旋转和平移鲁棒的形状错误隐藏算法

相邻帧视频对象间运动较复杂时,传统方法只能采用效果稍差的空域视频对象形状错误隐藏,为了得到更好的隐藏结果,本文基于Harris角检测器和局部Zernike矩的旋转和平移不变性,提出了一种新的时域形状错误隐藏算法。首先引入纹理信息,用Harris角检测器获取视频对象中的兴趣点,通过比较各兴趣点局部Zernike矩的欧式距离提取对象间的最优匹配点对,然后确定视频对象间的运动参数,对参考对象运动补偿,最后实现基于轮廓的错误隐藏。实验表明,本文算法对视频对象间任意平移、旋转或结合两种运动的复杂情形仍能得到很好的隐藏结果。     

基于改进Harris-SIFT的ZY-3卫星三线阵影像匹配

针对卫星三线阵CCD影像成像具有特殊性,提出了组合改进的Harris与SIFT多尺度空间影像检测方法,既提高卫星三线阵影像角点检测的可靠性,又保持尺度不变性.对于卫星三线阵影像,通过用改进的Harris算法进行角点提取,建立影像特征的SIFT描述符;进行特征向量的欧式距离匹配,保证了匹配的尺度和旋转不变性,并缩减了运算时间.通过采用北京地区ZY-3三线阵影像数据进行实验,验证了算法的有效性.     

Harris-SIFT算法及其在双目立体视觉中的应用

为了降低尺度不变特征变换(SIFT)算法的复杂度,提高算法的实时性,克服算法提取的特征点不是角点的缺点,该文提出了一种新的Harris-SIFT算法。该算法首先用Harris算子提取图像的特征点,然后为每个特征点定义主方向,最后将特征描述子的坐标旋转到与特征点的主方向一致,计算出每个特征点的特征向量描述子。双目立体视觉图像匹配实验结果说明了该算法的有效性。     

基于区域检测的多尺度Harris角点检测算法

针对传统Harris算法检测的角点遍布整个图像和对尺度变化较敏感的问题,本文提出将区域检测方法和多尺度Harris角点检测算法相结合,使检测到的角点数目更少,以提高后续的图像匹配重建的效率。首先,利用区域检测的算法构造图像显著图,采取腐蚀膨胀操作提取出目标区域作为候选的检测区域;其次,利用多尺度结合非极大值抑制的方法改进Harris算法,检测图像的角点并标记。仿真结果表明:本文方法能进一步提高角点检测的精确度和速度,同时在不改变任何参数的情况下,对于图像旋转能够减小角点提取的差异,增强算法的多尺度性。     

掌纹轮廓特征点提取新方法

基于Harris角点检测方法的基本原理,提出了一种轮廓特征点提取的新方法。为了满足提取掌纹轮廓特征点的要求,根据掌纹中所要提取的轮廓特征点所在区域的生理特征(凸凹形区域),对Harris角点检测方法进行了改进,对算法进行了推导和讨论,并进行了实验研究。实验结果表明,用该方法提取的掌纹轮廓特征点能够方便地对掌纹进行定位,为实现掌纹自动识别算法打下了基础。     

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换（SIFT）算法的精度和稳定性都不够,而加速鲁棒特性（SURF）算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFF算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。     

航天器视觉导航多尺度B-Harris特征提取算法

在航天器视觉相对导航中,为了能够跟踪目标航天器,并对其的位姿信息进行实时、精确地观测和估计,首先需要针对相关图像建立稳定而快速的特征点提取与匹配算法,而特征点提取和匹配算法的准确性与实时性直接影响了航天器相对位姿的估计精度。针对SIFT算法计算量大,匹配时间长,不能满足航天任务高实时性的问题,提出了B-Harris(Binary Harris)算法,该方法结合SIFT算法的结构思想,通过采用多尺度Harris算子提取具有尺度不变的特征点;同时采用128位二进制描述子建立特征向量,组成B-Harris算法,使得特征点匹配时间大大降低。最后通过与SIFT算法的实验对比,证明了B-Harris算法能够适应航天器发生的旋转、尺度、视角等变化,并且在实时性方面明显优于SIFT特征点算法,能够满足航天任务的实时性要求。     

基于无人机航拍图像拼接算法的优化

目的为了提高无人机航拍图像拼接的精度,深入研究了航拍图像拼接中提取特征点的算法,并对原算法加以优化.方法在图像特征点提取的SIFT算法中,设计了一种将Harris角点检测算子融入SIFT特征点提取的优化算法,优化后可以突显获取到的特征点的独特性.结果利用优化算法获取图像特征角点,可以降低实验过程中所消耗的检测时间,有效地改善了SIFT算法中匹配数据量大及过程繁琐的弱点,同时优化算法简化了图像特征点匹配的计算过程,降低了计算量,提高了实验效率.结论优化算法可以去除大量的类匹配点,使图像特征点的独特性更加明显;也提高了图像的配准精度,增强了关键点的稳定性,在关键点的匹配速度和准确率上有积极的影响.     

