一种具有实时性的SIFT特征提取算法

针对尺度不变特征变换(SIFT)算法实时性差和在生成灰度图时信息丢失的问题,提出一种对比度增强和使用DAISY描述符的SIFT特征提取算法。首先,通过彩色图和原始灰度图计算像素的颜色调整值和曝光调整值,根据调整值与原灰度级获得对比度增强的灰度图。其次,使用改进后的灰度图提取SIFT特征点,并根据邻域灰度级计算不同高斯核和方向下的卷积方向图。最终,由特征点和采样点不同方向的偏导数值获得DAISY描述符,该描述符结构简单,便于计算。对由标准图像数据集提取的特征点使用K近邻(KNN)算法进行匹配,以评价在不同变化下算法的准确率。试验结果表明,该算法能够获得更多的特征点,并且在保证准确率的同时降低描述符生成部分和特征匹配部分的时间。     

基于深度学习特征提取的遥感影像配准

传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。     

一种基于卫星图像匹配的无人机自主定位算法

针对基于图象匹配的无人机自主定位易失效的问题,文章提出了一种基于卫星图像辅助的由粗到精的无人机自主定位框架。首先设计了一种CNN-LSTM联合分类器,利用CNN网络抽取图像特征的优势,结合无人机图像时间维度上的连续性,实现无人机图像与卫星基准图像的区域匹配;然后从匹配后的区域提取同名点,结合光学成像的共线约束,设计了一种基于多点加权约束的无人机自主定位算法。试验结果表明提出的算法鲁棒性好、精度高,适合用于无人机自主定位。     

基于改进ORB的月面着陆视觉导航的配准方法

月球探测器在下降着陆过程中探测到的月面图像灰度均匀,缺少纹理信息,而视觉辅助导航采用传统ORB算法对灰度均匀的月面图像检测出的特征点数量较少,容易出现团簇现象,因此提出一种基于改进ORB算法的图像特征提取与匹配算法。首先对月面图像构建金字塔尺度空间模型,设置自适应阈值并构建掩膜逐一分块检测特征点;然后采用非极大值抑制使特征点分布均匀,消除聚集现象再进行特征匹配;最后结合渐进一致采样算法剔除误匹配,并计算下降序列图像间的位置变换关系。实验结果表明:该方法对于存在大尺度、旋转变化情况下的月面图像,在匹配精度方面比ORB提高10%～13%,在月面着陆视觉导航应用方面具有较好的适用性。     

月面着陆多尺度边缘光流特征提取与跟踪方法

针对月面着陆器动力下降过程中，基于描述子的传统视觉特征提取和跟踪方法耗时长、误匹配率高等问题，提出一种采用边缘光流的多尺度特征提取与跟踪方法。首先通过构建序列图像金字塔和应用多级掩膜提取方法，改善了图像平面上特征点分布的均匀性；在此基础上，利用边缘直方图灰度差平方和(SSGD)滑窗搜索算法，将光流计算由二维迭代简化为一维匹配，大幅缩短了算法耗时；进一步利用多尺度边缘直方图迭代搜索算法在改善大尺度运动下特征跟踪鲁棒性的同时，将光流计算精度拓展至亚像素级。仿真结果表明，本方法计算耗时不超过描述子方法的50%，非大尺度运动下具有更高的稳定跟踪特征点数目，大尺度运动下相比描述子方法下降不超过15%，在跟踪效率和稳定性方面取得了较好的平衡。     

面向弱纹理空间目标的特征点匹配方法

特征点提取与匹配是遥感图像处理中关键的一环,目前成熟的算法大多面向对地成像类型的遥感图像,对于空间目标的遥感图像,没有考虑成像条件与探测平台的影响因素,特征点匹配质量较差。针对空间目标的匹配精度不高这一问题,文章提出了一种基于聚类的特征点匹配算法。首先,根据空间目标的重复弱纹理进行特征点提取与描述,再利用特征点的空间位置进行聚类,并对特征点簇进行匹配;之后将特征点的主方向减去目标整体方向,利用特征点主方向对每一个点簇进行再分组,并完成特征点匹配;最后利用最近邻次近邻比率方法和随机样本一致算法（RANSAC）剔除外点。采用该特征点匹配方法进行的模拟成像数据实验结果表明,对于空间目标图像,基于聚类的特征点匹配较直接匹配,匹配数量的提升最高可达50%,重投影误差优于1/4个像元。文章提出的这一方法使用目前通用的各种特征描述子,能够大幅度提高空间目标图像特征点匹配的数量与精度。     

基于改进SIFT的SAR图像与可见光图像配准

针对SAR图像与可见光图像的自动配准问题,提出了一种基于尺度不变特征(SIFT)的SAR与可见光图像配准算法。算法首先对SIFT主方向的检测进行了优化,利用特征点邻域内边缘局部极大值点的梯度方向作为特征点的方向,并以去均值归一化互相关系数为相似性度量进行特征点对匹配,然后通过随机抽样一致性算法(RANSAC)剔除误匹配点对,最后利用剩余的特征点对实现SAR与可见光图像的自动配准。实验结果表明,本算法对不同分辨率图像和不同旋转角度图像具有较好的适用性,在正确匹配点的比率和定位精度方面都优于原始SIFT算法和Harris算法。     

