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。     

一种改进的SIFT算法及其在医学图像配准中的应用

图像特征点的提取是医学图像配准的基础,其精确性直接影响匹配的结果.目前在实际应用中常使用手工提取特征点的方法,精确性差且工作量大.SIFT算子具有良好的尺度、旋转、光照等不变特性,被广泛应用于图像配准中.由于SIFT匹配算法对特征点匹配的条件较为严格,特征点的数量常常无法满足医学图像配准的实际需要,并且存在一定的误匹配.为增加特征点的数量,提高匹配准确率,采用SIFT算法自动提取特征点,并使用特征点之间的Euclid距离作为相似性判定度量,根据医学图像的特点保留低对比度点,以实现医学图像的配准.实验结果表明该方法是有效的.     

基于SITF特征提取的加速匹配方法

SIFT算法是目前应用最广泛的特征点提取匹配算法,该算法具有尺度不变性,旋转不变性和一定的光照不变性.但SIFT算法复杂度较高,而且图像匹配时间较慢,在较大形变和光照变化下易出现匹配不准确.针对上述问题,提出极值分类匹配算法,将特征点分为极大特征点和极小特征点两类,进行分类匹配,并利用扩散过程来代替欧式距离计算特征点之间的距离.该文方法不仅降低了时间复杂度,提高匹配速度,而且对图像形变和光照变化更具鲁棒性.     

基于SIFT的车标识别算法

针对车标识别过程中匹配阈值难、识别速度慢的问题,提出一种基于尺度不变特征变换(SIFT)的特征匹配车标识别算法.利用SIFT算子对图像的视角、平移、放射、亮度、旋转等不变特性进行提取,并采用BP神经网络算法自主选取车标图像特征进行分类、匹配和识别.仿真实验结果表明,简单车标和复杂车标的识别率平均值均达90%以上,该算法识别速度较快、识别率较高,能满足实际应用的需要.     

基于改进ORB算法的无人机遥感图像拼接技术

针对ORB算法尺度不变性较差,运行速度较慢,不适合应用于无人机遥感图像上的特点,提出了一种改进的ORB无人机遥感图像拼接算法。首先利用ORB特征中FAST特征检测算法对Shi-Tomasi算法进行加速,获取快速且准确的图像特征点,然后用ORB描述算法对特征点进行特征描述,在对特征点进行粗匹配和精匹配后,最后使用改进过的SPHP算法融合图像。实验结果表明,这种改进的ORB算法有着更高的匹配精度和匹配速率,能够生成更好的拼接结果。     

基于改进的FREAK算法的图像特征点匹配

针对采集图像时存在尺度、光线强度以及图像间旋转的差异等现象而导致图像匹配不理想的问题,提出了改进的FREAK算法(SURF-FREAK):将SURF算法和FREAK算法结合进行图像匹配。首先,利用Hessian矩阵确定候选点,进行非极大值抑制,提取的特征点具有尺度不变信息;然后用FREAK描述子对特征点进行描述,为特征点分配方向;最后利用最近邻算法进行图像配准。改进算法经实验与传统SIFT、SURF、以及FREAK算法比较分析后得知,在图像特征点匹配准确度上有一定的提高,并且对图像的尺度差异、光照差异以及旋转差异具有良好的鲁棒性。     

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.     

一种多源多光谱遥感图像特征点匹配技术

 在多源多光谱遥感图像中,针对匹配图像的像素之间非线性变化而导致正确匹配点对下降的情况,提出了一种基于主成分分析的多源多光谱遥感图像特征点提取算法。利用尺度不变特征变换(SIFT)算法的基本原理,首先对两幅多源的多光谱遥感图像进行主成分变换,再用变换后各自的第一主分量图像作为待匹配图像;其次,在构建尺度空间时提高尺度参数并且在进行特征匹配时,利用尺度限制条件进行匹配,这样既能提高匹配精度又能提高运算速度;最后,采用随机抽样一致性算法剔除误匹配点。这种算法能减少多源多光谱遥感图像之间像素灰度值的非线性变化对特征点匹配的影响,提取到一定数量的正确匹配点对。通过实验对比分析,所提算法比通用算法有更高的精度和更好的适用性。     

基于SIFT和小波变换的图像拼接算法

提出了一种基于尺度不变特征变换(SIFT)和小波变换的图像拼接算法,以提高室外复杂场景的图像拼接质量.利用SIFT算法提取基准图像(待匹配图像)和后续图像(与基准图像进行匹配的图像)的特征点,确定特征点的位置、尺度与方向;利用128维向量对特征点进行描述;利用最近邻法完成两幅图像特征点的匹配,确定重合区域;利用基于小波变换的多分辨率方法完成对图像的拼接.实验结果表明,该方法对亮度差异较大的图像拼接效果良好,适宜于室外复杂环境的图像拼接.     

