基于改进SURF的快速图像配准算法

针对传统加速鲁棒特征(SURF)匹配算法存在实时性不高,误匹配等问题,提出了基于改进SURF特征提取快速的图像配准算法.利用快速黑塞(Hessian)矩阵提取图像特征点,根据图像熵信息对特征点进行筛选,采用改进的快速近邻搜索算法进行特征匹配,到用随机抽样一致(RANSAC)算法剔除误匹配对.实验表明:改进后的算法有效改善了匹配效率,提高了匹配准确度.     

一种基于快速鲁棒特征的图像匹配算法

针对传统的图像特征匹配算法数据量大、计算耗时长的缺点,本文提出了一种基于快速鲁棒特征(SURF)的图像配准算法。SURF算法作为一种新的特征提取算法,在独特性、鲁棒性等方面均超过了其它方法,并在计算效率上具有明显的优势。该算法在积分图像的基础上进行快速计算,通过快速Hessian检测子来检测特征点。对于每个特征点,通过计算哈尔小波变换来确定特征点的主方向,并确定特征描述子,再根据Hessian矩阵迹的正负性和最近邻与次近邻比值的方法相结合获取匹配点,并用改进的RANSAC算法剔除伪匹配点以确保匹配的有效性。实验表明,该算法既能满足匹配准确性的要求,又具有计算量小、计算速度快的优点。     

基于聚类SURF特征的商品识别算法*

图像存在遮挡、尺度缩放、多干扰时,传统加速鲁棒特征(SURF)算法会产生错误匹配问题,提出一种基于匹配角度聚类的匹配算法。算法先提取SURF特征点,利用特征点的主方向信息进行图像角度矫正,再统计并聚类粗匹配对的匹配角度信息,依据类中元素数目和类簇数目进行两级筛选,剔除异常角度信息的误匹配对。本文算法与随机抽样一致性算法(RANSAC)进行实验对比,表明该算法能有效提高匹配正确率和保证低误剔除率,提高了商品图像的识别率。     

基于改进ORB和网格运动统计的图像匹配算法

针对当前图像匹配方法中存在特征点匹配耗时长、匹配率不足等问题,提出一种基于改进ORB和网格运动统计的图像匹配检测方法。使用SURF算法提取图像特征点,构建4层图像金字塔为特征点赋予尺度不变性特征,并使用灰度质心法添加方向信息。由于运动的平滑性导致了正确匹配的特征点邻域有较多匹配的点,完成粗匹配后,使用基于网格运动统计的特征配准算法完成特征点误匹配的筛选与剔除。实验结果表明:所研究算法在图像发生旋转、尺度变化、模糊和亮度变化时配准精度均大于94%,具有较好的匹配识别率和鲁棒性。     

快速鲁棒特征算法的CUDA加速优化

提出一种基于统一计算设备架构(Compute Unified Device Architecture,CUDA)的快速鲁棒特征(Speed-up Robust Feature,SURF)图像匹配算法。分析了SURF算法的并行性,在图像处理单元(Graphics Processing Unit,GPU)的线程映射和内存模型方面对算法的构建尺度空间、特征点提取、特征点主方向的确定、特征描述子的生成及特征匹配5个步骤进行CUDA加速优化。实验表明,相比适用于CPU的SURF算法,文中提出的适用于GPU的SURF算法在处理30MB的图片时性能提高了33倍。适用于GPU的SURF算法拓展了SURF算法在遥感等领域的快速应用,尤其是大影像的快速配准。     

基于快速鲁棒特征的CamShift跟踪算法

为了解决CamShift算法由于对颜色敏感导致的跟踪效果变差或失效的问题,提出一种基于局部特征匹配的CamShift跟踪算法。采用快速鲁棒特征(SURF)方法在多通道图像的目标区域和搜索区域提取包含图像信息的局部特征点,并利用近似最近邻搜索对特征点进行匹配;使用提纯后的匹配结果得到特征点的位置、尺度及方向信息,对CamShift方法进行约束和更新,以提高跟踪精度和稳定性。实验结果表明,与经典CamShift算法和同类的改进算法相比,该算法能够较好地实现对复杂背景下旋转和放缩运动目标的实时跟踪。     

