基于改进SIFT的图像配准算法

为解决存在较大程度旋转和缩放的图像配准问题,提出了一种基于尺度不变特征变换(SIFT,Scale Invariant Features Transform)的图像配准算法.采用对数极坐标变换(LPT,Log-Polar Transform)进行图像粗匹配,对图像旋转角度和缩放尺度变化量进行估计,并对图像加以校正;在粗匹配的基础上对图像进行分块,根据信息熵原理提取子块的SIFT特征和不变矩特征,构造新型的特征描述符;结合欧氏距离和Procrustes迭代算法获得图像的同名点对,并估计图像形变参数,完成图像配准.实验结果表明:该算法速度快、稳定性强,并能达到亚像素级的匹配精度.     

月面模拟环境的SIFT特征提取与匹配方法

为了满足月面巡视探测器的自主导航要求.使用一种新的基于尺度不变的特征点提取和匹配算法.首先根据尺度不变特征变换方法从图像中提取关键点作为特征点,然后进行左右双目图像的特征点匹配和视差的恢复.与传统特征算法相比,可以提高对不同光照环境图像匹配的鲁棒性和匹配精度.在模拟试验场的双目视觉图像匹配中,仿真实验取得较好的效果.     

一种改进的ORB特征匹配算法

针对现有的ORB特征匹配算法在图像模糊、光照变化、图像压缩、噪声条件下,匹配准确率下降问题,提出了一种改进的ORB特征匹配算法。首先,在提取特征点过程中,对图像进行网格化处理,并引入四叉树结构,使提取的特征点在图像中均匀分布,解决传统的特征提取方法遇到的特征点集中问题。然后,利用暴力匹配进行初步匹配,并采用交叉验证的方式,剔除部分误匹配,改善暴力匹配的结果。最后,利用高斯核对网格运动统计的结果做加权处理,优化统计结果,进一步剔除误匹配,得到准确率更高的匹配集合。实验结果表明:改进后的算法在图像模糊、光照变化、图像压缩和噪声条件下,平均准确率分别提高了3.5%、4.2%、2.2%和6%。      

基于支撑描述的SIFT匹配方法

为减少局部结构相似等因素导致的图像匹配错误,提出一种基于支持描述的匹配判定方法.利用尺度不变特征变换（SIFT,Scale Invariant Feature Transform）算法获得初始匹配集,选取其中稳定性较高的特征点对建立支撑特征集;根据支撑特征点的分布,对初始匹配集的剩余特征点对进行支撑描述,并根据所生成支撑描述符的相似程度,判定剩余特征点对是否为正确匹配.经判定正确的匹配特征点对被加入支撑特征集,使支撑特征集动态扩展,保证了支撑特征点的分布密度及支撑描述的准确性.实验结果表明,该方法能够在保留正确匹配的同时,消除90%以上的错误匹配,有效提高正确匹配率.      

基于MSER的无人机图像建筑区域提取

对建筑区域自动检测与提取是无人机(UAV,Unmanned Aerial Vehicle)图像处理的一项重要功能.在分析无人机成像特点和最大稳定极值区域(MSER,Maximum Stable Extremal Regions)算法对无人机侦察图像建筑区域检测的适用性基础上,提出了一种基于MSER的无人机侦察图像建筑区域提取算法.算法包含5步:无人机图像预处理,运用MSER算法分析计算图像稳定区域,通过计算稳定区域密度筛选建筑区域,进一步利用自适应K均值聚类算法对建筑区进行划分,最后采用Graham算法生成建筑区的边界从而实现了建筑区的自动提取.选取无人机实飞图像数据进行实验统计,本算法提取精度为92.25%;同时与基于Gabor变换的纹理特征、SIFT特征点的提取算法相比,建筑区域提取时间缩短,满足无人机实时应用需求.      

