一种基于Shi-Tomasi和改进LBP的特征匹配及目标定位快速算法

针对机器人伺服抓取中对定位精度和实时性均要求较高的问题, 提出一种特征匹配及目标定位快速算法. 首先, 采用Shi-Tomasi检测算法提取特征点; 其次, 提出一种新的特征描述子定义方法： 先以特征点为中心截取子图像, 利用二维Gauss函数偏导数确定特征方向, 再根据特征方向对局部图像做旋转处理, 提取旋转后标准局部图像局部二值模式作为特征描述子, 该描述子具有良好的局部性以及平移、 旋转不变性; 最后, 通过计算特征描述子间的Hamming距离实现特征匹配, 估计单应性矩阵, 定位目标在场景中的位置和方向. 实验结果表明, 该算法匹配速度快、 定位精度高、 稳定性好, 能满足机器人伺服抓取中定位精度和实时性的要求.     

改进SIFT算法在特征匹配中的应用

对尺度特征不变SIFT算法进行了研究。针对原算法中128维特征描述子在匹配过程中效率低的情况,提出64维特征描述子。该描述子增加了特征点邻域的统计范围,增强了特征点的特征信息,降低了特征描述子的维数;特征点匹配阶段,采用欧氏距离作为度量,采用基于BBF的Kd-树对特征点进行匹配,提高了匹配速率。实验表明,匹配速率提高了5%到15%,配准精度与原算法相近。     

融合颜色信息的尺度特征提取及匹配算法

实现有效三维重建的关键是将图像中的特征点检测并匹配,已有的算法中对特征点检测实效不高,特征描述子依赖灰度信息,导致匹配率不高。为了提高特征匹配率和时间,提出在尺度空间下提取Harris角点,对SIFT特征描述子进行颜色改进,对描述子进行二值化和主成分分析法降维,最后通过欧式距离作为相似形度量实现两幅图像特征向量的匹配。在MATLAB 2014平台进行3组图像测试,改进后的算法提取的特征点具备尺度不变形,特征点分布较SIFT均匀,特征匹配正确率均在90%以上,匹配时间优于对比算法,尤其对于灰度相似但色彩不同和灰度区别小的图像也维持了高匹配率。     

一种改进的ORB特征点匹配算法

针对ORB特征描述算法没有解决尺度不变性的问题,提出了一种将具有尺度不变性的BRISK特征描述符与ORB特征检测子相结合的特征点匹配算法;利用ORB特征检测子检测待测图像中的特征点,并借鉴BRISK特征描述算法的思想对检测到的特征点进行均匀采样,然后对采样到的特征点进行特征描述,最后使用暴力匹配的方法计算汉明距离从而完成特征匹配;通过实验验证了改进算法,有效地解决了ORB特征描述算法不具备尺度不变性的问题,相较于原ORB算法,改进算法的尺度不变性得到了有效提高且更加稳定、可靠,同时,改进算法的实时性也略优于原算法,适合于要求实时性高且尺度变化大的应用中。     

基于改进SIFT的视频超分辨率重建快速配准算法研究

通过改进硬件的方式来提高成像质量,在技术上实现困难且成本高昂,因此采用数字图像处理的方法来提高图像的分辨率.提出了一种改进的视频超分辨率重建的快速SIFT图像配准算法,该算法放弃对128维特征描述子的计算,而采用特征点之间的灰度相关系数来进行初始匹配,并用平面坐标欧氏距离配合匹配关联度算法来取代特征描述子进行误匹配的剔除,大大降低了计算开销.实验证明,改进算法取得了良好的配准效果,在保证配准质量的前提下,其时间开销只有基于传统SIFT特征点检测方法的1/3.     

基于改进SURF的图像配准关键算法研究

针对图像特征匹配算法维数高,实时性低的缺陷,研究了SURF特征匹配算法,并对其进行了改进。首先在图像的尺度空间中提取SURF特征点,并生成扩展的特征描述向量。然后建立KD-Tree特征结构,采用BBF查询机制进行最近邻查询实现特征点快速匹配。实验结果表明,SURF算法进行特征检测的时间是SIFT算法的1/3;使用BBF进行特征匹配,匹配速度提高了2—3倍。     

一种新型智能跳跃式模板匹配算法

提出了一种新型智能跳跃式模板匹配算法,它以图像的边缘点特征作为匹配的特征空间,以模板和搜索子图对应边缘点梯度幅值的累计差值作为相似性测度,以一种新型智能跳跃式搜索方法作为搜索策略.与传统的归一化相关测度法、序贯相似性检测法等穷举搜索的算法相比,可以大大地减少搜索位置,缩短搜索时间.实验表明,该算法在保证精度的前提下可以有效地提高图像匹配的速度.     