基于特征点匹配的拼接算法研究与实现

针对图像问因具有旋转及光线强度差异等现象而导致的拼接效果不佳及拼接速度慢的问题,提出一种基于特征点的配准算法。该算法首先利用相位相关法确定图像重叠区域,然后采用改进Harris角点检测算法检测角点,再根据相似测度NCC（NormalizedCrossCorrelation）方法提取出匹配特征点对,最后用渐进渐出的方法实现拼接图像的融合。实验证明,该算法比传统算法在角点数目上减少了四分之一,有效地去除了拼接产生的鬼影现象。能有效地提高图像拼接的速度和精度。     

一种改进的摄像机标定中的角点提取方法

提出了一种基于Harris算子和SUSAN算子原理的角点提取方法．该方法利用Harris算子提取二值化的标定模板中的标定角点,再利用SUSAN算子原理,去除边界上因为倾斜产生的标定时不需要的角点．实验证明,该方法能准确地提取模板中标定时所需的角点．     

基于巴氏度量的车辆违章变道快速检测方法

针对目前城市道路监控视频中存在的事件检测及报警不及时问题,提出了一种快速有效地检测车辆路线和位置违章的方法。该方法不依靠传统的车辆检测和分割方法,而是首先利用Harris角点检测的方法提取车辆角点,然后用金字塔Lucas-Kanande(L-K)对角点进行快速跟踪,同时对跟踪的角点实行谱聚类,利用Bhattacharyya距离对角点和聚类中心进行度量,并将其进行归一化,由预先设定的阈值可以判断车辆是否发生了异常行为。与传统车辆异常行为检测方法相比,该方法具有方便、快速的优点,鲁棒性较强。     

基于信息熵度量的高斯尺度空间角点检测算法

图像的多尺度表示是指从原始图像出发,导出一系列越来越平滑、简化的图像,这种简化意味着图像信息的丢失。图像角点是图像的一个重要的局部特征,本文结合尺度空间理论,实现了多尺度下Harris角点检测,并利用信息熵计算每一尺度下图像的信息量,信息熵是衡量不同尺度下图像信息的可靠方法。通过实验对提取出的特征点进行攻击,证明了这些点具有很好的鲁棒性,与单尺度Harris角点检测相比,该特征点具有更高的重复率,即尺度不变性。     

采用特征点提取算法的车牌倾斜校正方法研究

针对车牌倾斜校正问题,首先简介了四种特征点提取的算法,并结合实验结果分析了各算法的优缺点,进而提出了比传统算法更有效的基于非线性双边滤波器的Harris算法,然后提取出车牌区域的字符角点信息,再结合惯性主轴算法对倾斜车牌进行校正。实验结果证明,改进后算法有效地抑制了伪角点数目,提高了车牌角点检测的精度,使得车牌倾斜校正的精确度和实时性大幅度提高。     

基于Harris角点的木材CT图像配准

提出一种三角形法描述Harris特征点的方法,该算法首先利用Harris算子对两幅图像进行角点检测,将检测到的角点按照权值大小进行排序后,利用三角形法对特征点进行特征描述,从而找出两幅图像间特征点相互对应的关系,同时也得到了图像配准所需要的参数。实验结果证明,该算法配准准确率高,速度快,具有很强的鲁棒性。     

图像质量对Harris角点检测的影响研究

Harris角点检测计算的依据是图像像素点的梯度,并且受约于像素之间的相关性.而图像质量直接影响像素之间的相关性,从而对Harris角点检测产生作用.本文根据图像质量的几个标准分别对图像进行评价,并阐述图像质量和Harris角点检测之间的关系,把图像质量作为Harris角点检测选择参数的一个依据,并建议通过量表对不同质量的图像选择不同的参数进行角点检测.     

基于融合图像特征的角点提取方法

基于图像边缘的角点提取往往对噪音敏感,提取精度较高但运算量大,而基于图像灰度的角点提取易于实现但提取效果不佳.因此提出一种融合图像边缘特征和图像灰度特征的角点检测方法.首先在一较低尺度用Canny算法求出所有边缘点,然后求出每一边缘点的曲率值并求出初始角点集,利用Harris算法通过实验在一较优尺度下对初始角点进行筛选并确定最终的角点集合.所提方法融合图像角点提取的两大特征,可以有效改进在单一特征提取下的不足.通过对比实验,该算法明显地提高了图像角点检测性能.     

基于目标区域定位和特征融合的图像检索算法

提出了一种新的基于局部特征点的图像检索算法。首先将彩色图像转换成灰度图像,并利用Harris算子对灰度图像进行"角点"检测,根据"角点"的分布确定目标区域,然后在彩色图像目标区域中提取图像的颜色特征和空间特征表述图像内容。实验证明,该算法在查准率和查全率上要优于基于全局特征的算法。