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。     

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。     

一种改进的SURF快速匹配算法

经典的SURF(speeded up robust features)算法在匹配的过程中,对一幅图像上每一个选定的特征点都要与另一幅图像上所有的特征点一一进行匹配,耗时较高,并且由于误匹配导致匹配的准确率下降.基于此,结合特征点的分类思想对SURF算法进行改进.根据特征点邻域内像素之间的差值形成一个4维的特征向量,与SURF的特征描述子相结合形成68维的特征向量,以达到提高匹配速度和准确率的目的.在哥伦比亚大学Coil-100图像库中对改进SURF算法进行试验.结果表明,相对于经典SURF算法,改进SURF算法在速度上有很大的提高.     

一种改进的A-KAZE算法在图像配准中的应用

针对现有图像配准过程中难以保持图像的局部精度和边缘细节的问题,在A-KAZE算法的基础上提出了一种改进的图像特征提取算法AKAZE-ILDB.该算法首先利用非线性扩散滤波方程构造图像金字塔,采用快速显示扩散(FED)求得数值解,得到具有亚像素精度的图像特征点坐标;然后利用改进的LDB(ILDB)描述子构造具有尺度和旋转不变性的图像特征向量,对特征向量采用汉明距离进行KNN匹配;最后基于仿射变换模型计算空间映射参数矩阵来实现图像配准.实验结果表明:在保持相同图像特征匹配正确率的情况下,AKAZE-ILDB算法比A-KAZE算法平均配准时间缩短了300 ms;在配准精度方面,比A-KAZE算法提高了3.7%,比传统特征提取算法SURF匹配正确率提高了29%.     

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.     

全局结构化 SIFT描述子在图像匹配中的应用

为了克服传统SIFT描述子进行图像匹配时对噪声和图像灰度的非线性变换敏感的缺点,提出了一种全局结构化SIFT描述子及其生成方法．该方法将特征点矩形区域改为以特征点为中心向外扩散的同心圆区域,计算同心圆区域10个方向的曲率累积值,建立一个描述范围为特征点尺度函数的特征向量,对其实施排序操作,赋予完全旋转尺度不变,形成全局结构化SIFT描述子．采用欧氏距离为匹配度量函数应用于图像匹配．实验结果表明：这种全局、局部结构式信息联合的思想增强了算法对图像的光照、平移、旋转等变换的鲁棒性,匹配精度提升18％,极大地改善了匹配效果．     

结合FAST-SURF和改进k-d树最近邻查找的图像配准

针对两图像之间存在平移和旋转变化的图像匹配,提出了一种结合FAST-SURF和改进k-d树最近邻查找的图像配准算法。该算法首先用FAST(加速分割检测特征)检测器进行特征点提取,然后根据特征点周围邻域的信息生成SURF(快速鲁棒特征)描述子,采用一种改进的k-d树最近邻查找算法BBF(最优节点优先)寻找特征点的最近邻点及次近邻点,接着进行双向匹配得到初匹配点对,最后利用RANSAC(随机抽样一致性)算法消除误匹配点,findHomography函数寻找单应性变化矩阵,从而计算出图像间的相对平移量和旋转量。实验结果表明,该算法平移参数的最大误差为0.022个像素,旋转参数的最大误差为0.045度,优于传统的SURF图像匹配算法,实现了图像的快速、高精度配准。     

基于优化ORB算法的图像角点特征匹配方法

针对传统ORB算法的图像角点特征匹配精度不高的问题,提出基于优化ORB算法的图像角点特征匹配方法;首先使用Shi-Tomasi算法检测图像角点特征,然后使用BRIEF和SURF相融合算法生成图像角点特征双描述子序列并使用随机投影原理进行降维,最后使用优化的匹配算法进行匹配,简称ShiTomasi-SURFORB算法,仿真实验通过统计角点特征数、角点特征匹配数、角点特征正确匹配数、角点特征匹配精度、角点特征匹配精度率、图像匹配时间和图像匹配时间率共7个指标进行分析;分析结果表明:ShiTomasi-SURFORB算法与传统ORB算法相比,在图像角点特征匹配时间方面提升了9.46%,但在图像角点特征匹配精度方面提升了8.88%,为图像角点特征匹配提供了一种更加均衡的解决方案。     

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。     

一种组合式的特征点检测OFAST+BRISK算法

为了快速准确地进行特征定位与描述,提出了一种基于比较二进制的快速特征点组合检测算法OFAST+BRISK。该算法改进了传统的FAST角点检测算法,赋予特征点主方向,使得组合检测算法具有旋转不变性,再利用BRISK特征描述算法计算描述子,最后使用暴力匹配方法计算汉明距离从而完成特征匹配。通过多组对比实验可以发现本文研究的特征点检测算法具有多种图像不变性,每个特征点检测时间约为0.014ms左右,在实验图像受到常见干扰的情况下匹配正确率基本在80%以上,证明了该方法的可行性,为快速检测描述特征点的实际应用提供一定参考。     

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.     