基于改进SURF算法的柔性装夹机器人快速工件匹配方法

针对传统SURF算法在构建局部特征描述符时耗时较长,无法满足实时性要求的问题,提出了一种改进的SURF算法。首先,运用Hession矩阵行列式（DoH）检测图像中的关键点,并利用非极大值抑制法和插值运算搜索、定位极值点;其次,采用灰度质心法确定关键点的主方向;然后,采用二进制描述符BRIEF对关键点进行描述,并利用关键点的主方向构造带有方向的特征描述符,使其具有旋转不变性;最后,运用汉明距离初步确定匹配点,再用比率检测法和RANSAC算法去除误匹配点,进而获取精准配准。实验结果表明,该改进SURF算法在应用于机器人进行柔性装夹时,对工件图像的平均匹配时间由SURF算法的214.10 ms减少到86.29 ms;而且匹配精度方面比原SURF算法提高了2.6%,因此,所提算法能够有效提高柔性装夹机器人工件图像的匹配速度和匹配精度。     

基于改进快速鲁棒特征的图像快速拼接算法

针对快速鲁棒特性（SURF）算法实时性、鲁棒性等无法满足实际应用需求的问题,提出了一种对SURF的改进算法,实现图像快速拼接。改进的算法采用机器学习的方法,建立一个二进制分类器,识别出SURF提取的特征点中的关键特征点,并剔除非关键特征点。此外,采用Relief-F算法将改进的SURF描述子降维简化来完成图像配准。图像融合阶段采用带阈值的加权融合算法,实现了图像无缝拼接。实验结果表明,改进的算法具有较强的实时性和鲁棒性,并且提高了图像配准的效率,加快了图像拼接的速度。     

序列图像特征提取与匹配算法的改进

在计算机视觉领域中特征点匹配是一个重要课题。针对ORB（ORiented Brief,方向描述符）算法缺少尺度不变性的特点,将SURF（Speeded-Up?Robust?Features,快速鲁棒特征）算法与ORB相结合,提出了基于算法组合的改进算法SUORB（Speeded-Up?ORiented Brief,快速方向描述符）。组合算法的基本思路是利用SURF算法建立多尺度空间,然后通过ORB算法为检测出的特征点建立描述符,最后根据生成的二进制描述符实现特征点匹配。实验结果表明,SUORB算法基本弥补了ORB算法的不足,若图像尺度发生变化,SUORB匹配算法比ORB匹配算法的准确度明显提高;同时SUORB算法保留了ORB算法的快速性。     

基于局部聚类的改进运动网格统计算法的研究

针对常用的匹配点筛选算法效率低、对具有角度和尺度变化匹配图像稳定性差等问题,提出一种基于局部聚类的改进网格运动统计特征点筛选算法。首先,通过局部区域抑制算法筛选响应强度较高且成对出现特征点作为种子点,并以种子点为聚类中心分割图像,得到最小外接矩形作为运动网格;随后把运动网格划分为3×3邻域支持估计量网格,计算运动网格在不同方向上的梯度最大值,作为运动网格的主方向;最后,把待匹配图像邻域支持估计量网格旋转至目标图像运动网格的主方向位置,借助网格运动统计算法筛选匹配。实验表明：对具有JPEG压缩变换、光照变化、模糊变换的匹配图像,所提算法匹配正确率在90%以上;对具有旋转和尺度变换图像,所提算法匹配正确率相较运动网格统计算法提高10%左右,高达40%以上;算法耗时仅为13 min,效率较高;所提算法可稳定高效地筛选正确的匹配点。     

基于改进SURF的图像匹配算法

针对传统SURF的图像匹配算法存在计算数据复杂、耗时长、匹配正确率不佳等问题,提出一种基于改进SURF的图像匹配算法.首先,用传统SURF算法来提取待匹配图像的特征点,再通过圆形区域代替矩形区域将SURF的64维度描述符降到20维度;采用KNN,来双向匹配待匹配图像的特征点,得到双向的初始特征点匹配对集;最后,通过RANSAC算法对初始匹配对集进行双向剔除错误的匹配对.实验的结果表明,本文算法减少了特征点检测时间,提高了匹配正确率,还有较好的鲁棒性.     

基于三角网下的仿射不变几何约束的图像匹配算法研究

针对当前图像匹配方法在进行图像匹配时,主要通过度量特征向量之间的距离来完成图像匹配,导致算法鲁棒性差、误配率较高及效率较低等不足,本文提出了基于三角网下的仿射不变几何约束的图像匹配算法。首先,在尺度空间上通过Hessian矩阵对特征点进行检测,利用子块的三角特征与对角特征对SUR机制进行改进,用以生成新的特征描述子,并通过定义阀值评估策略,对图像特征点匹配,从而生成了初始匹配点;然后,引入 三角网,对初始匹配点进行聚类,以获取匹配三角形,将三角形以外的无效特征点剔除。最后,引入仿射不变几何约束,对匹配三角形进行细化,通过细化的匹配三角形获取最终的匹配特征点,有效剔除误配点,进一步提高配准精度。仿真结果表明,与当前图像匹配算法相比,本文算法具有更好的鲁棒性,且其具有更佳的匹配精度与效率,有效剔除了误配点。     

