基于B样条的改进型Harris角点检测算法*

在研究Harris角点检测算法时发现由于该算法采用高斯低通滤波进行平滑,因而对一些图像进行角点提取时,存在角点信息丢失和位置偏移等现象,而B样条函数可以收敛于高斯函数,并具有良好的逼近能力和紧支性等一些优秀的性质,从而基于B样条函数提出了一种改进的Harris角点提取方法。实验表明,该方法对提取角点非常有效。     

基于B样条的改进型Harris角点检测算法

在研究Harris角点检测算法时发现由于该算法采用高斯低通滤波进行平滑,因而对一些图像进行角点提取时,存在角点信息丢失和位置偏移等现象,而B样条函数可以收敛于高斯函数,并具有良好的逼近能力和紧支性等一些优秀的性质,从而基于B样条函数提出了一种改进的Harris角点提取方法.实验表明,该方法对提取角点非常有效.     

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B样条多分辨率表示的一种数字水印方法

本文根据B样条多分辨率表示的特点提出了一种盲数字水印方法,把原图像做二次小波分解,在低频子图像上用Harris特征点检测算法选取特征点,在以特征点为圆心的同心圆上选点的灰度值作为控制顶点建立B样条曲线,对B样条曲线做多分辨率分解,在低分辨率系数中嵌入水印。由于小波分解后选特征点以及Harris特征点具有几何变换不变性,试验表明该方法对JPEG压缩、缩放、旋转、平移、剪切、滤波等具有较强的抵抗力。     

基于图像熵的抗剪切局部数字水印算法

针对基于特征的数字水印算法中常用的Harris检测器进行改进,提出一种根据图像熵自适应调节Harris算法极值检测窗口大小,并结合局部图像特点自适应嵌入的数字水印算法.实验结果表明该算法提取的特征点分布均匀稳定,可以有效抵抗剪切攻击.     

基于人类视觉的B样条滤波算法

提出了一种基于人类视觉系统的B样条滤波算法,首先根据人类视觉特性确定噪声点,然后根据3×3窗口内噪声点个数自适应调整滤波窗口大小,最后采用B样条函数和中值滤波方法对噪声点进行逐点滤除.该方法既能有效地去除噪声,又能较好地保持图像细节部分.最后给出模拟实验和分析,结果表明该方法是有效的,较标准均值滤波和中值滤波具有更好的滤波性能.     

基于B样条模型的曲线特征点检测法

提出了一种基于B样条模型的曲线特征点检测法。该方法首先用B样条函数对原始曲线进行副近,得到原始曲线的分段解析表达式,然后利用曲线曲率分布来确定其特征点。B样条曲线分段解析的特点提出了曲率估计的精度,进而使特征点检测的准确度也得到提高,同时B样曲线拟合过程在一定程度上起到了对原始曲线的平滑作用,可抑制噪声对特征点检测的影响,并且这种平滑不具有常规高斯平滑的萎缩效应。实验结果证明了本文方法的有效性。     

基于Freeman链码的B样条曲线轮廓拟合

提出了一种Freeman链码与B样条曲线误差控制相结合实现轮廓拟合的算法,首先利用Freeman链码法进行边界跟踪,根据相邻像素点间的不同的链码变化关系,排除伪特征点,提取出轮廓中绝大多数特征点,然后结合基于误差控制的B样条曲线法,取得能够精确表示轮廓信息的特征点。本文算法即避免了使用曲率来进行求取特征点的复杂计算,提高了特征点检测速度,又提取出能够精确拟合轮廓的局部支撑点,实现了基于误差控制的轮廓曲线拟合。实验结果证明了本文算法的正确性。     

运用特征点匹配的柱面全景图像快速拼接算法

针对大幅面图像的拼接问题,提出了一种新的基于特征点的柱面全景图像快速拼接算法。该算法在Harris角检测算法提取特征点的基础之上,针对传统RANSAC（random sampling consensus）算法在提纯匹配点时计算极其复杂,难以实现快速拼接的问题,设计了专门的聚类预筛选的方法进行图像特征点的预匹配,显著提高了特征点匹配的效率;在图像融合部分提出了最佳路径与HSI颜色空间的亮度权重函数相结合的算法,既有效消除了拼接图像中的鬼影现象,又使拼接图像达到了平滑融合效果。实验结果表明,该算法具有匹配精度高、鲁棒性强、计算效率高的特点。     

