基于SURF-DAISY算法和随机kd树的快速图像配准

提出了一种基于SURF-DAISY算法和随机kd树的快速图像配准方法,首先利用经典SURF特征检测器分别提取参考图像和待配准图像中的特征点,为了进一步提高算法速度,对SURF算法进行改进,利用DAISY描述符代替SURF原有的特征描述算法对特征点进行描述;之后通过随机kd树算法对参考图像和待配准图像的特征点进行匹配并且使用经典RANSAC(随机抽样一致性)算法剔除误匹配点对;最后用最小二乘法估算出最佳的空间几何变换参数,实现两幅图像的配准。实验结果表明:相对于标准的SURF算法,本文方法在基本保持性能不变的同时,配准过程所消耗的时间最多减少了45.6%。     

融合颜色和纹理的多特征匹配算法

传统SURF算法在对彩色图像匹配时仅基于灰度图像提取单一特征构建特征描述,在特征相似区域易导致误匹配,为提升图像配准精度,提出了一种多特征融合匹配算法.首先利用SURF算法进行特征点检测并构建特征描述符;其次,将彩色图像转换到归一化RG颜色空间,提取特征点邻域内的局部差值纹理信息,叠加到SURF描述符构成改进多特征描述...     

局部不变特征匹配的并行加速技术研究

针对SIFT、SURF等局部不变特征在大尺寸图像上匹配时过于耗时的问题,将FREAK算子应用于图像匹配中,并提出一种多线程并行加速方法。首先介绍FREAK描述子的特征点的检测、特征描述向量的生成和特征向量的匹配的过程,并分析其优势。其次提出并行处理的2种思路:一是对待匹配图像进行有重叠的分块,对于每一块子图像,开辟新的线程分别进行处理;二是对匹配过程的3个步骤,采用流水线技术进行并行处理,每检测出一个特征点,随即提取出该点的特征向量,然后和模板图像的特征向量集进行匹配。改写SIFT、SURF和FREAK算法进行实验验证,结果证明FREAK计算过程比SIFT和SURF快得多,而并行方法可以在保证匹配精度的同时明显缩短匹配时间。     

主成分分析法(PCA)在SIFT匹配算法中的应用

针对传统SIFT匹配算法数据量大、耗时长的问题,采用了主成分不变特征变换(PCA-SIFT)匹配算法。PCA-SIFT匹配算法将传统SIFT算法中的直方图法换做主元分析法,降低了传统SIFT特征描述符的维数,减少了数据量,提高了匹配效率。首先提取出两幅待匹配图像中的所有特征点及其特征向量,其次将提取出的特征向量采用距离比阈值筛选出匹配点对,再采用RANSAC法消除错配,最后得到精确的匹配结果。实验结果表明,PCA-SIFT算法较稳定、精确、快速。     

基于SURF分割圆形区域的图像拼接

针对SURF(Speeded Up Robust Features)算法在图像拼接过程中配准精度低和运算复杂度较高的问题,提出了一种基于SURF分割圆形区域的图像拼接方法.首先,对图像进行特征点的检测和提取过程中,在传统SURF算法的基础上采用了分割圆形区域提取描述符;接着,计算了区域归一化的灰度均值和韦伯局部描述细节信息,形成新的描述符;然后,通过改进的RANSAC(RandomSample Consensus)算法对每个模块的误匹配点进行消除,得到精确的匹配特征点.实验结果表明,相较基于改进的SURF算法的图像拼接,该方法匹配正确率平均提高了6.05％,拼接时间平均减少了24.47％,匹配速度和效果有了较大提升,基本满足图像拼接速度快、精准度高、稳定可靠等要求.     

双目立体视觉测量中的特征点快速匹配算法

对于图像特征点的提取与匹配是双目立体视觉测量系统中的重要一步,提出了一种改进的适用于随机噪声、光照变化、局部遮挡等复杂环境下的快速鲁棒性不变特征(SURF)的匹配算法。首先,改进了特征点描述子中的主方向的计算方法,提高了主方向的精确度和计算效率;其次,结合NN/SN算法和RANDSAC算法,提出特征点的反向匹配算法,克服了外部环境光照变化、噪声、局部遮挡等因素对特征点匹配的影响,有效地提高了匹配精度。     

基于DOG特征点的序列图像匹配算法

针对实时匹配的要求,提出一种基于DOG特征点的快速图像匹配算法,用以匹配只存在平移和较小旋转的序列图像.该算法通过求高斯差分算子在尺度空间上的局部极大值和极小值提取特征点,然后根据圆旋转不变特性生成20维的旋转不变特征描述子,并充分利用特征点的区域特征和灰度特征进行匹配,最后根据序列图像对应特征点之间的距离基本保持不变的特性剔除错误的匹配点.实验结果表明该算法快速有效,而且对噪声影响不敏感,具有很强的实用性.     