基于分层区域的自适应图像配准算法

针对SIFT（尺度不变特征变换）算法提取的特征点不纯、易受噪声等因素干扰的问题，提出在SIFT算法提取特征点之前对图像进行预处理，排除部分外界干扰。针对SIFT算法中128维的高维度特征描述符导致匹配速度降低，提出一种基于分层区域的方法降低描述符维度，缩短算法运行时间。针对SIFT算法匹配过程中选取固定阈值不具有广泛适用性的问题，提出一种自适应阈值的方法，解决设置固定阈值不能适用所有图像的问题，提高匹配准确率。实验结果证明，改进的算法能提高匹配准确率和匹配效率，增强算法的鲁棒性和可靠性，并且适用性广泛。     

基于改进CNN-RANSAC的水下图像特征配准方法

水对光的吸收和散射效应降低了水下图像的质量,水下图像的可视范围受到限制,复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像,提出了一种改进CNN-RANSAC的水下图像特征配准方法,首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成鲁棒的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,与基于SIFT和SURF的配准方法相比,该方法能够检测到更多的特征点,实现了匹配正确率的大幅度提高。     

具有光照鲁棒的图像匹配方法

针对现有的基于局部特征的图像匹配算法对光照变化敏感、匹配正确率低等问题，提出一种具有光照鲁棒性的图像匹配算法。首先使用实时对比保留去色（RTCP）算法灰度化图像，然后利用对比拉伸函数模拟不同光照变换对图像的影响从而提取抗光照变换特征点，最后采用局部强度顺序模式建立特征点描述符，根据待匹配图像局部特征点描述符的欧氏距离判断是否为成对匹配点。在公开数据集上，所提算法与尺度不变特征变换（SIFT）算法、加速鲁棒特征（SURF）算法、"风"（KAZE）算法和ORB算法在匹配速度和匹配正确率上进行了对比实验。实验结果表明：随着图像亮度差异的增加，SIFT算法、SURF算法、"风"（KAZE）算法和ORB算法匹配正确率下降迅速，所提算法下降缓慢并且正确率均高于80%；所提算法特征点检测较慢和描述符维数较高，平均耗时为23.47 s，匹配速度不及另外四种算法，但匹配质量却远超过它们。对实时性要求不高的系统中，所提算法可以克服光照变化对图像匹配造成的影响。     

基于改进BRISK算法的单目视觉里程计

在传统的BRISK算法中使用自定义的抽样模式来描述检测到的特征点,使用基于汉明距离的方法进行特征点匹配。BRISK的这种特征点描述与匹配的方法使得其匹配准确率不高。因此本文提出将匹配准确率较高的SURF算法与BRISK算法相结合,在BRISK特征点描述与匹配阶段使用SURF描述符和基于欧氏距离的匹配方法。实验结果表明,该算法在时间消耗下降不大的情况下,特征点匹配准确率有很大提高,且该算法具有较好的鲁棒性。     

一种具有强实时性、强鲁棒性的图像匹配算法

针对描述符BRIEF对图像旋转敏感的问题,提出一种改进的描述符RIBRIEF,该描述符具有识别能力强、提取速度快、占用空间小及抗干扰能力强等优点,并具有旋转不变性.经分析,图像匹配算法的实时性较大程度上由特征点数量、匹配点搜索次数及描述符相似度计算复杂度决定,因此提出通过描述符索引与描述符聚类相结合、基于FAST稳定特征点提取和逻辑运算计算相似度等方法提高算法的整体实时性.实验结果表明,与描述符BRIEF及SURF相比较,基于描述符RIBRIEF的图像匹配算法在鲁棒性及实时性方面均具有明显优势.     

一种基于四叉树的改进的ORB特征提取算法

文中提出了一种基于四叉树的改进的ORB(Oriented FAST and Rotated BRIEF)特征提取算法,它能够解决图像特征提取过程中特征点过于集中而导致的图像局部特征信息丢失的问题。首先,将图片构造成图像金字塔来解决尺度不变性问题;然后,在每一层金字塔图像上检测角点来提取特征点;接着,引入四叉树算法来 均匀化分布特征点并计算特征点的方向和描述子;最后,以华硕深度摄像头(Xtion PRO)为实验工具,在室内环境下提取周边特征点,并将提取效果与其他方法进行对比,实验证明了所提算法在图像特征均匀化处理方面的快速性以及准确性。