一种新的SIFT匹配定位技术研究

在基于局部特征点匹配的目标定位系统中,匹配点和误匹配点数量的多少直接影响定位准确度。传统SIFT方法为保证匹配过程中有足够的匹配点数,通常选取较小的统计区域,特征点缺失了对周边区域的关联性,造成误匹配。为提高定位准确度,提出一种改进的SIFT特征描述子。在传统的SIFT局部特征描述子中引入PCA统计特征,在获得更高的正确匹配率的同时降低了错误匹配率。针对常用的SIFT误匹配滤除算法（NN法）滤除误匹配时需牺牲大量正确匹配,提出在NN法基础上,利用匹配特征点的坐标信息对误匹配进行二次滤除,进一步减少了误匹配。实验结果表明,定位算法的准确度优于传统方法。     

基于多级语义对齐的图像-文本匹配算法

图像中的区域特征更关注于图像中的前景信息,背景信息往往被忽略,如何有效的联合局部特征和全局特征还没有得到充分地研究。为解决上述问题,加强全局概念和局部概念之间的关联得到更准确的视觉特征,提出一种基于多级语义对齐的图像-文本匹配算法。提取局部图像特征,得到图像中的细粒度信息;提取全局图像特征,将环境信息引入到网络的学习中,从而得到不同的视觉关系层次,为联合的视觉特征提供更多的信息;将全局-局部图像特征进行联合,将联合后的视觉特征和文本特征进行全局-局部对齐得到更加精准的相似度表示。通过大量的实验和分析表明：所提算法在2个公共数据集上具有有效性。     

基于ASIFT的离线签名认证方法

通过分析现有局部不变特征方法及含伪装签名数据集的特点,提出了一种基于具有仿射不变性的尺度不变特征变换(ASIFT)的离线签名认证方法.该方法对签名图像进行预处理(包括灰度化和放缩),对处理后的图像进行ASIFT关键点检测和特征描述符提取,对从查询签名图像和参考签名图像中提取到的描述符进行匹配,对匹配的结果采用随机采样一致性(RANSAC)方法去掉错误匹配,并计算正确匹配点的描述符之间的平均距离;通过比较平均距离及正确匹配点的个数与给定阈值的大小来判断认证是否成功.使用了含伪装签名的数据库对提出的方法进行测试,实验结果表明该方法与现有方法相比等误率降低了5%.      

基于FPGA的低复杂度快速SIFT特征提取

尺度不变特征变换（SIFT）算法具有优良的鲁棒性,在计算机视觉领域得到广泛应用。针对SIFT算法高计算复杂度而导致其在CPU上运行实时性低的问题,基于现场可编程门阵列（FPGA）设计了一种低复杂度的快速SIFT硬件架构,主要对算法的特征描述符提取部分进行优化。通过降低梯度信息（包括梯度幅值和梯度方向）的位宽、优化高斯权重系数的产生、简化三线性插值系数的计算和简化梯度幅值直方图索引的求解等方法,避免了指数、三角函数和乘法等复杂计算,降低了硬件设计复杂度和硬件资源消耗。实验结果显示,提出的低复杂度快速SIFT硬件架构,与软件相比,可以获得约200倍的加速;与相关研究相比,速度提高了3倍,特征描述符稳定性提高了18%以上。      

视觉导航中陀螺仪辅助特征点匹配算法

为了解决视觉导航中无摄像平台条件下特征点匹配不准确的问题,提出了一种利用导航系统中陀螺仪输出辅助进行特征点匹配的方法.构建了陀螺仪角速度输出与特征点坐标变化之间的关系,分别采用相关系数匹配和双向匹配进行特征点匹配和匹配检验,通过插值计算得到亚像素精度的匹配结果;分析了该方法的各种误差来源,并对陀螺仪输出误差和摄像机焦距误差的影响大小进行了分析.实验表明:相对于SIFT(Scale Invariant Feature Transform)方法,此处提出的匹配方法准确性有了较大提高,并且在原系统基础上不需要增加额外设备,具有较好的实用性.     

