融合SURF特征的压缩追踪算法

针对压缩追踪(Compressive Tracking,CT)算法在目标追踪中易受遮挡和扭曲变形干扰问题,结合该算法简单容易执行的追踪机制,提出一种融合SURF(Speeded-up robust features)和压缩特征的鲁棒性目标追踪算法。新算法有两方面的改进:一是在自适应更新目标外观模型的基础上,增加防止误更新外观模型机制,解决追踪过程中严重遮挡和扭曲变形问题;二是通过SURF特征点在前后两帧中的匹配关系,求解追踪目标尺寸变化,自适应调整目标模板大小。通过仿真实验表明:改进后的算法在公开的某些图像序列上的追踪效果良好,与CT算法及改进的CT算法相比正确性和鲁棒性上性能更优越。     

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

基于选择性模型更新与卡尔曼滤波的目标模型更新算法

选择性模型更新算法不能准确地更新目标模型,在外观变化、遮挡、场景光线变化等因素影响的运动目标跟踪中,不能有效地处理目标模型。因此,提出了一种选择性模型更新与卡尔曼滤波的目标模型更新算法。根据可靠性阈值和分量更新比例精确选取更新分量,并与Kalman滤波相结合,对目标模型分量进行预测,根据不同干扰和目标外形变化,将两种算法的跟踪结果线性加权得到新的跟踪目标模型。实验结果表明该算法具有良好的跟踪效果。     

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换(SIFT)算法的精度和稳定性都不够,而加速鲁棒特性(SURF)算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFT算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。     

基于SURF特征的篮球特征匹配

体育视频中目标标识在机器视觉等领域有广泛的应用而基于传统特征的目标标识运算量大、鲁棒性差,无法满足视频标注的实时性的要求。本文基于SURF特征对篮球视频中的目标进行标识,首先利用SURF算法获取特征点,然后利用最近邻匹配法找到匹配点对,最后利用所求值得到标识后的图像。实验表明该算法能满足准确性和实时性的要求,在目标出现一定的旋转状况下仍能实现准确的标识目标。     

一种鲁棒的二进制图像特征点描述子

为了提高特征点匹配的速度,采用二进制方法生成特征点描述,并对描述子进行了尺度和旋转适应性改进.使用特征点邻域小块中随机点的强度对比生成描述,描述子的相似度以Ham-ming距离度量,以二进制运算提高算法的时间性能.为了检验算法在视角、旋转及尺度变化时的性能,采用Wall和Graffiti图像集及相应的旋转和尺度变换图像集对算法进行测试,得到该算法在各图像集上的匹配准确率,并与SURF算法得到的结果进行比较.结果表明,在2幅图像间进行特征点匹配时,该算法的特征点描述生成时间和匹配时间分别为1 043.67和4 313.36 ms,而使用SURF算法时的相应时间分别为3 950.34和9 951.03 ms,说明该算法的时间特性明显优于SURF算法.此外,在绝大多数测试集上,该算法的匹配准确率明显高于SURF算法.     

改进的SURF算法在彩色车载影像匹配中的应用

在分析了具有尺度不变特征的鲁棒特征加速算法(SURF算法)的基础上,提出了一种基于高斯颜色模型的增维彩色SURF算法.该算法将RGB颜色模型转换到高斯颜色模型,使用SURF算法(增加了48维颜色特征描述向量)进行匹配,再使用核线约束剔除误匹配.结果表明:尽管相对于原有的SURF算法略微增加了计算量,但是在匹配点对数、匹配正确率、匹配点分布均匀性上都具有明显的优势.     

基于帧间差分的ViBe运动目标检测

针对光线变化时现有前景检测方法易将背景检测为运动目标、形成大片阴影的问题,本文利用帧差法对光线变化的不敏感性,对基于ViBe的背景建模、前景检测算法进行改进。结合帧间差分的ViBe前景检测方法包括背景初始化、背景模型更新及后期图像处理三个模块。该方法在更新背景模型时,加入了帧间差分判别多阈值比较,并依据帧间差分的结果对背景更新率进行动态调整,最后对背景建模后的检测结果进行形态学处理,针对大的噪点进行轮廓提取及判定,最终检测出运动目标。针对不同条件下监控视频的试验结果表明,本文方法初始化速度快、实时性好,有效地抑制了由于光线干扰形成的大片鬼影区域。     

基于自适应特征融合的均值迁移目标跟踪

提出了一种基于自适应多特征融合的目标跟踪算法.分别利用RGB颜色和LBP纹理特征建立目标模型,通过线性加权将两类目标子特征模型代入目标相似性函数并用均值迁移算法进行目标位置优化计算.在跟踪过程中,引入S igmoid函数动态调整两类子特征权重,并利用子特征相关系数和可靠性指数对目标特征模型选择性自适应更新.实验结果表明,该算法能在跟踪场景和目标外观变化时自适应调整两种子特征权重,避免了特征失效导致的跟踪失败;特征模型选择性更新策略有效抑制了模型漂移.与单一特征和模型直接更新的跟踪方法相比,该算法在复杂跟踪环境更具有鲁棒性,能进行准确稳定的实时跟踪.     