“资源三号”卫星图像影像特征匹配方法研究

随着中国遥感卫星的迅速发展,要求影像几何质量评价方法可以在待评图像和参考图像间提取出精确且分布均匀的控制点信息。文章提出一种基于多源、高精度遥感图像的特征点匹配方法。该方法首先用加速稳健特征（Speeded Up Robust Features,Surf）算法对＂资源三号＂卫星图像和参考图像进行粗匹配以建立两幅图像间的整体几何关系,通过对相同区域进行wallis滤波增强图像纹理信息,然后用Surf算法进行特征点的提取和匹配,最后利用对极几何约束剔除误匹配点。试验结果表明,该方法可以全自动、快速和精确的提取影像控制点。     

一种基于角点提取的遥感影像地面控制点自适应匹配算法

提出基于特征角点的控制点自适应匹配算法：依据图像数据灰度特征自动确定相应阈值，从基准影像上提取控制点。采用动态模板进行不等距搜索，确定潜在目标控制点；构建三角网，利用等角变换判别目标控制点；构建仿射变换方程来筛选目标控制点。该算法无需设定灰度相关系数最大值阈值即可判别目标控制点。选取ASTER和TM两种成像差异显著的图像数据，对该算法进行试验，结果表明。该算法可以准确提取有价值的特征角点，具有较高的控制点识别精度和运算效率，具有较强的适应性和应用价值，较之传统匹配算法有明显优势。     

抗旋转和缩放的SAR与可见光图像自动配准算法

针对合成孔径雷达与可见光图像在大角度旋转和大比例缩放情况下的高精度自动配准问题,提出了一种尺度和旋转不变的SAR(Synthetie Aperture Radar)和可见光图像自动配准算法.算法以SIFT(Scale Invariant Feature Transform)算法为基础,首先通过增强Frost滤波和自适应直方图均衡增强SAR和可见光图像的共性,使其显著提高能够提取出足够多的特征点数目,然后再通过特征描述方法、相似性度量方法、点匹配方法、特征点聚类方法和误匹配点剔除方法等方面对原始SIFT方法进行改进,有效地提高其在多源图像、强噪声、复杂成像条件下的特征提取和匹配性能,最后通过最小二乘法和相似变换模型实现SAR和可见光图像的精确配准.试验表明该算法对图像尺度和角度变化具有良好的适用性,在正确匹配点的比率和定位精度方面都优于原始SIFT算法和Harris算法,具有良好的工程应用前景.     

火星探测出舱机构的识别定位与坡度测量

为实现火星探测两器分离过程中出舱机构的坡度测量,提出一种基于立体视觉技术的出舱机构识别定位与坡度测量方法。首先,采用特征匹配的方法对场景中的出舱机构进行识别定位。针对巡视器导航相机成像视角变化以及出舱机构倾角变化导致图像产生几何形变,火星表面光照因素的影响以及巡视器硬件的计算能力,并结合出舱机构自身特点,提出一种区域特征与Blob特征相融合的识别定位方法。采用加速鲁棒性特征（SURF）算法检测图像中的局部不变特征,并用最大稳定极值区域（MSER）算法检测图像最稳定极值区域,两种特征相融合之后构造SURF描述算子并进行特征匹配。同时,采用M估计抽样一致性（MSAC）算法计算对应点变换矩阵,实现出舱机构在场景中的初步定位。然后,通过对出舱机构上人工标志的精确定位以及三维重建,并采用主成分分析法进行平面拟合,实现出舱机构的坡度测量。试验结果表明,该方法对成像视角变化以及光照变化具有鲁棒性,提取的有效特征数以及计算时间均优于尺度不变特征变换（SIFT）算法,基本满足火星探测中出舱机构坡度测量要求。     

一种基于Star算法的多路视频稳像方法研究

目前，基于特征点匹配的稳像算法中存在特征点提取速度慢、误匹配率高，以及多目相机的多路视频稳像太过耗时、实时性不好的问题，提出了一种基于Star特征点提取算法的多路视频快速稳像方法。首先采用Star算法提取视频当前帧特征点，然后采用光流法结合当前帧特征点信息跟踪预测下一帧对应的特征点，以加快特征点提取速度，同时减少所提取的特征点错误匹配率。通过对匹配的特征点求取相应的仿射变换矩阵获取帧间运动矢量，进而采用卡尔曼滤波器对帧间运动矢量进行滤波处理，以滤除其中的相机随机抖动矢量并保留相机的主观运动矢量。最后依据滤波后的运动矢量进行图像补偿得到稳定的图像序列。针对复眼导引头存在的多路视频抖动情况，基于OpenMP并行开发库，利用多核处理器的优势，实现了多路抖动视频的并行实时稳像。所设计的数字稳像算法在PC平台下对4路抖动视频（OTB100的BlurCar系列视频，分辨率为640×480，帧率为30 FPS）并行稳像的结果参数为：峰值信噪比 （Peak Signal-to-Noise Ratio，PPSNR）平均提升了4.62 dB，单帧耗时平均为14.51 ms。经仿真实验证实，算法的计算效率和特征点匹配正确率高，可实现多路输入视频的实时稳像。     

