一种改进的Harris-RANSAC长焦相机标定算法

长焦相机采集近距离棋盘格图像时易出现相机离焦现象，导致棋盘格图像产生散焦模糊，极大地增加了相机标定的难度，同时传统的Harris角点检测算法对散焦模糊的棋盘格图像进行角点检测的结果即使经过非极大值抑制处理也仍然存在大量冗余角点.针对上述问题，基于随机抽样一致(random sample consensus, RANSAC)算法提出一种改进的Harris-RANSAC长焦相机标定算法.首先，引入感兴趣区域将Harris角点检测的区域缩小到棋盘格区域以避免背景干扰；其次，采用随机抽样一致算法替代传统的非极大值抑制方法剔除冗余角点；最后，针对模糊棋盘格图像的特性构造新的响应函数，进行亚像素级角点定位，从而得到精确的角点坐标.结果表明，改进的Harris-RANSAC算法对模糊棋盘格图像进行角点检测时耗时短且精度较高，角点检测的反投影误差仅为0.432像素.     

基于几何约束的高精度特征点检测和相机标定

针对高精度特征点检测和相机标定问题,提出了一种基于几何约束的角点检测和相机标定方法.该方法首先用传统的方法提取图像中的角点,以此为初值从图像中搜索棋盘格边缘,然后对边缘数据进行拟合,并将拟合得到的三次曲线的交点作为真实的角点,最后以这些角点为特征点进行相机标定.实验结果表明,加入几何约束后能大幅提高特征点提取的准确度,从而显著提高相机标定的精度.     

阵列工业图像快速拼接算法

相机阵列获取的多目图像拼接常依赖特征点的数量和空间分布情况,采用传统Harris角点检测算法提取特征点时,会产生伪角点和角点簇,影响拼接速度和精度。自定义Harris角点检测阈值,保留明显特征点,利用自适应非极大值抑制(ANMS)优化角点簇问题;再生成特征描述子,实现特征点的初步匹配,接着用随机抽样一致算法(RANSAC)去除误匹配;最后采用渐入渐出融合算法,实现了拼接图像的平滑过渡。结果表明,该算法能够快速、精确地实现工业图像拼接,具有优良的工业实用性。     

基于尺度空间的图像匹配

采用sift算法和Harris角点检测算法,利用特征点附近的灰度信息和相关联信息,建立图像局部匹配的 准则,将图像特征点划分为多对多匹配对,根据支持强度的不同建立精确的一对一匹配关系.     

基于特征点匹配的拼接算法研究与实现

针对图像间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(Normalized Cross Correlation)方法提取出匹配特征点对,最后用渐进渐出的方...     

基于改进型随机抽样一致法的图像配准算法

为了提高相似变换图像配准的速度和精度,提出了1种基于改进型随机抽样一致法的图像配准算法.在利用Harris角点检测提取待配准图像的特征点以及利用归一化互相关粗匹配后,采用改进的随机抽样一致法进行快速精准的变换模型估计.算法采用图像相似变换的简化配准模型,利用相似特征3角形进行快速模型预检验,并使用最大欧氏距离法提高计算数据的可靠性.实验结果表明,该算法在具有较高计算精度和鲁棒性的情况下,大幅减少了运算量,提高了变换模型的计算速度.     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

基于Harris角点特征的贴片元件视觉定位算法

为了实现贴片机视觉系统对贴片元件的高精度定位,提出了一种基于Harris角点特征的贴片元件偏转角度与偏移量检测方法.首先对元件图像进行预处理,以改善引脚部分的图像质量,然后标记元件引脚的连通区域,判别元件引脚形状,再通过Harris角点特征提取、分类和直线拟合等得到元件的偏转角度,最后对元件图像进行旋转和放大处理,并进行基于Harris角点特征的图像配准,得到元件的偏移量.检测结果表明,文中算法能够检测贴片元件的偏转角度和偏移量,对偏转角度的检测误差小于0.1°,对偏移量的检测误差小于25μm,满足贴片机对视觉系统定位算法的精度要求.     

基于Harris度量的轮廓尖锐度CDA优化算法

为了进一步提高工业现场中工件自动测量的精度,在详细分析了目前工业检测过程中角点提取准确度低、检测时间长等问题产生原因的基础上,提出了一种基于Harris度量的轮廓尖锐度工件图像角点检测优化算法.首先利用Freeman链码法提取工件图像的轮廓,通过计算轮廓尖锐度获取轮廓上的候选角点,然后针对两种不同类型的伪角点,分别采用...     