基于局部曲率函数的角点检测

角点检测是计算机图像处理领域的基本问题之一,在全局曲率函数角点检测的基础上,提出一种基于局部曲率函数的快速角点检测算法.通过Canny算子提取图像的边缘,在边缘的基础上计算轮廓的局部曲率函数,由于Canny算子首先用高斯滤波器对图像平滑处理,尽可能的去除了噪声而不损失角点,计算局部曲率函数的最大峰值,通过设定阈值检测出角点.对算法进行仿真,试验结果表明该算法可以稳定的检测角点,并对旋转、尺度和噪声具有较强的鲁棒性.     

深度卷积神经网络应用于人脸特征点检测研究

为解决在复杂环境下，如姿势不同、光照条件以及遮挡等因素导致传统人脸特征点检测算法的精度大幅度下降的问题，在特征点检测理论知识以及研究现状的基础上，针对传统卷积神经网络模型在处理人脸特征点检测问题时的不足之处，提出基于小滤波器的深卷积神经网络。算法引入小滤波器思想和以拓展“网络深度”优先的深层卷积神经网络模型，针对人脸特征点检测重新设计训练，提高了算法的有效性与适用性。通过将算法应用于ALFW和AFW人脸数据集上预测5点人脸特征点问题，并与其他多个经典算法进行对比分析，结果表明：基于小滤波器的深卷积神经网络在预测人脸5点特征点问题上有更好的准确性和鲁棒性。     

基于改进特征点检测的快速图像配准算法

针对传统特征点配准算法效率过慢、对特征点存在误检的现象,提出了一种基于特征点检测的图像配准算法.对特征点检测方法进行了改进,利用像素点与周围像素点的灰度关系滤除非特征点;对剩余的点使用提出的菱形模版进行精确检测,建立了特征点集合;利用迭代最近点(ICP)算法对特征点集合进行配准.实验结果表明:改进算法在特征点检测准确性和检测时间上明显提高,并且具有良好配准效果.     

基于改进ORB的视觉里程计算法

ORB-SLAM2因高斯金字塔离散、量化尺度的因素,易造成尺度量化误差.针对这一缺陷,提出孪生过滤器算法.通过在对数极坐标系下进行描述子构造,减少其量化误差,并在同层金字塔中构造笛卡尔坐标系下孪生描述子,利用该描述子距离实现过滤,从而提高特征点的尺度不变性,增强其匹配准确率.同时,针对ORB-SLAM2的四叉树算法过度追求离散度而忽略特征点质量问题这一情况,提出深度有限四叉树算法.利用特征点提取阈值以及特征点所在金字塔层进行自适应深度阈值设置,减小弱特征点区域的划分次数,从而减少弱特征点提取数目.实验表明,所提出算法能够有效提高特征点离散度、正确匹配特征点数目和匹配精度,具有更高的轨迹精度.     

基于Kinect的点云配准方法

Kinect采集的点云存在点云数量大、点云位置有误差,直接使用迭代最近点(ICP)算法对点云进行配准时效率低.针对该问题,提出一种基于特征点法向量夹角的改进点云配准算法.首先使用体素栅格对Kinect采集的原始点云进行下采样,精简点云数量,并使用滤波器移除离群点.然后使用SIFT算法提取目标点云与待配准点云公共部分的特征点,通过计算特征点法向量之间的夹角调整点云位姿,完成点云的初始配准.最后使用ICP算法完成点云的精细配准.实验结果表明,该算法与传统ICP算法相比,在保证点云配准精度的同时,能够提高点云的配准效率,具有较高的适用性和鲁棒性.     

