,处理速度较经典的SIFT算法提高了41倍。在图像融合时,该算法能有效地消除拼接重影错位现象。     

基于RANSAC的相机标定优化算法

针对相机标定中外参标定精度低和标定速度慢的问题，设计一种X型标靶及其标定方法。对随机采样一致性算法(RANSAC)进行改进以及重新设计标靶，通过迭代更新得到最优单应性矩阵来优化相机外参旋转矩阵R和平移矩阵T。实验结果表明：该标靶减少算法迭代次数，提高了47%的标定速度，该RANSAC算法，新添应对存在多个最大值相同的方法，增加标定稳定性和精度；通过两组对比实验的分析，验证了该方法的可行性和稳定性，提高了相机标定速度。     

基于多尺度残差网络的单应估计方法

单应估计是许多计算机视觉任务中一个基础且重要的步骤。传统单应估计方法基于特征点匹配,难以在弱纹理图像中工作。深度学习已经应用于单应估计以提高其鲁棒性,但现有方法均未考虑到由于物体尺度差异导致的多尺度问题,所以精度受限。针对上述问题,提出了一种用于单应估计的多尺度残差网络。该网络能够提取图像的多尺度特征信息,并使用多尺度特征融合模块对特征进行有效融合,此外还通过估计四角点归一化偏移进一步降低了网络优化难度。实验表明,在MS-COCO数据集上,该方法平均角点误差仅为0.788个像素,达到了亚像素级的精度,并且在99%情况下能够保持较高的精度。由于综合利用了多尺度特征信息且更容易优化,该方法精度显著提高,并具有更强的鲁棒性。     

一种基于几何约束的RANSAC改进算法

图像拼接技术中消除特征点误匹配是一项重要环节,针对传统的消除误匹配的RANSAC算法迭代次数多,计算复杂度较大且不能完全消除误匹配等缺点,提出了一种基于几何约束的RANSAC改进算法。该算法将几何约束法应用到RANSAC算法中,对图像特征匹配点进行聚类分组,根据每条匹配点对连接线的斜率应该相等、长度也应该相等这两个几何关系建立预判断模型,对匹配点对集合进行预提纯。实验证明,该算法相较于传统的RANSAC算法,误匹配基本消除,迭代次数减少,计算效率提高,从而提高了图像匹配算法的效率。     

基于SIFT特征匹配的稳健图像拼接算法

针对尺度不变的特征变换方法(SIFT)运用在图像拼接上存在错误匹配,以及匹配后点对位置并不严格对应的两点不足,提出运用随机取样一致性算法(RANSAC)筛选匹配后的点对,并借鉴KLT追踪算法修正特征点的位置,进而得到精确的变换矩阵.实验结果表明,该算法在继承了SIFT算法较强鲁棒性的同时,进一步提升了拼接的精度.     

Metric sensing and control of a quadrotor using a homography-based visual inertial fusion method

The combination of a camera and an Inertial Measurement Unit (IMU) has received much attention for state estimation of Micro Aerial Vehicles (MAVs). In contrast to many map based solutions, this paper focuses on optic flow (OF) based approaches which are much more computationally efficient. The robustness of a popular OF algorithm is improved using a transformed binary image from the intensity image. Aided by the on-board IMU, a homography model is developed in which it is proposed to directly obtain the speed up to an unknown scale factor (the ratio of speed to distance) from the homography matrix without performing Singular Value Decomposition (SVD) afterwards. The RANSAC algorithm is employed for outlier detection. Real images and IMU data recorded from our quadrotor platform show the superiority of the proposed method over traditional approaches that decompose the homography matrix for motion estimation, especially over poorly-textured scenes. Visual outputs are then fused with the inertial measurements using an Extended Kalman Filter (EKF) to estimate metric speed, distance to the scene and also acceleration biases. Flight experiments prove the visual inertial fusion approach is adequate for the closed-loop control of a MAV.     

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RANSAC的图像拼接方法

为解决常用SUSAN角点检测的阈值都是固定的,检测出的角点经归一化互相关后直接使用RANSAC(即随机抽样一致性算法)得到的单应性矩阵准确度不高等问题,给出了一种改进的RANSAC图像拼接方法.利用具有自适应阈值的角点提取算法抽取图像的角点特征,采用引导匹配的方法重新进行归一化互相关,增加了准确匹配点的个数,提高了单应性矩阵的估算效果,最后采用拉普拉斯金字塔对配准后图像进行分层融合、拼接.实验结果表明,该方法比常用方法具有更好的矩阵估算效果,拼接效果良好.     

一种视频序列的全景图绘制算法

针对帧间变换为单映变换的视频序列全景图的绘制,提出了一种视频序列的全景图绘制算法.该算法首先采用基于模型的等级估计法对相邻帧的单映变换矩阵进行估计;然后采用基于RANSAC的特征点匹配方法对非相邻帧进行带指导的改进估计,以使其能够达到要求的子像素级精度;最后运用时间中值滤波绘制全景图.实验结果表明,该算法检测的全景图不仅帧间配准达到了一定的子像素级精度,而且基本达到了无缝连接.     

一种对光照和遮挡鲁棒的单应性估计方法

单应性估计是计算机视觉领域中的一项基本任务。为了提高单应性估计对光照和遮挡的鲁棒性, 提出了一个基于无监督学习的单应性估计模型,该模型以 2 幅堆叠的图像为输入,以估计所得单应矩阵为输出。 提出双向单应性估计平均光度损失;然后,为了增加感受野和提高网络模型对形变、位置变化等的抗性,为网 络模型引入空间转换网络(STN)模块和变形卷积;最后,通过插入随机遮挡形状,首次将遮挡因素引入单应性 估计任务的合成数据集,使训练出的模型对遮挡具有鲁棒性。与传统方法相比,该方法保持了相当或更好的准 确性,且在估计低纹理或光照变化大的图像对的单应性时表现更好;与基于学习的单应性估计方法相比,该方 法对遮挡具有鲁棒性,且在真实数据集上具有更好的表现。     

基于SURF特征的航空序列图像位置估计算法

视觉传感器在航空无人机导航和定位任务中应用越来越广泛。针对无人机位置参数估计问题,提出了一种基于SURF特征的图像配准算法,该算法能够适应航空序列图像的旋转、尺度变换及噪声干扰,实现无人机位置的精确估计。构建了SURF尺度空间,运用快速Hessian矩阵定位极值点,计算出航空图像的64维SURF特征描述子;基于Hessian矩阵迹完成特征点匹配;使用RANSAC算法剔除出格点,实现位置参数的精确估计。通过航空图像序列实测数据位置估计实验,验证了该算法的有效性。