一种改进的SIFT-PCA算法在图像检索中的应用

针对SIFT算法(尺度不变特征)提取出的图像特征点向量维数较多造成计算量较大、检索效率低等问题,提出一种SIFT和改进的主成分分析(Principal Component Analysis,PCA)相结合的SIFT-PCA算法。该算法首先采用SIFT算法提取图像特征点向量,然后利用改进的PCA算法把特征点向量变换到另一个空间,得到最具有代表性的特征参数,实现对特征点向量的降维。此算法在保证原SIFT算法鲁棒性的同时减少了计算量,增强了实时性。实验结果说明了该算法具有尺度、平移、旋转、光照不变性,在图像检索中应用切实可行且效果良好。     

基于图像梯度信息强化的SIFT特征匹配算法改进

针对传统特征匹配算法匹配率低的问题, 提出一种基于图像梯度信息强化的尺度不变特征转换（SIFT）特征匹配算法的改进算法. 首先通过适当的梯度算子求出梯度图; 然后以特定权值将梯度图与原图融合, 归一化后对融合图像进行高斯模糊; 最后利用传统算法进行特征提取. 实验结果表明, 改进算法的视角、 旋转不变性明显优于原算法, 对亮度变化较大或有噪声的图像匹配率也略有提升, 有效提高了SIFT特征匹配算法的准确性.     

一种改进SIFT的SAR与可见光图像配准算法

针对合成孔径雷达(synthetic aperture radar,SAR)图像与可见光图像配准存在特征点提取困难、匹配效率不高的问题,文章提出了一种基于非下采样Shearlet变换(non-subsampled shearlet transform,NSST)与改进的尺度不变特征变换(scale invariant feature transform,SIFT)结合的配准算法。该算法采用NSST变换来提取图像低频信息作为后续检测特征点的原始图像,在保证特征点提取数量的同时提升算法运行速度;选用Harris算子和指数加权平均值(ratio of exponentially weighted averages,ROEWA)边缘检测算法相结合的方法提取SAR图像特征点,改进传统SIFT算法在SAR图像特征点提取时鲁棒性较差的问题;采用快速近似最近邻搜索(fast library for approximate nearest neighbors algorithm,FLANN)与改进的随机抽样一致算法(random sampling consensus algorithm,RANSAC)完成特征点匹配与误匹配剔除。选用GF-1号与GF-3号图像作为实验数据,并与传统SIFT算法进行对比。结果表明,该算法在特征点提取数量与配准精度上相比于传统算法均有明显提高。     

基于改进ORB的图像特征点匹配

鉴于ORB算法在特征点匹配时基本不具备尺度不变性,结合SIFT算法思想,提出了改进的ORB算法:SIRB(ORB and SIFT)。首先生成图像的多尺度空间,并在多尺度空间里检测稳定的极值点,使得提取出的特征点具有尺度不变信息;然后使用ORB描述子对特征点进行描述,生成旋转不变性的二进制描述子;最后通过Hamming距离完成对特征点的匹配。实验结果表明,SIRB有效地解决了ORB不具备尺度不变性的缺陷,在图像尺度发生变化时,SIRB算法特征点匹配的平均准确度达到约93.3%,相比于ORB提高了约70.7%;同时SIRB和ORB两种算法的匹配速度大致相当,SIRB保留了原ORB算法的快速优越性,平均匹配速度比SIFT快约63.2倍;将提出的SIRB算法应用到视频目标跟踪系统中,取得了良好的实验效果,具有一定的应用价值。     

一种SIFT虹膜匹配算法

尺度不变特征变换(scale invariant feature transform,SIFT)算法是目前图像研究领域的热点,它具有良好的尺度、旋转、光照、噪声等不变特性.在特征提取方法上,利用SIFT算法提取虹膜纹理的特征向量,由于提取出来的虹膜特征向量是128维,占用内存空间大,因此提出用Harris角点对初始特征点进行筛选,选择高对比度的点作为最终的虹膜特征向量;在匹配方法上,使用街区距离进行虹膜图像特征匹配,进一步提高虹膜图像匹配的速度.实验结果表明,改进的算法在保持鲁棒性的同时,提高了SIFT特征匹配效率,能够为一些快速应用提供保障.     