基于彩色二进制局部不变特征的图像配准

提出了一种适用于彩色图像的局部不变特征配准方法。特征点提取阶段,提出了快速分割测试特征颜色差异(CDo FAST)特征点检测方法,计算图像的颜色不变量,以此为输入在尺度空间检测FAST极值点,在极值点附近对高斯差分算子(Do G)值进行插值和拟合,以最终确定特征点的位置和尺度。特征描述符生成阶段,提出了一种新的彩色二进制局部不变特征(CBLID),采样点邻域结构类似于人眼视觉的重叠,通过统计方向图生成二进制链码,具备旋转、尺度缩放、光照不变性和抗噪性能。通过计算汉明距离进行匹配并结合随机抽样一致性(RANSAC)算法去除误匹配点,计算出待配准图像间的变换关系。实验表明,所提算法针对彩色图像能够获得比传统的尺度不变特征变换(SIFT)、快速稳健特征(SURF)和DAISY更高的配准精度,同时算法的运行时间也较短,在测试图片上耗时仅为SIFT的10%和12%。     

基于图像自相关矩阵的改进SIFT算法研究

针对尺度不变特征变换(SIFT)匹配算法存在计算量大、复杂性等问题,本文提出了一种基于图像自相关矩阵的迹的改进SIFT匹配算法。首先,将特征点的邻域划分为两个同心圆,再以特征点的主方向为基准方向,每次逆时针旋转度,将特征点邻域图像划分了多个区域;其次,为每个区域图像计算自相关矩阵的迹,按逆时针方向组合形成SIFT特征描述符;最后,对生成的特征描述符进行归一化处理,得到较低维数的特征描述符,新的特征描述符提高了图像匹配的效率。实验结果表明,与传统算法相比,改进的算法在保持较高匹配精度的情况下显著提高了匹配的速度。     

基于二进制稳健独立基元特征的扩展目标快速检测

在某些扩展目标光电成像中,目标图像缺少局部细节,因此采用复杂的特征检测算法和高维特征描述符,但这种方法不仅存在特征描述区分度弱的问题,而且还存在资源占用多、运算速度慢以及难以实现实时处理的缺点。主解决此问题提出了用加速分段测试提取特征(FAST)检测算法进行角点检测,用二进制稳健独立基元特征（BRIEF）描述符进行目标特征描述的新方法。同时,针对BRIEF描述符缺少方向判别,对目标姿态变化敏感的问题,提出了主方向约束机制,有效地提高了特征点识别的稳定性。将本方法与加速稳健性特征(SURF)和尺度恒定特征变化(SIFT)两种应用广泛的算法进行了比较,结果表明,本方法的运算速度分别达到了SURF的5倍和SIFT的17倍,且识别率与SURF相当,能在不降低特征识别率的基础上,实现目标的快速检测和稳定跟踪。     

基于局部二进制模式和图变换的快速匹配算法

针对图像匹配在图像拼接、目标识别等领域的应用中尺度不变特征变换（Scale Invariant Feature Transform,SIFT）算法计算复杂度高、实时性较差的问题,提出了一种基于局部二进制模式（Local Binary Patterns,LBP）和图变换（Graph Transformation Matching,GTM）的匹配算法.首先采用SIFT特征检测提取特征点并以特征点为中心取13×13的图像块作为特征区域;然后用本文提出的局部旋转不变二进制模式（Local Rotation Invariant Binary Patterns,LRIBP）描述子对特征区域进行描述产生29维的特征描述向量,降低了描述子的复杂度,并以欧氏距离为度量准则进行初始匹配;最后采用图变换匹配算法剔除误匹配点,从而提高算法的运算速率和匹配精度.仿真结果表明,本文所提算法不仅具有较高的精度和较强的鲁棒性,并且减少了算法的运算量,提高了算法的实时性.     