基于定点旋转的遥操作前端视觉自标定

为解决遥操作过程中当前端视觉内参数改变时的标定问题,特别是在一些危险的或是人无法到达的环境下,在前端放置标定物用传统的方法进行标定是不可能的,因此采用了一种基于定点旋转的自标定技术来进行标定.对基于定点旋转的自标定方法进行了理论推导,得到了标定步骤.在试验过程中,摄像机固定在一种旋转装置上进行拍摄,采用SIFT(Scale Invariant Feature Transformation)算法对拍摄的图像进行特征点检测和匹配,采用牛顿算法进行计算.为和传统的标定方法进行比较,对自制的平面模板进行拍摄,利用Harris算子对平面模板图像进行角点检测,用传统的标定方法重新对摄像机进行标定.结果表明两种方法得到的答案相近,用传统标定方法标定结果是接近摄像机真实参数值的,说明这种新的标定方法是一种有效的标定方法.      

复杂动态场景下目标检测与分割算法

在动态场景等复杂条件下,往往难以对序列图像目标进行准确的检测与分割。根据序列图像中目标在复杂条件下的成像特点,提出了一种基于融合尺度不变特征变换(SIFT)流特征显著模型的动态场景目标检测与分割算法。通过对SIFT流算法表示运动特征信息的优势进行分析,并结合图像国际照明协会(CIE)Lab颜色空间的颜色和亮度特征信息,建立四维特征向量空间。利用改进的多尺度中心-环绕对比方法生成各特征通道的显著图并进行线性融合,建立序列图像的动态场景目标显著模型。最后利用均值漂移聚类算法和形态学处理实现对检测目标的精确分割。实验结果表明,相比传统检测与分割算法,该算法在动态背景与航拍等复杂场景下能够分割出更为完整的目标区域,具有良好的鲁棒性和高分割精度。      

基于全景子空间的尺度不变特征跟踪方法

提出一种基于全景子空间尺度不变特征跟踪方法,包括离线阶段建立全景图像与原始图像序列特征集对应关系和在线阶段基于关键图像识别的特征匹配等过程.首先利用全景图充分覆盖局部场景信息特性,通过扩展Kd树组织全景图特征并建立其与原始图像序列特征对应关系,不但解决了图像间特征对应,而且能够有效减少全景图冗余特征量,提高首次特征匹配速度.然后给出一种基于投票策略的关键图像识别方法以进一步完成二次特征匹配,从而将多图像大数据量特征匹配转换为单图像小数据量特征匹配目标,较好实现了特征匹配速度与稳定性的平衡.试验结果表明本方法能够有效增强特征跟踪的稳定性.      

基于SIFT,K-Means和LDA的图像检索算法

图像检索一直是信息检索领域的难题。提出了一种基于尺度不变特征变换（SIFT,Scale Invariant Feature Transform）,K-Means和潜在狄利克雷分布（LDA,Latent Dirichlet Allocation）的图像检索算法。算法主要分为两个阶段。预备工作得到分类完成的图库、概率分配参数表和基本词库;实现检索是在预备工作的基础上归类测试图片,然后在该类下搜索最相似图片。对比传统的基于文本或内容的检索方法,该算法在检索之前将图片库中所有图片按其本身特征进行自动分类,取代人工标注图像信息的过程,同时由于整个算法完全基于图像特征,故此方法不会引入人工因素的干扰。实验结果表明,该算法能够较为准确地将要检索的图片归为图片库对应的类别中,有效地提高图像检索效率。     

基于非参数边缘积分估计的局部特征描述子

为提高图像匹配性能提出了关于局部区域特征描述子的统计模型。该模型是一种基于梯度模值及方向分布的边缘积分函数模型。在离散梯度方向的边缘积分函数与梯度矢量场的模值累积方向直方图相同。采用基于核函数的非参数估计,估计了该函数,应用于尺度不变特征变换(SIFT)描述子。为了提高描述子的旋转不变性、独特性,降低运算复杂度,将特征点周围的局部区域作为圆形,由径向采样网格划分为8个子区域。在每个子区域估计边缘积分函数,特征向量由每个小块8个方向的函数值组成。实验表明,该描述子能够提高旋转变换的检测率(查全率),降低运算复杂度。