基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

基于SIFT特征的鱼眼图像拼接算法

鱼眼图像在全景图拼接中优势明显，然而，由于鱼眼图像存在严重的透视畸变缺陷，往往导致拼接图像效果不理想，甚至导致拼接失败，针对该问题，提出基于 SIFT特征的鱼眼图像拼接算法，该算法先对鱼眼图像进行校正，采用SIFT特征算子对校正后的鱼眼图像进行特征提取和匹配，再利用RANSAC鲁棒算法对变换参数进行估计，最后使用加权平均法对图像进行拼接融合? 通过对不同场景下、不同重叠区域图像的全景图像拼接实验验证，与现有的拼接方法相比较，同等拼接质量下该算法得到的全景图像能够有效减少计算量、减少拼接次数，证明了该算法的适用性和有效性。     

基于SIFT特征和卡尔曼滤波的运动目标跟踪方法

针对运动目标发生旋转、尺度变化时跟踪难的问题,提出一种基于SIFT和卡尔曼滤波的跟踪方法。首先用卡尔曼滤波进行目标位置初定位,其次对运动目标SIFT特征进行分析计算,得到目标的运动方向,中心位置移动量,以及尺度变化量,最后以矩形框出运动目标。仿真结果表明：提出的方法对旋转、尺度变化的目标有较好的跟踪效果,而且计算量小,能保证跟踪的实时性。     

基于局部SIFT分析的手背静脉识别

针对新兴的手背静脉识别技术,提出了一种具有位移和旋转不变性的局部尺度不变特征(SIFT,scale in-variant feature transform)分析方法.首先确定手背静脉图像的感兴趣区域(ROI)并对其进行滤波去噪,然后提取手背静脉血管的SIFT并对特征点进行匹配,最后计算注册样本和待识别样本的特征匹配率并以此作为相似性测度进行身份识别.利用我们建立的手背静脉血管图像数据库对该算法进行了性能测试,并与目前最典型的识别方法进行了对比.实验结果表明,本算法具有更好的识别性能,其中识别速度得到了很大的提高.     

基于Kalman与SIFT的车辆跟踪算法

车辆跟踪是智能交通系统中的一项关键技术。文章在研究现有的车辆跟踪算法基础上,提出了一种基于卡尔曼（Kalman）与尺度不变特征变换（Scale invariant feature transform,SIFT）的车辆跟踪算法。通过将车辆的外接矩形信息转化为Kalman滤波参数,对车辆运动进行建模,结合SIFT特征匹配能够有效地解决车辆遮挡问题。实验结果表明,该方法能够对运动车辆实现稳定的跟踪,并且能够有效地解决车辆遮挡问题。     

基于外形特征与运动特征的人体行为提取方法

针对传统外形特征表征方法描述行为动作能力有限和运动特征表征方法难以准确、稳定地捕捉目标运动特性等问题。提出运用人体外形特征和运动特征相结合的方法提取人体行为关键特征,利用谱聚类算法对特征进行降维,降低了数据维数,获得了最优的特征表征。仿真实验表明,该方法降低了样本维数,减少了数据冗余,并提高了训练精度,且保证了行为识别率。     

一种基于SIFT特征的自适应滤波目标跟踪算法

针对目标跟踪过程中目标尺度伸缩和姿态形状的变化引起的目标丢失,以及使用单个模型跟踪机动目标不够理想,提出一种基于SIFT特征的自适应滤波目标跟踪算法.仿真结果表明,该算法在目标机动时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.     

基于SIFT算法的圆心快速精确定位技术研究

针对SIFT算法在圆心检测应用中的特点,分析了SIFT算法中存在的冗余步骤,提出对其进行简化改进:估计圆心所在的金字塔层,删减金字塔中多余的层数建立,并且通过提高滤除低对比度特征点阈值的办法减少背景特征点的生成,去掉了特征点辅方向分配和建立辅方向特征点这一步骤.分别对计算机模拟牛成的标准圆和实际的PCB定位标志图像做了圆心检测实验,实验表明,SIFT算法改进后在没有降低其定位精度及对图像的模糊、光照、仿射等变换适应性的情况下,大大缩短了检测时间,提高了检测效率.     

尺度不变特征在自寻的电视制导中的应用

为解决自寻的电视导引过程中目标的尺度和旋转变化问题,将尺度不变特征应用到电视制导算法中.采用了一种计算更为简单的改进尺度不变特征描述算子,通过极坐标将算子中的旋转变换改为简单的平移变换.针对地面目标的远距离高精度导引问题.设计了一种多模板更换的匹配策略.前几幅模板用于粗略定位目标,后续模板用于精选目标瞄准点.仿真实验表明,该算法能够满足远距离高精度的电视制导要求,实时性好.     