一种改进的快速鲁棒性特征匹配算法

针对光照变化、噪声、局部遮挡等在图像配准技术中对配准精度有重要影响,提出了一种在多尺度空间下点预测快速鲁棒性不变特征的匹配算法。针对在探测对图像的尺度、旋转,仿射具有不变性的斑状特征极值点过程中计算复杂度较高的问题,提出一种特征点预测方法降低了描述子提取的复杂度,增强了对外部环境光照变化、噪声以及局部遮挡的适应能力;并在KD(KD Tree)树基础上,提出了一种动态平衡KD树(DBKD-Tree)快速搜索匹配算法,有效克服了KD树可能存在的病态划分,采用条件约束最邻近搜索,提升匹配效率,实现特征点高精度匹配。通过对在不同光照条件、噪声环境的仿射变换图像特征匹配测试,在加入20%的高斯噪声后,均能100%地完成重复特征检测,达到亚像素定位精度,误配率降低为零。     

融合几何特征的压缩感知SIFT描述子

为了解决尺度不变特征变换(SIFT)描述子在存在较多相似结构的匹配中,易造成误匹配,并且维数较高、匹配耗时的问题,提出了一种融合相对几何位置的压缩感知描述子.首先,以特征点为中心,将周围关键点的相对几何位置(RGL)信息形成尺度和旋转不变的RGL描述子,其次,对SIFT描述子利用压缩感知(CS)理论进行降维,形成CS-SIFT描述子,最后将两者融合形成RGL-CS-SIFT描述子.实验结果表明:与SIFT和PCA-SIFT描述子相比,匹配速度有所提升,匹准确率明显提高.     

基于SIFT的多焦距图像特征点提取算法

将尺度不变特征变换（SIFT）算法应用到图像的特征点提取与匹配中,SIFT算法可在尺度空间寻找极值点,提取对图像焦距变化具有稳定性的特征点及其特征描述符。在采用SIFT算法提取图像的特征点及其特征描述符后,提出了一种特征点精匹配算法进行特征点的匹配,并通过仿真证明该算法具有很好的效果。     

基于改进SIFT算法的无人机遥感影像匹配

为解决无人机景象匹配导航及制导对匹配算法实时性要求较高的问题,对SIFT算法中的生成特征描述符环节进行改进,提出了以特征点为圆心构造同心圆环划分特征邻域的匹配算法;同时对匹配点对进行筛选,减小模型估计误差,提高精度。以大量的存在尺度缩放和角度旋转的遥感影像进行仿真,实验表明该方法在保持SIFT算法定位精度的前提下提高了算法的实时性。     

基于图像配准的指静脉身份认证技术

手指静脉在采集时手指旋转和姿态改变导致静脉形变和图像阴影,影响手指静脉身份验证的准确性。因此,文中提出一种基于图像配准的指静脉认证方法,通过少量稳定特征点配准认证图像,并提取两幅配准图像的纹理特征进行身份验证。该方法首先选择邻域清晰度高的静脉叉点作为特征点,然后对特征点进行匹配,并将两幅图像配准,最后根据纹理特征计算两幅配准图像的相似度。所提方法主要克服了基于特征点匹配的方法中点对数量少的问题,并解决了静脉形变的问题。实验结果证明,该方法较模板匹配和特征点匹配方法具有良好的性能。     

基于PCA-SIFT特征的目标识别算法

针对尺度不变特征变换(SIFT)算法在匹配时特征向量过多,从而导致耗时过长的问题,提出PCA-SIF]算法,对目标进行匹配与识别.首先,利用SIFT算法提取出原图像中稳健的特征点以及特征向量;其次,利用PCA算法对SIFT特征向量的维数进行约减;最后利用降维后的图像与原始图像进行匹配.实验证明,与原始SIFT算法相比,该算法不仅保持了SIFT算法的鲁棒性和稳定性,同时提高了匹配效率,增强了实时性.     

一种基于聚类分析的红外图像配准算法

为了提高红外图像匹配的精度和效率,提出了一种将Harris-Laplace关键点提取和旋转不变LBP特征描述算子相结合的局部特征检测新算法,该算法不仅在图像的尺度、光照和角度发生变化时,仍然能够得到很好的检测效果,而且能很好地描述图像的局部纹理特征.特征向量描述完成后,为了进一步提高红外图像特征点匹配的正确率,提出了一种基于K-means聚类分析的图像匹配策略.先利用Cosine余弦相关匹配策略实现特征点的初步粗匹配,接着采用K-means 聚类分析匹配策略剔除图像中大部分的错误匹配.实验表明:提出的算法表现出良好的鲁棒性,关键点提取的重复率(Repeatability)提高了9.2％.与传统的匹配算法相比,采用基于K-means聚类分析的匹配策略匹配精度可以提高5.05％,匹配时间可以缩短0.068 s.该特征描述算法和基于K-means聚类分析的匹配算法满足了红外图像配准的高精度性和高实时性的要求.