利用SIFT特征联合匹配的非刚体目标跟踪算法

为了解决非刚体目标跟踪过程中由目标形状快速变化带来的困难,提出了利用SIFT特征联合匹配的非刚体目标跟踪算法。首先分别提取目标模板和当前搜索区域的SIFT特征点;然后利用改进的联合匹配策略在目标模板和当前搜索区域之间进行特征匹配;最后根据匹配结果确定目标在当前帧的位置和尺度。改进的联合匹配策略在构建相似度矩阵时,不但利用了具有旋转和尺度不变性的SIFT特征向量,并且充分考虑了特征点的空间位置信息,有效提高了特征匹配的准确性。将这种改进的联合匹配策略成功地引入到SIFT匹配跟踪中,克服了传统SIFT匹配算法用于非刚体目标跟踪时的缺陷。实验结果表明,该算法对目标的非刚性形变、尺度变化以及背景干扰都具有较强的鲁棒性。     

基于区域重叠核加权Hu矩的SIFT误匹配点剔除算法

针对尺度不变特征变换（scale invariant feature transform, SIFT）算法在特征点匹配时容易出现误匹配现象,提出了一种基于区域重叠核加权Hu矩的SIFT误匹配点剔除算法。该算法首先通过对SIFT描述子区域内的重叠4邻域计算Hu矩,生成能够描述纹理特征与轮廓特征的种子点描述子;其次,根据描述子的区域特点利用核函数对种子点描述子进行加权,生成63维区域重叠核加权Hu矩描述子;最后用巴氏（Bhattacharyya）系数计算归一化后描述子的相似度,并剔除相似度较小的匹配点。将该算法与其他3种算法进行对比,实验结果表明,该算法的鲁棒性最强,实时性较高,综合性能最优。     

高鲁棒性和独特性的图像局部不变特征描述

为了提高尺度不变特征变换（scale invariant feature transform, SIFT）算法的不变性,并降低图像中存在多个相似区域时的误匹配率,提出了一种将基于局部二进制模式的中心对称的改进局部三进制模式（center symme-tric improved local ternary patterns, CS-ILTP）描述子和全局灰度值分布（global distribution of intensity,GDI）描述子相融合的局部不变特征描述算法。通过迭代变换,使得由SIFT算法得到的初始特征点收敛到仿射不变点并得到仿射不变区域;分别提取 CS-ILTP和GDI描述符,从而得到图像的局部不变特征描述。实验结果表明,所提算法具有高鲁棒性和独特性,相似区域和人工路标匹配中的正确匹配特征个数分别比SIFT算法增加了100%和86%以上。     

基于辅助匹配的1点RANSAC单目视觉导航算法

针对1点随机抽样一致性(random sample consensus,RANSAC)单目视觉导航算法中的主动视觉匹配失效问题,提出了一种基于辅助匹配的1点RANSAC单目视觉导航算法。首先,该算法通过引入尺度不变特征变换(scale invariant feature transform,SIFT)算法完成特征匹配;其次,采用RANSAC算法解算基础矩阵和匹配点;最后,通过实验验证了算法的有效性。实验结果表明,该算法能够解决主动视觉匹配失效问题,提高1点RANSAC单目视觉导航算法的导航精度。SIFT辅助求解的有效匹配点精度在5个像素之内,航向角平均误差减小5.04°,俯仰角平均误差减小1.21°,滚动角平均误差减小3.03°。     

全仿射形变下基于点特征的SAR图像配准方法

全仿射形变条件下,待配准合成孔径雷达(synthetic aperture radar, SAR)图像与参考SAR图像之间存在各向异性尺度变化,导致传统的点特征图像配准算法难以提取到足够多的匹配特征点进行图像配准。为此,提出了一种基于仿射形变矩阵分解与尺度变化矩阵估计的点特征图像配准算法。该方法首先将仿射形变矩阵分解为图像旋转矩阵、尺度变化矩阵以及常数矩阵的乘积,而后利用粒子群优化(particle swarm optimization, PSO)算法对尺度变化矩阵中的未知参数进行搜索估计,并根据估计结果对图像进行尺度规范处理,以抑制图像间的各向异性尺度变化,在此基础上再利用尺度不变特征转换(scale invariant feature transform, SIFT)算子提取匹配特征点进行配准处理。实验结果表明,与现有方法相比,对于全仿射形变条件下的SAR图像配准,本文所述算法可以提取到更多的匹配特征点,因而具有更好的配准性能。     