一种缩放情况下区分原始区域和篡改的方法

为了在检测结果中区分出原始区域和粘贴区域,提出一种基于尺度不变特征转换(SIFT)和重采样痕迹的图像盲检测算法。该算法首先将图像分成互不重叠块,利用SIFT算法找出每个块中的关键点,对关键点匹配;然后在每个块中以匹配关键点的中心为种子进行区域生长得到篡改区域;最后分析每个图像块的频谱图,计算出缩放因子,区分原始区域和复制区域。实验结果表明,该算法简便快捷,在能够对篡改区域进行准确定位的同时,并能区分原始区域和复制区域。     

基于SIFT特征点的抗几何攻击水印算法

提出了一种基于尺度不变特征变换(SIFT)和伪Zernike矩的抗几何攻击的鲁棒水印算法。首先,利用SIFT算法从载体图像中提取稳定的特征点;然后,根据特征尺度和方向自适应地确定每个局部特征区域大小和方向;最后,从中选择具有较大特征尺度互不重叠的特征区域,并利用量化调制伪Zernike矩幅值方法将水印嵌入到每个局部特征区域内。仿真实验结果表明,该算法不仅具有良好的透明性,而且具有较强的抵抗常规信号处理和几何攻击的能力。     

基于初始尺度变换的SIFT匹配算法

直接使用检测到的SIFT(Scale-Invariant Feature Transformation)特征点进行特征点匹配,匹配性能仍然有待提升.提出了改进的SIFT匹配算法,利用匹配特征点的尺度比直方图,估计出近似的图像尺度比k,然后将空间分辨率较高的图像初始尺度增大到k倍,再次提取特征点进行匹配.实验结果表明,相比于其它用尺度约束条件提升性能的匹配算法,基于初始尺度变化的SIFT匹配算法在处理结构型图像时性能得到了很大的提升.     

双层特征优化的视觉运动目标跟踪算法

视觉监控中运动目标跟踪容易受到遮挡、目标快 速运动与外观变化等因素的素影响,单层特征难以有 效解决这些问题。为此,提出一种像素级与区域级特征组合优化的视觉跟踪算法。首 先在像素级利用 目标和背景区域颜色特征的后验概率对目标与背景进行初步判别;然后对候选区域进行超像 素分割,并依据 像素级的判断结果,在超像素区域内利用投票决策模型对目标与背景信息进行统计分析,得 到精确的目标位 置分布;最后结合均值漂移迭代搜索得到目标的准确位置,并利用双层判别结果对目标跟踪 过程的遮挡情况 进行检测,同时动态更新目标以及背景区域信息以适应目标外观与场景变化。与典型算法进 行对比的实验结 果表明,本文算法能够有效应对目标遮挡与快速运动等因素的影响,适用于复杂场景条件下 实时的运动目标跟踪。     

一种改进的尺度不变特征识别算法用于建盏釉面的相似性判定北大核心CSCD

为解决建盏真伪区分问题,通过改进的尺度不变特征识别算法,建立实验原型系统,用于识别不同类型釉面的建盏。研究的识别模型在云端上提供服务,以便对建盏釉面的相似性进行判断。该系统采用Streamlit平台构建实验性人机交互界面。针对识别模型,研究开发了基于边界跟随法的图像预处理策略,旨在滤除背景和无关材料特征干扰,提高自然条件下拍摄的图像识别能力,以减少对建盏釉面的误判可能性。利用改进的基于支持向量机(support vector machines,SVM)的尺度不变特征变换(scale-invariant feature transform,SIFT)特征匹配分类策略,设计了多项性能实验,以获得足够的数据集分辨率、SVM最优超参数和初始化所需的最小数据集参数模型。经实验证实,系统可清楚地区分相同类型釉面图案(兔毛釉、滴油釉)的相似性。它使用给定的有限数据集提供高达92.60%的识别准确率,并将单次识别速度提高0.84 s。     

基于非线性SIFT框架SAR图像匹配

针对基于尺度不变特征变换（SIFT）的图像匹配算法性能受到SAR图像中严重斑点噪声而性能降低的问题，提出了一种改进的非线性尺度构建的SIFT算法，主要改进在于：在尺度空间构建阶段，该算法通过将滚动引导滤波器嵌入到尺度空间构造的过程中来生成多尺度图像金字塔，在去除斑噪的同时并保持边缘的方面表现出了较其他尺度空间构建算法更好的效果；在特征检测阶段，提出了一种使用ROEWA算子和Harris-Laplace检测算子相结合的特征点检测算法，有效地抑制SAR图像中的虚假特征点，并准确地提取具有高位置精度和低误差率的不变特征点。3种不同类型的仿真和真实SAR图像对该算法进行了检验，并与其他2种基于SIFT的方法相比较，实验结果表明，该算法在匹配精度和内联点比率方面可以实现更好的性能。     

复杂场景下结合SIFT与核稀疏表示的交通目标分类识别

针对复杂场景下的交通目标分类识别难点,提出一种基于尺度不变特征转换(SIFT)与核稀疏表示的分类识别算法.该算法首先利用SIFT分别提取训练样本和待测目标局部特征信息,通过核方法将特征样本映射到核空间,构建过完备字典,最后通过待测目标在字典中的稀疏度与重构误差对交通目标类别进行判定.同时,分析了随机投影下的核稀疏表示分类与特征维数之间的关系.实验结果表明,与SVM、稀疏表示分类(SRC)相比,该方法增强了交通目标特征层的类判别能力,具有较好的识别率和鲁棒性.