一种基于SURF的图像配准改进算法

为了更好地构造逼真的虚拟环境,提高虚拟场景中图像配准的效率,提出了一种改进的SURF算法。改进算法根据特征点的数量和其间疏密关系作为判定条件,可以在更短时间内得到数量适当且分布相对均匀的图像特征点,同时在特征点匹配阶段利用Hessian矩阵迹的正负性提高特征点匹配的速度。针对误匹配影响图像拼接准确性的问题,采用随机采样算法（RANSAC）提高匹配的精确度。实验结果表明该算法节省了特征点检测和匹配的时间,提高了匹配效率。     

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.     

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FAST检测的ORB特征匹配算法

针对ORB(oriented FAST and rotated BRIEF)特征匹配算法在实时性要求较高领域效果不佳以及在复杂光照环境下匹配精确率较低的问题,提出了一种基于改进FAST(features from accelerated segment test)检测的ORB算法。首先,对待处理的灰度图像进行分类,剔除掉部分灰度变化率较低的区域,然后提取FAST特征点并计算描述子,最后采用汉明距离完成匹配。此外,在提取FAST特征点时,设计了一种自适应半径,利用图像对比度自适应调整检测半径,当图像对比度突变时依然能够保证期望的特征点数量。实验结果表明,改进后的ORB算法匹配时间缩短了16. 47%,大幅提高了在复杂光照环境下的匹配精确率,具有较强的鲁棒性和实时性。     

基于RGB-D的室内场景实时三维重建算法

针对基于视觉的室内场景三维重建过程中存在三维点云匹配不准确、过程耗时和深度信息部分缺失的问题,提出一种带有深度约束和局部近邻约束的基于RGB-D的室内场景实时三维重建算法.该算法首先利用RGB-D相机采集到的RGB图像做哈里斯角点检测,再用SURF特征点描述方法对检测到的特征点生成64维特征描述子.接着利用特征点集合的深度信息和局部近邻特征点信息作为约束,初步筛选出相邻帧间正确的匹配点对,再结合随机抽样一致性(RANSAC)算法去除外点,以此得到相机的姿态估计.最后利用RGB-D的深度图像,在图优化方法(g2o)的基础上生成三维点云,实现室内场景的三维重建.实验中,RGB-D摄像头装载在自主移动导航的小车上,实时重构的三维场景验证了所提算法的可行性和准确性.     

用于三维重建的改进特征匹配策略

为了能够更加快速地获取特征点以及提高特征匹配结果的稳定性,提出了一种改进的匹配策略。首先,对图像进行下采样,通过低分辨率的图像进行匹配,快速筛选掉匹配失败的匹配对,然后对匹配成功的匹配对对应的原始图像进行匹配,以达到加速的目的。其次,为有效提高三维点云的精度,对SIFT的匹配结果和SURF的匹配结果进行融合,将融合后的结果应用到三维重建技术中。最后,通过使用自采数据集和公开数据集对算法进行测试,并对实验数据进行分析。结果显示,改进的特征匹配策略使三维重建的运行速度提高了40%,并大幅增加了三维点的个数。所提出的方法不仅可以减少特征匹配过程的运算量,还可以提高三维重建的稳定性,在三维重建研究工作中具有一定的参考价值。     

一种基于形状信息描述的图像特征匹配算法

针对已有匹配方法匹配特征点少、图像匹配精度低的问题,提出一种基于边缘形状描述子的图像特征匹配算法。该算法首先利用曲线凸性将图像边缘分割为近似直线段组,再将连接多个直线段的点定义为关键点,将关键点周围直线段组定义为形状特征包,最后利用局部形状特征包中所有点集相对其几何中心的位置关系分布形成描述子。实验结果表明：该算法的图像匹配正确率均高于SIFT算法和Shape Context算法,且对噪声问题不敏感,可应用于基于Hough变换的物体检测。