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.     

基于局部颜色直方图的SIFT算法研究

尺度不变特征变换(SIFT)算法是一种对旋转、尺度缩放和光照保持不变性的局部特征图像匹配算子,是公认的识别率最佳算法之一。而SIFT算法仅使用灰度信息,忽略颜色信息,当对彩色目标识别时,识别率降低。针对此问题,结合直方图保持良好的旋转、缩放、模糊不变性等特点,提出基于局部颜色直方图的SIFT特征描述算法(即CH-SIFT)。在SIFT算法关键点位置不仅生成梯度直方图特征描述,同时生成颜色直方图特征描述。在匹配时,首先使用梯度直方图特征描述对匹配对初次筛选,然后使用颜色直方图特征描述再次筛选,最后确定是否为满足条件的匹配对。实验对比表明,CH-SIFT算法具有识别率高和匹配时间短等优点,能够有效地实现彩色目标匹配。     

结合小波和颜色信息的SIFT图像配准方法

采用小波变换与尺度不变特征变换相结合的方法对目标进行识别及图像配准.为了提高光照不变性,获得更高的识别率,在尺度不变特征变换(SIFT)特征描述子中加入颜色信息,对基准和后续图像分别做小波分解,得到彩色描述子,再利用SIFT提取特征点,采用优化节点(BBF)算法及随机抽样一致性(RANSAC)算法完成2幅图特征点对的搜...     

基于SIFT和DDIS的智能立体仓库货物自动识别

智能立体仓库货物自动识别技术存在RFID电子标签成本高、货物图像识别技术识别率低等问题.本文提出一种基于特征匹配和模板匹配相结合的货物图像自动识别方法.首先,提取图像中货物最小外接矩形(MBR)作为图像匹配的模板;其次,采用尺度不变特征变换算法(SIFT)进行货物图像的粗匹配;最后,采用可形变多相似性度量方法(DDIS)进行精匹配.实验结果表明,本文方法识别准确率较高,识别速度相对较快,具有一定的实用价值.     

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.     

基于改进SIFT算法的汽车车型自动识别

SIFT即"尺度不变特征变换"图像匹配算法,多用于虹膜、指纹、人脸识别等,在车型识别中应用较少.另外,传统车型识别多根据车辆外形、车标来区分车辆类别(客车、越野车、三轮车)和车辆品牌,较难识别车辆的具体型号.针对这个问题,本文把SIFT算法应用于车型识别中,并结合SUSAN算子对其改进,通过对不同的车脸图像做标准化处理、构建尺度空间、提取特征点、匹配关键点等流程,完成了车辆品牌以及具体型号的识别.通过实验验证,该方法能有效识别车辆具体型号,在智能交通系统的研究中具有重要意义.     

一种基于SIFT特征匹配的工件识别方法

为了解决平移、旋转、缩放和部分遮挡等复杂环境下的工件图像匹配识别问题,给出了一种基于SIFT(尺度不变特征变换)特征匹配的工件识别算法.该算法采用SIFT特征作为匹配特征,引入欧氏距离作为图像匹配的相似性度量,并采用设定阈值的方法剔除误配点.实验结果表明,该算法能有效解决具有平移、旋转、缩放和部分遮挡等情况下的工件匹配识别问题.     

复杂光照变化条件下的彩色SIFT匹配算法

为了提高复杂光照变化条件下所获取的彩色图像对的匹配效果,基于von Kries彩色变化模型,提出了一种新的彩色不变量的尺度不变特征变换(SIFT)算法.首先通过彩色空间变换获得复杂光照下的同一场景或目标的2幅或多幅图像的彩色不变量信息;然后利用SIFT算法提取彩色信息中的图像几何信息完成匹配;最后采用随机抽验一致性(RANSAC)算法消除误匹配点对,同时得到更加鲁棒和稳定的基础矩阵,以方便下一步的图像处理工作.通过理论分析和实验比较,该算法同传统的SIFT算法及其他彩色SIFT匹配算法相比,可以获得更多可靠的匹配数据以提高对图像的识别率.     

基于主成分分析和BP神经网络的车标识别

在对3种数据降维技术进行了比较研究的基础上,提出一种基于主成分分析(PCA)和BP神经网络的车标识别算法.首先,利用PCA方法获得特征车标;然后,将待识别车标投影到特征车标张成的子空间;最后,通过BP神经网络进行车标识别.实验结果表明,该算法能有效提高车标的识别率,对光照和噪声有很强的鲁棒性.     

