一种基于图像特征点提取及匹配的方法

针对图像特征提取与匹配的适应性和准确性的问题,将尺度不变特征变换(SIFT, Scale Invariant Feature Transform)算法应用到图像匹配领域.首先从原理上对SIFT算法的特性进行了分析,并以visual studio 2005为开发平台对SIFT算法分步骤进行了实现;最后以基于欧氏距离的最近邻准则作为特征的相似度量将SIFT算法提取的特征应用于图像特征匹配,并对不同的近邻比进行比较,给出了建议值.通过3组实验图像的匹配结果表明,SIFT算法提取的特征对图像缩放、旋转、亮度变化的匹配正确率都等于或接近100%,证明了SIFT算法提取的特征点有很好的适应性和准确性,可以进一步应用到图像识别以及图像重建等领域.      

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.      

遥感图像的快速配准方法

针对多传感器遥感图像的配准,提出了一种快速有效的图像配准方法.该基于分级候选点集匹配的配准算法充分利用了分级匹配和候选点集匹配方法的优点,减少了特征提取空间和搜索空间.并在同名控制点对的确定中引入距离计算,能更有效地确定同名控制点对,减少了误匹配率,增加的距离计算时间代价很小,而且不随图像大小发生变换,只与最终匹配点对数目有关.采用主观与客观判断相结合的方法进行配准评价,实验结果表明,该算法在图像存在一定背景噪声,同时具有平移、旋转的情况下,可以准确地进行配准,提高了配准速度和精度.      

基于深度神经网络的像素级别可见光图像配准

现有图像配准算法中,借助图像采集设备参数的方法存在硬件内参难以获得或精度不够的问题,采用匹配图像特征计算图像单应性的方法存在对场景深度信息利用不全的问题。针对这一现象,提出了结合可见光图像与其深度信息来生成更具有真实性的配准图像对数据,用以训练得到一个可以进行像素级别图像配准的深度神经网络PIR-Net。建立了一个大规模、多视角、超仿真的图像配准数据集:多视角配准(MVR)数据集,该数据集包含7 240对含有深度信息的待配准图像及其像素级别的坐标对准真值;基于编码器-解码器的深度神经网络结构,训练得到一个能以全分辨率形式对2幅输入图像之间的坐标变化矩阵进行重建的PIR-Net。通过实验验证了PIR-Net能够在未知相机内参的情况下实现不同视角的可见光图像配准,并比传统算法具有更高的配准精度。在MVR数据集上,PIR-Net的配准误差仅为通用的特征匹配对准算法(SIFT+RANSAC)的18%,同时减少了30%的时间消耗。      

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.     

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TEASER算法的空间非合作目标位姿估计

基于点云的空间非合作目标位姿估计,常受到噪声影响.提出截断最小二乘估计与半定松弛(truncated least squares estimation and semidefinite relaxation, TEASER)与迭代最近点(iterative closest point, ICP)的结合算法,提升空间非合作目标位姿估计精度与鲁棒性.该方法包括粗配准与精配准两个环节：在粗配准环节中,基于局部点云与模型点云的方向直方图特征(signature of histogram of orientation, SHOT)确定匹配对,利用TEASER算法求解初始位姿;在精配准环节中,可结合ICP算法优化位姿估计结果.北斗卫星仿真实验表明：在连续帧位姿估计中,噪声标准差为3倍点云分辨率时,基于TEASER的周期关键帧配准方法的平移误差小于3.33 cm,旋转误差小于2.18°;与传统ICP方法相比,平均平移误差与平均旋转误差均有所降低.这表明所提出的空间非合作目标位姿估计方法具有良好的精度和鲁棒性.     

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%.      

自研激光雷达三维点云配准技术

为了实现激光雷达点云与图像重建点云的三维空间配准,基于自研三维扫描激光雷达系统,提出了新型的快速多尺度因子（FMSR）点云配准算法,研究了空间点云配准技术。该算法主要包括初始配准和精确配准2个步骤:初始配准使用基于尺度自适应关键点质量（ASKQ）的点云特征提取算法,提取关键点的特征匹配对,求解点云配准初始参数;精确配准利用K-邻近（KNN）算法全局搜索,提升计算效率,多次迭代得到2组点云之间的最优旋转矩阵、最优平移向量和最优尺度因子。仿真和实验结果表明,所提出的算法对空间目标（尺寸为20.30 m×7.85 m×26.56 m）实现空间点云配准,配准精度达到0.194 m,运行时间为16.207 s;与多尺度迭代最近点（S-ICP）算法相比,配准精度提高了0.131 m,运行时间提高了30%。所提出的空间点云配准技术可为场景重建和纹理匹配提供算法基础。      

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BoF模型的多特征融合纹理图像分类

针对特征词袋（BoF）模型缺乏空间和几何信息,对纹理图像内容表达不明显等问题,提出一种基于BoF模型的多特征融合纹理分类算法。将灰度梯度共生矩阵（GGCM）和尺度不变特征转换（SIFT）融合特征作为纹理图像的区域特征描述,通过动态权重鉴别能量分析进行最优参数特征选择,并用BoF量化纹理特征,使用支持向量机对图像进行训练和预测,得出分类结果。实验结果表明,本文算法对有旋转扭曲的纹理、边缘模糊纹理、有光照变化的纹理及杂乱纹理等均能取得较好的分类效果,相对于传统BoF模型及凹凸划分（CCP）方法等算法在UIUC纹理库上的分类正确率均有不同程度的提高,平均分类正确率分别提高12.8%和7.9%,说明本文算法针对纹理图像分类具有较高的精度和较好的鲁棒性。      

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。      

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.      

用于遥感图像变化检测的全尺度特征聚合网络

变化检测(CD)是遥感的一项重要任务,通常面临许多伪变化和较大的尺度变化。目前的方法主要侧重于对差异特征的建模,忽略了从原始图像中提取足够的信息,影响了特征的识别能力,难以稳定地区分出变化区域。针对以上问题,提出了一种全尺度特征聚合网络(FFANet)来更充分地利用原始图像特征,促使生成的特征表示在语义上更丰富、在空间上更准确,从而提高了网络对小目标和目标边缘的检测性能。同时,拓展了深监督来结合多尺度的预测图,以促使不同对象在更合适的尺度上进行检测,从而提升了网络对对象尺度变化的鲁棒性。在CDD数据集上,相比于基线网络,所提方法仅增加了1.01×10⁶的参数量,就将F₁分数提升了0.034。