基于稀疏转稠密机制的仿射不变特征匹配算法

提出一种基于稀疏、稠密特征转换的仿射不变特征匹配算法,其中稀疏特征包括坐标,尺度,仿射模拟参数等,稠密特征指基于图像局部区域内光学属性的局部描述符.本文算法在Affine-SIFT算法基础之上,针对在特征提取阶段仅使用稀疏特征提取的缺陷做出了改进.由于稠密信息只有在稀疏参数满一定足检测条件时才能提取到特征,导致本可以匹配到的特征(包括稀疏、稠密参数)无法提取,将通过使用稀疏特征构造新的模拟图像,通过将稀疏特征重新稠密化,并在模拟图像基础上进一步提取稀疏特征,同时可检测到原始图像中检测不到的可匹配特征,最终达到增大特征建立匹配的概率,提升正确匹配数量的目标.经实验验证,本文提出的稀密特征转换算法相比于ASIFT算法能大量增加特征匹配的数量.除针对ASIFT方法提供扩展外,该方法也可用于扩展具有充分稀疏特征参数的其它特征提取和匹配方法,并适用于目标识别、目标分类和三维重建等问题.     

SIFT特征匹配的显微全景图拼接

针对细胞图像序列模糊、传统的特征提取方法鲁棒性不强、伪匹配点对较多、图像匹配耗时过长、融合效果不佳等问题,提出了一种强鲁棒性、快速和精确的图像拼接算法.该算法首先用基于尺度不变(SIFT)算法提取细胞图像特征点,接着采用改进的BBF(Best-Bin-First)算法对特征集进行初始的双向匹配,然后采用随机抽样一致性(RANSAC)算法对匹配点对进行进一步提纯并估算出单应性矩阵,最后根据细胞图像序列之间的单应性矩阵关系将其投影到统一标准的平面坐标系下,用具有塔型结构的多分辨率融合算法对图像进行无缝融合完成全景图拼接.实验结果证明:该算法提取到的特征点分布均匀且数量适中,误配情况明显减少,能够有效地实现显微全景图的无缝拼接.     

基于SIFT特征提取的高清晰岩心图像自动配准

提出了采用图像自动拼接技术获得高清晰高质量岩心扫描全景图.自动拼接的关键是特征点的提取与匹配.尺度不变特征变换算法具有伸缩、旋转、仿射不变性,并能够抗拒一定光照和视点的变化.提出把该算法用于岩心图像的特征提取,并采用欧式距离法进行特征匹配.实验结果表明,采用该算法大大提升了岩心图像拼接系统的自动化水平和准确度.     

基于感知哈希与尺度不变特征变换的快速拼接算法

鉴于尺度不变特征变换(SIFT)结构复杂域,k-d树匹配算法对于高维特征计算量过大,对SIFT特征信息利用少并且匹配的结果有大量误差,因此提出一种基于感知哈希与尺度不变特征变换的快速拼接算法.首先,使用感知哈希算法,提取匹配图像与待匹配图像的HASH指纹,快速识别出两幅图像的相似部分;然后,计算并提取出相似区域SIFT特征点.在特征点匹配算法上,替换传统的k-d树算法,利用SIFT特征点的主方向以及坐标位置信息过滤掉不必要的特征点匹配,减少匹配耗时;最后,用加权最佳拼接缝图像融合算法消除突变,完成拼接.实验结果显示,本文算法提取的特征点数比传统算法更少,在匹配算法上减少计算量,同时还粗过滤了一部分误匹配,提高了匹配准确度,算法的耗时较传统方法有明显提升.     

基于NSST和FAST的图像配准方法

为了进一步提高图像的配准速度,提出一种基于非下采样Shearlet变换(nonsubsampled Shearlet transform,NSST)和加速分割检测特征(features from accelerated segment test,FAST)的图像配准方法.首先将参考图像和待配准图像分别通过非下采样Shearlet变换分解成高频和低频子带,对低频子带构建高斯金字塔并采用FAST算子检测图像特征点,利用加速鲁棒特征(speeded up robust features,SURF)向量描述子描述所检测的特征点并依据夹角余弦准则实现特征点的匹配.然后利用随机抽样一致(random sample consensus,RANSAC)算法剔除误匹配点对,实现图像配准.大量实验结果表明,与尺度不变特征变换(scale invariant feature transform,SIFT)算法、SURF算法、结合Shearlet和SURF的算法、改进的SURF算法相比,所提出的方法在保证一定配准精度的前提下,配准的速度大大加快.     

SURF与RANSAC组合图像拼接算法

针对目前基于尺度不变特征变换匹配算法(scale invariant feature transform,SIFT)的图像拼接算法存在的算法复杂度高、算法的特征点匹配精度不准的问题,提出了一种SURF和RANSAC组合的拼接算法。算法从特征点提取匹配出发,基于筛选过滤的提纯思想对初步筛选的特征点进行优化从而达到提高融合质量的目的。筛选过程使得算法具有一定的鲁棒性,同时算法降低了时间上面的消耗。基于SURF和RANSAC的组合图像拼接算法可实现高质量的图像拼接,是一种加速图像拼接速度兼具鲁棒性的图像拼接算法。