SIFT特征匹配算法改进研究

为了适应于景象匹配导航及制导等实时性要求较高的领域,对SIFT特征匹配算法进行改进,提出了基于D^2OG特征点检测算子的改进的SIFT特征匹配算法。改进算法用D^2OG金字塔的过零点检测代替DOG金字塔的极值点检测提取尺度不变特征点,巧妙简化高斯金字塔的结构,降低了算法复杂度和时间代价。以标准测试图库中大量不同几何和灰度畸变图像为基础的仿真实验表明,基于D^2OG特征点检测算子的改进的SIFT特征匹配算法在保持原算法鲁棒性和精度的前提下,较大的提高了算法实时性。

Abstract：

An improved Scale Invariant Feature Transform algorithm was proposed based on D^2OG interest point detector for better real time performance in the application of scene matching navigation and so on. In order to detect the scale invariant interest point, a D^2OG pyramid is built and extreme detection in the DOG pyramid was replaced by zero detection in the D^2OG pyramid, which simplified the structure of DOG pyramid, so as to lower the complexity of algorithm, lessen the running time. Numerous experiments were carried out on standard testing images under various shooting conditions such as geometric distortion, illumination variation and so on. The result shows that the method has a big progress in the real time performance compared to the original one, with equally robustness and precision.     

三分支空间变换注意力机制的图像匹配算法

对于待匹配图像具有旋转、缩放、平移等空间几何变换的图像模板匹配任务,现有的算法耗时较长,且准确率不高。针对该问题提出一种高准确率、低运算成本的图像匹配算法,首先根据中心点与邻域点的像素差来寻找特征点,进行快速特征检测,然后以这些特征点为中心,并以快速特征检测所计算出来的旋转角截取出一定尺寸的图像块。再将这些图像块输入空间变换注意力模块的特征描述子提取网络,最后使用K最邻近算法计算两张待匹配图像特征描述子中匹配的特征。特征描述子提取网络中引入了空间变换注意力模块,网络在训练的时候着重对空间信息进行学习,故所提算法提高了具有较大空间变化图像匹配任务的准确率。在匹配时间方面,所提的匹配算法仅次于检测和匹配都使用快速特征检测算法的方法。在匹配准确率方面,所提算法匹配的准确率远远优于实验所比较的其他算法。     

图像制导中的SIFT快速算法

图像制导中,导弹根据预存的地形图自动捕捉攻击目标.通过图像匹配识别目标,尺度不变特征变换(the scale invariant feature transform,SIFT)算法具有优异的性能,但计算量较大.根据地形图像的特点提出了一种SIFT改进算法Zoser SIFT,Zoser SIFT直接对图像进行逐级递减采样,形成阶梯(Zoser)金字塔图层,由24邻域极值点形成特征点.新算法不进行高斯变换,具有图层少、特征点数量适中等优点,大幅度减少了计算量.同时新算法占用内存空间少,浮点运算少,适合在实时DSP系统中应用.新算法虽然抗噪声能力有所下降,但对光照改变、尺度变化、变形和遮挡等仍有很好的鲁棒性,在航拍地形图上进行识别时性能稳定.     

基于快速鲁棒性特征的景象匹配

针对光电成像制导景象匹配中图像产生较大几何形变的问题,提出了一种基于快速鲁棒性特征(speeded up robust feature, SURF)的景象匹配算法。SURF提取的图像特征具有尺度和旋转不变性,对灰度不敏感,并能快速运算。算法首先利用仿射变换对基准图像进行3D视角补偿,模拟基准图像在不同视角下的成像,以减小基准图像和实时图像间的视角差异,分别提取两图像的SURF特征,然后根据最小欧氏距离准则提取两图像间匹配的SURF特征点对,根据该特征点对估计基础矩阵,得到两图像的投影关系。仿真结果表明,该算法能够适应光电成像制导中图像的几何形变,实现稳定的景象匹配。     

基于CSS角点提取的红外与可见光图像匹配算法

针对红外与可见光图像中特征点匹配的难题,提出了一种基于曲率尺度空间（curvature scale space,CSS)角点提取的特征点匹配算法。首先采用基于曲率尺度空间的角点检测算法进行特征点提取;其次利用三维二次函数剔除低对比度的特征点;然后以特征点所在曲线的法线作为主方向,避免了图像的旋转代价;再通过计算构建特征点邻域的梯度方向在［0,π)范围的分布直方图,计算其统计特征并构造一个64维的特征点描述符,并进行归一化;最后采用最近邻算法实现直线匹配。实验结果表明,该算法能够有效地实现对红外与可见光图像特征点的精确匹配。