基于纹理边界检测的航天器椭圆特征提取方法

为确定失效航天器等非合作目标的相对位姿，提出一种通过纹理边界检测的椭圆特征提取方法。该方法假设椭圆特征是航天器表面两种不同纹理的边界，利用上一时刻相对位姿信息，将对接环离散几何模型投影到像平面，并沿各离散点的法向方向通过概率方法检测纹理边界点。利用随机抽样一致(RANSAC)方法剔除边界点中的粗大误差，进而拟合出椭圆参数。纹理特征对光照变化具有鲁棒性，因此该方法能够在变光照、星体表面反光不均匀等复杂情况下快速准确地提取图像中的椭圆特征。本文以对接环图像特征提取为例进行仿真校验，分析了算法参数和噪声对提取椭圆精度和时间的影响。利用真实图像与基于梯度边缘的椭圆提取方法进行对比，结果表明，所提出的算法具有较高的精度和速度。     

GEO非合作目标超近距相对位姿视觉测量

提出一种基于几何特征综合匹配的双目超近距相对位姿视觉测量方法。首先,将失效卫星的矩形太阳帆板作为几何特征,采用综合匹配方法实现了双目图像的高精度匹配,随后基于几何特征指标参数判别和ROI检测方法,实现了卫星太阳帆板特征点组的识别与提取,在此基础上,进一步建立了目标坐标系,通过三维重建完成了超近距阶段失效卫星的相对位姿高精度解算。最后建立了高精度双目视觉超近距相对测量实验系统,结合所提出的综合匹配算法和相对位姿解算方法,完成了动态非合作目标的相对位姿测量实验,实验结果说明所提出的方法具有较好的实时性和较高的精度。     

控制点/控制点对最优能量解析的图像配准

 针对遥感图像配准中匹配同名点少、配准精度低等问题,提出了一种基于控制点/控制点对最优能量解析的图像配准方法。在控制点提取中,通过多尺度曲波变换,实现不同尺度下图像质量的灰关联分析和噪声抑制,并根据灰关联能量值,自动调整尺度不变特征变换配准参数,提高匹配同名点数量;为保证控制点选择的均匀性和准确性,创建了控制点对能量模型,采用马尔科夫蒙特卡洛优化算法实现分布、匹配能量最优的控制点筛选,提高了图像配准精度。实验结果表明,本方法对遥感图像匹配同名点少、控制点分布不均匀、图像配准精度低等问题有很大改善,具有较高的应用价值。     

基于点云深度学习的对称结构空间目标相对位姿测量

针对对称结构空间目标相对位姿解算过程中点云误匹配带来的误差问题，提出一种基于点云深度学习的对称结构空间目标相对位姿测量方法。首先设计空间目标点云特征提取网络及关键点回归网络，将位姿测量问题转换为空间目标点云关键点回归问题，通过两个并行的回归网络分别输出空间目标平移向量和具有固定标签的目标点云三维边界框角点；其次利用具有连续稳定标签的角点求解目标姿态，可有效解决目标的对称结构导致的点云误配准问题；最后通过仿真数据集的实验表明，该方法相比于传统的点云配准方法有更高的准确率，能够精确求解具有对称结构的空间目标相对位姿。     

基于双目视觉的无人机编队相对定位算法

针对无人机编队飞行时双目视觉定位精确性差、计算量大、实时性不高的技术现状,对基于特征点的FAST定位和BRIEF旋转(Oriented fast and rotated brief,ORB)算法进行了改进,提出了一种适用于无人机双目视觉定位的算法。在改进ORB算法中,采用提取目标区域、最近邻约束和随机抽样一致(Random sampling consensus,RANSAC)方法,提高了特征点提取与匹配效率,也提高了特征点匹配质量;对于双目视觉定位,提出了适用条件更加宽泛的双目视觉定位模型,并保证了模型的定位精度;最后使用卡尔曼滤波算法对无人机的定位信息进行估计,进一步提高了无人机的定位精度。实验表明,算法具有较高的精确性和实时性,满足无人机间的相对定位要求。     

基于等高线图与小波变换的3D地形匹配算法研究

提出一种新的基于边缘的3D地形匹配算法。在算法中，一种结构紧凑的特征“等高线图”，用于表示参考高程图(DEM)及从实时数据恢复的高程图，这样3D地形匹配转化为基于等高线的匹配，即边缘(平面曲线)匹配问题。在边缘匹配过程中，首先用一种具有平移，旋转，尺度不变性的规范化小波描述子描述边缘。其次提出了一种基于小波系数域的快速边缘匹配算法，并分析了运算复杂性。由匹配成功的边缘对提取控制点的坐标。讨论了图像变换模型及基于最小均方根误差准则的图像变换参数估计方法。用真实地形实验表明该算法匹配精度高，计算速度快。最显著的特点是该算法抗噪声能力强。