融合加速稳健特征的子空间人脸识别方法

为了充分利用人脸特征信息更加准确全面地描述人脸,提高现有识别算法的识别率,提出一种融合改进的加速稳健特征和子空间特征进行人脸识别的方法。利用AAM形状模型的训练方法,训练得到41个点的人脸形状模型;对每幅图像进行特征点初歩定位,找到并保留与初歩定位的特征点空间距离最近的SURF特征点。将SURF特征点描述子利用PCA降维,得到改进的SURF局部特征向量。然后利用PCA对图像进行全局特征提取,将局部特征与全局特征进行融合,组成全新的特征向量。最后通过特征向量的匹配实现识別。对包括本算法和PCA-SIFT算法在内的6种不同识别算法进行了验证。实验结果表明,提出的算法在改变ORL人脸库中训练集样本数的情况下,识别率均优于其他算法;在样本数为5的情况下比PCA-SIFT方法提高了4.3%,可见该算法提高了人脸的识别率具有较强的鲁棒性和分类性。     

基于双目视觉的物体识别定位与抓取

为解决目标识别精度低、定位与抓取配合困难问题,通过对算法的改进研究了物体的识别定位与抓取,包括识别目标物体、对于目标物体形心的位置三维重建、对于目标物体的姿态估计、对于手眼标定后的抓取4个方面。在目标识别中,首先通过快速鲁棒特征(speeded up robust features,SURF)算法结合Grabcut算法提取出目标。在位置求解中,利用模板匹配求取目标物体形心的世界坐标。在姿态估计中,算法的流程为:利用匹配点对求取左图中物体母线斜率,再随机取斜率等于左图母线斜率的两点,通过两点的世界坐标求出目标物体的姿态。在抓取中,采用的眼在手上,先建立工件坐标系,再进行坐标转换,通过机器人参数求得逆解。研究结果表明:误差均在较小范围内且机器人可在有效工作范围实现抓取。可见算法可靠以及整体实验的正确性。     

基于SURF的目标跟踪算法

为了改善运动目标在跟踪中的实时性问题,提出了一种基于SURF算子的目标跟踪算法。通过对SURF特征点集进行描述快速确定目标位置,实验表明该方法是一种简洁有效的目标跟踪识别方法。同时针对目标运动过程中短时间的遮挡问题,提出了一种目标遮挡检测机制,为目标遮挡的处理提供了一种途径。     

采用图像增强的图像特征点匹配算法

首先,利用直方图均衡化、基于照明-反射模型的同态滤波和基于Retinex理论的3种图像增强方法,对收集到的图像进行预处理;然后,对预处理后的图像应用SIFT,SURF和ASIFT算法进行图像特征提取和匹配.研究结果表明:经直方图均衡化处理的图像,用SURF提取的图像特征点匹配率较高;同态滤波预处理图像的方法,经SIFT算法提取图像特征点的匹配率较高.     

基于双目立体视觉的目标识别与定位

为从不同角度识别目标物体以及解决左右两幅图像中目标轮廓中心不匹配的问题, 将SURF(Speeded Up Robust Features)算法与GrabCut 算法相结合, 离线采集目标物体不同角度的图像, 生成目标模板图片库。利用SURF 算法完成目标物体的识别; 利用SURF 算法自动初始化GrabCut 算法, 实现目标轮廓的提取; 利用基于灰度相关的区域匹配算法完成目标轮廓中心点的匹配, 结合三维重建原理实现目标定位。实验结果表明, 该方法可以成功识别目标物体并对目标物体进行准确定位。     

基于改进的加速鲁棒特征算法的工件定位方法

为了解决传统的图像处理算法识别现场获得的工件图像速度慢且匹配效果较差等问题,通过对工件图像的识别方法进行研究,提出了一种改进的加速鲁棒特征(SURF)算法可以实现工件准确、实时的定位。该算法基于加速分割测试特征检测器(FAST)对SURF算法的特征提取方式进行改进,首先利用FAST提取特征点,然后通过SURF算法生成特征点描述子,使用主成分分析算法(PCA)对描述子进行降维。随后以欧式距离作为相似性度量进行粗匹配,再采用随机抽样一致算法(RANSAC)剔除误匹配点。最后结合双目视觉技术得到工件空间位置坐标。实验结果表明：本文提出的算法在运行时间上相比传统SURF算法减少80%,同时提高了匹配的精度。可见达到了准确、实时的工件定位目的。     

火星探测器着陆过程中图像匹配的性能研究

以火星探测器着陆过程中通过图像匹配估计位置参数为背景,针对探测器拍摄的实时图旋转以及尺度变化等对图像匹配算法的影响做一系列研究,寻找适当的旋转角度以及尺度大小来获得较高的匹配精度.以SURF算法为研究对象,结合RANSAC算法对误匹配点进行剔除,提纯匹配点,综合定义了正确率的概念,方便对匹配结果进行判断.实验结果表明,实时图旋转角度以及尺度大小和匹配的正确率呈一定的规律在变化,在应用到火星探测器着陆过程中实时图的选取时,相对于参考图选取适当旋转角度和尺度的实时图能在一定程度上提高图像匹配的准确率.