一种用于无人机室内定位的改进ORB光流算法

针对无人机室内无GPS的导航定位问题,结合ORB特征与LK金字塔光流,提出了一种改进的ORB特征光流算法。采用ORB算法提取每帧图像的特征点,送入金字塔中估计下一帧点集坐标;采用前后双向单追踪策略进行粗匹配;采用FLANN-KNN匹配规则和前后双向双追踪策略组成的精匹配,进行误匹配点集的滤除。通过多种场景提取效果和无人机实际应用两部分实验,从实时性和精确性对算法性能进行了验证分析。仿真结果表明,改进算法具有较好的定位效果和较好的实时性。     

基于混合粒子滤波的目标跟踪

为了克服多目标跟踪中估计效果对初始样本选择的强依赖性,首先通过Harris角点检测和KLT算法实现对图像序列中的特征提取和匹配,然后利用Mean-shift算法对匹配的特征点进行聚类和定位,将Mean-shift算法与粒子滤波器相结合,提出了基于Mean-shift算法的混合粒子滤波器,给出了具体算法流程,并就实际图像序列的动态多目标跟踪进行了实验,实验结果证明了该方法的有效性。     

数字曲线上特征点的检测

本文提出了一种检测数字曲线上特征点的算法。它首先总结了目前已有的多边形近似和显著点检测算法，然后指出正确的特征点检测算法应结合估计和形状两方面的准则，最后提出了一种基于可靠线段的特征点检测方法。这种方法先从估计的观点找出曲线上的可靠线段，然后从形状理论的观点来组合这些线段以及剩余边缘点来获得曲线的特征点。如何寻找曲线上的可靠线段，本文提出了基于特征图分析的方法和卡尔曼滤波的方法。实验结果表明这种方     

基于三维点云模型的特征线提取算法

针对以往算法存在无法区分尖锐和非尖锐特征点、提取的特征点与视角有关、特征点未连线等问题, 提出一种基于高斯映射和曲率值分析的三维点云模型尖锐特征线提取算法。该算法先进行点云数据点的离散高斯映射, 并将映射点集聚类; 然后使用自适应迭代过程得到两个或多个面的相交线上曲率值和法向量发生突变的尖锐特征点, 这些点与视角无关; 最后, 用改进的特征折线生长算法, 将特征点连接, 得到光顺特征线。实验证明, 该算法具有良好的自适应性、抗噪性和准确性, 是一种有效的三维模型特征线提取算法。     

基于ORB-SLAM3的改进型特征匹配与稠密建图算法

针对传统ORB算法存在提取的特征点极易堆积在纹理丰富的区域及误匹配率高等而导致无法满足高精度定位要求,以及ORB-SLAM3系统无法构建稠密地图的问题,提出一种基于ORB-SLAM3的改进型ORB-GMS特征匹配方法,并增加稠密建图线程来实现稠密地图的构建。首先,在特征点提取过程中引入四叉树策略,将图像帧分为若干个网格,并在每个网格中提取最优特征点;然后,在特征匹配过程中将运动平滑约束转换为剔除错误匹配的统计量,通过比较匹配对邻域内的匹配对数量和阈值来快速筛选正确匹配;最后,完成位姿估计并根据关键帧与相应位姿完成稠密点云地图的构建。采用TUM的RGB-D数据集进行实验,改进算法提取的特征点相较传统ORB算法分布更加均匀,匹配数比ORB-SLAM3增加64.5%,比GMS算法增加4.7%,匹配耗时比ORB-SLAM3减少20.4%,比GMS算法减少94.6%,从而验证了改进算法在特征点提取与匹配方面的优越性,并且相较于ORB-SLAM3,改进算法的定位精度提高了3.75%,从而验证了其在总体上提高定位精度,进而实现稠密建图的可行性和有效性。     

基于关键特征点的改进TLD目标跟踪算法研究

TLD（Tracking-Learning-Detection）算法是一种新颖的单目标长时间视觉跟踪算法,在给定极少的先验知识的情况下,能够迅速地学习目标特征并进行有效的跟踪。TLD算法中跟踪器每次在跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点都能够被可靠地跟踪。针对这个问题,提出一种基于关键特征点检测的改进TLD算法,保证所选特征点都能够被正确可靠地跟踪,防止跟踪结果发生漂移,提高了跟踪器的跟踪精度。另一方面,在TLD检测器中引入了基于轨迹连续性的在线位置预测,在保证正确跟踪的前提下,缩小了检测器的检测范围,提高了运算速度。实验结果表明,该算法有较高的跟踪精度和速度。