基于Harris-Affine和SIFT特征匹配的图像自动配准

针对大失配多传感器图像,提出了一种基于SIFT(scale invariant keypoints)和Harris-Affine(H-A)互补不变特征匹配的自动配准算法.算法应用SIFT和H-A两种具有互补特性的局部不变特征,根据最近邻特征点距离与次近邻特征点距离之比确定初始匹配点对,然后利用马氏距离的仿射不变性删除误匹配特征点对,据此求取2幅源图像间的仿射变换参数.使用估计的变换矩阵把待配准图像上的所有点映射到参考图像,并对其进行重采样,实现图像的配准.实验结果表明:该算法能够快速高精度实现大失配图像的自动配准.     

基于SIFT特征矢量图的快速图像拼接方法

为了减少图像拼接方法的计算复杂度,提出一种基于尺度不变特征变换(SIFT)特征矢量图的快速图像拼接方法.该方法首先结合相位相关算法,确定待拼接图像的重叠区域,限定SIFT特征点检测范围;然后考虑特征点的空间位置信息,构建SIFT特征矢量图像,以便在特征匹配时限制匹配点的搜索范围,快速获得匹配点对.实验结果表明,该方法减少了大量的不必要搜索,提高了图像拼接速度.     

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.     

无人驾驶车辆基于角点和斑点的特征提取算法

针对运行在计算资源有限的车载嵌入式系统中的视觉里程计算法实时性较差的问题,提出一种基于Harris和SIFT相结合的图像匹配方法——Harris-SIFT算法。在介绍了SIFT算法的基础上,给出了Harris-SIFT算法的原理:使用Harris算法提取图像中的角点作为特征候选点,再利用SIFT算法在Harris的特征候选点中进行特征点提取。通过实例用Matlab软件对算法进行了仿真,并对算法的复杂度及各种性能进行了分析。结果表明,所提出的方法在特征检测模块中降低了算法的运算量、提高了特征点提取速度。Harris-SIFT算法可用于实时视觉里程计系统中,进而可使视觉里程计在车载嵌入式导航系统上得到广泛的应用。     

改进的SIFT特征匹配算法

针对SIFT特征匹配算法在特征空间中进行历遍搜索,匹配速度慢的问题,提出一种金字塔层间匹配算法。首先,根据特征点所处金字塔层不同将特征点划分为不同的集合,其次,选择待配准图像金字塔中某一层集合,在基准图像金字塔中寻找相似层,并确定待配准图像金字塔与基准图像金字塔层之间的相似关系,最后,在相似层之间寻找匹配点。待配准图像中的选择层集合由金字塔底层到顶层,寻找相似层所用时间依次缩短。与原算法相比,该算法具有相同的旋转稳定性。将该算法与原算法分别应用实际图像配准中,结果表明:可见光图像配准中,匹配速度提高了3.2倍,正确匹配率提高了10.3％,红外图像配准中,匹配速度提高1.4倍,正确匹配率达到100％。     

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.     

一种改进SIFT算法

针对图像特征提取算法-SIFT,特征描述器维数较高,特征匹配耗费时间较长,匹配过程中存在相同图像不能匹配和不同图像能够匹配等问题,提出了一种改进SIFT算法与KD-tree搜索匹配算法相结合的新方法。采用KD-Tree算法替代传统链表式搜索方法降低特征点匹配时间;把特征点间距离和特征描述子内积同时作为匹配标准,加入相应匹配阈值减少匹配错误率,并通过理论和实验证明采用欧几里德距离作为相似性度量具有更高的匹配成功率。实验结果表明,在图像特征匹配中,该算法能够有效减少特征匹配错误率,大幅度降低匹配时间,具有较好的实时性和鲁棒性。     

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SIFT算子的图像匹配算法研究

针对目前基于SIFT(scale invariant feature transform)的图像匹配算法在匹配相似区域较多的可见光图像时,匹配约束条件单一,没有有效剔除误匹配点,误匹配率高的问题,提出一种匹配改进算法,针对128维SIFT特征向量,采用距离匹配和余弦相似度匹配相结合的测度方法,利用特征点方向一致性进一步降低误匹配率. 实验结果表明:改进算法对图像的缩放、旋转、光照、噪声和小尺度的视角变换均有较好的匹配效果. 与原算法相比,在保证匹配点数和匹配时间的基础上,改进算法对旋转、缩放、噪声模糊和光照变换的误匹配率平均降低10%~20%,对于小尺度的视角变换,误匹配率平均降低5%.