改进的MOPs图像匹配算法

针对MOPs算法在处理图像旋转方面的不足,提出了一种新的旋转不变的特征描述子,用以匹配存在缩放、旋转、平移的图像.用Harris角点检测算法,检测金字塔模型的每层图像,在特征点处提取旋转不变特征描述子,用特征描述子之间的匹配来寻找两图像间的匹配点,最后用RANSAC方法剔除误配点,实验结果表明比MOPs算法具有明显的优越性.     

基于SIFT的新特征提取匹配算法

针对传统的图像匹配算法特征点不稳定和匹配时间慢的问题,提出了一种改进的尺度不变特征变换(SIFT)图像匹配算法。首先对传统的Harris角点构造高斯多尺度空间,使角点具备多尺度不变性;然后采用Canny边缘提取算法修饰Harris角点以增加稳定特征点数量;最后构造SIFT特征描述符,计算多幅图像中对应特征点描述子的欧式距离,完成特征点对的匹配。实验结果表明:相比于传统的SIFT算法和SURF算法,研究所提出的方法能够有效地提高特征点匹配精度,减少图像匹配时间。     

基于扩散距离的SURF特征图像匹配算法

针对高维特征向量存在的使用传统欧氏距离计算最近邻匹配正确率低的问题,文章提出了一种基于SURF和扩散距离的图像匹配算法。首先用Fast Hessian检测子进行特征点检测,生成SURF特征描述向量,然后利用扩散距离代替欧氏距离进行匹配,使用随机抽样一致从候选匹配中排除错误的匹配。实验证明该算法提高了SURF算法匹配的正确率,并在图像形变、光照变化方面具有较高的鲁棒性。     

SIFT算法的改进

【目的】为了减小三维重建的重投影误差,提出一种改进的SIFT(Scale Invariant Feature Transform)算法。【方法】首先使用SIFT提取和匹配特征点,将这些匹配点作为归一化互相关(Normalized Cross-correlation,NCC)的初始匹配对;然后使用特征点的主方向对局部图像进行旋转校正;最后计算该初始匹配对NCC系数并将相似地貌中的误配点剔除。【结果】该方法剔除了大量的误配点,提高了特征点的正确匹配率和重建结果的精度。【结论】改进的SIFT算法能够得到更为准确的匹配点对,获得较好的重建效果。     

基于结构相似的改进SIFT图像复制 粘贴篡改检测

基于SIFT算法的复制-粘贴篡改检测方法中用广义2NN测试获得的匹配点对存在错误匹配,产生误匹配点,针对这一问题,提出了一种利用匹配点对间的结构相似性对广义2NN测试得到的匹配点对进行提纯,剔除误匹配点对,提高匹配正确率;误匹配点对的剔除,减少了匹配点对,使后续的聚类和几何评估操作减少了时间,由此提高了整个算法的执行效率;实验表明改进算法性能有较大提升。     

一种改进的SIFT特征点匹配算法

提出一种改进的SIFT特征点匹配算法.以提高图像特征点匹配算法效率为目的,研究了SIFT特征点描述子基于欧氏最小距离测度的匹配算法.由于SIFT特征点检测算法检测到的特征点数量较大,且每个特征点描述子都是128维的向量,而基于欧氏最小距离测度的匹配算法要求,待匹配第一幅图像的每个特征点要和待匹配第二幅图像的所有特征点求距离,排序后寻找极值,这导致了算法效率较低.依据光学成像理论和双目视觉理论,由第一幅图像每个特征点的坐标,从行列两个方向缩小第二幅图像待匹配特征点坐标的搜索范围,在保持匹配精度的基础上,提高了算法的效率,算法速度约是原算法速度的2.7倍.     