双阈值Harris角点检测算法

角点检测是图像处理中的一种重要的特征提取方法,为了改进角点检测算子的检测性能,提高角点检测的精度,降低检测出伪角点的概率,针对Harris角点算法的阈值受人为给定的限制的缺陷,提出了一种基于双阈值的Harris角点检测,利用小阈值T1来检测角点,利用大阈值T2来限制伪角点的出现,并通过大量实验总结出大小两阈值的关系,获得良好的检测性能。     

基于分块信息熵和特征尺度的图像配准算法

针对当前图像配准技术中特征点的检测和匹配存在的问题,提出了一种基于分块信息熵和特征尺度的图像配准算法.通过对图像进行分块,结合每块图像的信息熵,改善了Harris-Laplace算子提取的特征点分布过于集中的问题.通过比较角点响应函数的值,剔除了特征点中的冗余点.通过结合特征点的尺度信息、Hu矩和双向匹配策略,提高了初始匹配点对的准确率.仿真结果表明,改进的配准算法可以实现高精度的图像配准,对图像的几何变换具有很强的鲁棒性.      

图像自动配准初始参数确定

为了实现图像自动配准，需要确定初始变换参数，为此提出了图像特征线和图像特征圆的概念。以仿射变换作为图像配准变换模型，由Harris角点检测法确定图像特征点，由图像特征点求取图像特征线和图像特征圆，根据该特征线和特征圆洋细推导了图像自动配准初始参数的确定算法。根据以上算法实现了图像自动配准，证明了该算法的有效性。     

基于Harris-改进LBP的特征匹配及目标定位算法

为满足机器人伺服抓取中定位精度和实时性的要求, 提出一种基于Harris及改进局部二值模式(LBP)的特征匹配和目标定位快速算法. 首先采用Harris检测算法提取图像特征点; 然后提出一种新的特征点描述子定义方法, 先利用胡矩确定特征方向, 再根据特征方向对局部图像做标准化处理, 提取标准化局部图像LBP特征作为特征点描述子; 最后通过计算两张图像中各特征点描述子间的汉明距离实现特征匹配, 再根据匹配结果估计单应性矩阵, 定位目标在场景图像中的位置. 实验结果表明, 该算法匹配速度快、 定位精度高.     

CCD摄像机标定中角点亚像素定位方法

CCD摄像机的标定是实现光学三维轮廓测量技术的必要步骤,其标定精度在很大程度上取决于标定特征点的定位精度.在分析现有棋盘格角点像素级和亚像素级定位方法不足的基础上,提出了一种基于改进SV方法的棋盘格角点亚像素定位方法.首先,采用SV算子对角点进行像素级检测;其次,选取标定图像中以初定位角点坐标为中心的5×5像素区域,对其灰度值进行双线性插值;最后,计算插值图像的灰度质心,再根据插值放大倍数,将质心转换到亚像素坐标,实现了角点亚像素定位.实验结果表明,该方法可以获得亚像素级角点坐标,实现CCD摄像机的高精度标定,标定平均误差为0.108 mm.     

一种基于TF-IDF和ORB的改进闭环检测算法研究

针对视觉SLAM闭环检测过程中由于感知歧义导致的闭环不准确问题,基于TF-IDF方法提出了一种带权重的计算两幅图像相似性得分的算法,用于视觉SLAM的闭环检测研究;首先在特征点检测时,为了得到均匀分布且重叠点较少的特征点,使用FAST角点检测方法得到关键点,而后对关键点进行非极大值抑制;其次使用改进的算法计算两幅图像间带权重的相似性得分;最后根据场景图像的特征,进行闭环确认,进一步剔除错误闭环。实验通过搭建平台和使用标准数据集进行测试,证明了改进的闭环检测方法能够有效提高闭环的识别率与准确率。     

改进的SIFT算法在医学图像检索中的应用研究

针对SIFT算法提取的关键点不具有结构意义、提取运算复杂,应用于医学图像检索中匹配错误率较高的缺点,提出了一种改进的Harris-SIFT算法,将SIFT算法中特征点的检测方法改为Harris角点检测。提取的关键点更均匀合理且具有结构意义,提取运算更简单。通过实验验证,改进算法减少了误匹配率,提高了检索速度。     

基于尺度空间约束的融合特征点匹配方法

本文提出一种多尺度特征匹配的空间约束机制,Combinative Feature based on Constraint in scale space(CFCS SIFT),该约束机制以SIFT特征点的尺度为基础,对多尺度空间中检测到的DOG特征点与Harris角点提供匹配空间约束,以提高正确匹配点对的数量.基于该约束机制,构造了一种融合DOG特征提取、Harris角点提取原理的SIFT描述符提取与匹配方法,该方法在多尺度空间中提取DOG特征点、Harris角点,并根据特征点的空间、坐标参数获取SIF T描述符.在将DOG特征点和Harris角点相融合并生成SIFT描述符的基础上,设定尺度阈值,根据尺度阈值对检测范围进行空间约束,在约束范围内查找特征点,采用BBF(Best Bin First)算法,并用欧氏距离作为度量函数进行特征点的匹配,最后用RANSAC对匹配点对进行筛选纠错.通过大量实验证明,该算法能够找到更多匹配点对,正确匹配点对相对于不具有空间约束的融合特征点匹配方法增加了15%左右.