改进的SIFT算法

目前图像配准的方法中,SIFT特征点匹配算法是目前图像特征匹配研究领域的一个热点问题。其匹配能力较强,可以处理图像间发生平移、旋转、放射变换的匹配,对任意角度拍摄的图像也具备较稳定的特征匹配能力并且极少数的特征点有偏差。因此通过参数的变化对SIFT算法的原理进行了研究以及改进,并用运算时间等数据说明该算法的有效性。     

SIFT算法在不同维数下的图像匹配效率

 在移动机器人视觉定位领域中,SIFT（Scale Invariant Feature Transform）算法由于具有尺度、旋转和光照不变等特性被得到广泛应用。图像匹配效率与SIFT算法中所取维数有关,使用多少维数来表示一个特征点,满足不同的图像匹配精度和实时性的要求,还没有明确定义。为解决这个问题,针对不同维数的SIFT算法的匹配效率做了实验分析,得到了不同应用场合下使用维数的指导范围。以室内场馆导航机器人视觉定位为例,选取了16维作为匹配维数,实验结果能够满足移动机器人实时定位的需要。     

动态场景中自适应去除外点的全局运动估计方法

为在动态场景图像序列中准确地完成全局运动估计,提出一种自适应去除外点的全局运动估计方法。对尺度不变特征变换(Scale invariant feature transform,SIFT)算法提取出的特征点利用最近邻搜索算法中的BBF(Best Bin First)方法进行匹配。为提高全局运动估计的精度,提出改进的随机抽样一致(RANdom SAmple Consensus,RANSAC)算法。此算法能够自适应地去除外点,即利用特征点运动矢量的方差控制迭代次数来进行外点的去除,最终通过摄像机运动模型实现准确的运动参数估计和背景补偿。对标准图像序列Coastguard和实际拍摄的动态场景图像序列的实验表明,提出的方法能够快速地完成动态场景中的全局运动估计与补偿,具有较高的精度和适应性。     

联合SIFT特征点和CS-LBP特征描述子的复制粘贴篡改检测

针对现有数字图像复制-粘贴篡改检测中尺度不变特征变换(Scale Invariant Feature Transform,简称SIFT)算法计算复杂度高的问题,文章提出一种将SIFT特征点和中心对称局部二进制模式(Center Symmet-ric-Local Binary Pattern,简称CS-LBP)描述子相结合的篡改检测方法。首先提取SIFT关键点,再对每个关键点生成CS-LBP特征描述子,并利用K-D(k-dimensional)树和BBF(Best-Bin-First)搜索算法寻找符合特征匹配关系的匹配点对,判断是否存在图像区域的篡改。实验表明,与同类算法相比,所提出算法在不损失检测精度的同时有效地减少了运算量。     

基于Hough变换及SIFT特征提取的图像匹配方法

针对现有SIFT算法时间复杂度较高的问题,提出一种基于Hough变换及SIFT特征提取的图像匹配方法。首先,用Hough变换算法检测建筑物区域,以缩小检测与匹配的范围;然后,用SIFT算法在给定区域进行特征点检测与匹配;最后,提出一种两级排除错误匹配的方法,该算法对建筑物序列图像匹配具有光照强度、平移、旋转不变性。实验结果表明,该方法的匹配准确率至少高出比较方法9%。     

一种面向快速图像匹配的扩展LSH算法

基于局部不变特征的图像匹配是三维场景重建的基础.本文使用SIFT特征,在LSH算法基础上,提出一种改进的高维数据搜索算法,较好地解决了图像的快速有效匹配问题.该算法提出一种改进的投影空间,使投影到新空间的高维数据特征的每一维比海明空间具有更高的局部敏感性,相比于经典的LSH、BBF、iDistance等高维搜索算法,本文算法可以获得更高的搜索精度和更快的搜索速度.     

基于MMTD的SIFT特征提取算法

尺度不变特征变换（SIFT）是一种常用的特征提取算法,但它采用固定的阈值来筛选特征点,匹配效果不是很理想.文中针对SIFT对不同图像无自适应性的缺点,提出了一种新的计算自适应阈值的方法,即将中介真值程度（MMTD）和SIFT相结合,用MMTD改进SIFT算法能够避免为了选取合适的阈值而进行大量的实验.采用MMTD改进阈值来筛选图像中的特征点,再将特征点进行图像匹配.实验结果表明,匹配点的数量比采用传统的SIFT方法增加了约两倍,说明文中所提出的基于MMTD的SIFT特征提取算法是有效的.