尺度与特征强度自适应的SURF特征点匹配算法

为解决SURF(speeded-up robust features)图像匹配算法无法实现特征点定位精度和匹配成功率的同步提升问题,在深入研究SURF特征点的尺度、特征强度与匹配性能间关系的基础上,提出了一种特征点尺度与特征强度自适应的SURF特征点匹配算法.该算法通过不同尺度的特征点与不同的特征强度阈值相适应的特征点匹配机制,较好地保持了特征点定位精度与匹配成功率间的平衡,从而实现了高性能的SURF特征点匹配.实验结果表明:与传统的SURF算法相比,本算法能够获得更多高精度的匹配特征点对,对于基于特征点的图像配准与基于图像的三维坐标计算等图像处理算法的精度提升具有较大作用.     

基于Harris-Hist的特征匹配及目标定位算法

针对目前机器人伺服定位抓取中定位精度和实时性较差的问题, 提出一种基于Harris-Hist的快速特征匹配及目标定位算法. 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, 计算特征点圆形邻域内像素点灰度直方图刻画特征点, 通过计算两幅图像中各特征点描述子间的距离实 现特征匹配; 最后, 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, 能满足机器人伺服定位抓取中定位精度和实时性的要求.     

复杂场景下基于特征点匹配的目标跟踪算法

提出一种在复杂场景及目标遮挡情况下,特别是目标外形、大小发生变化时的基于SURF的目标跟踪和在线目标模型更新算法。该算法利用SURF对尺度缩放、光照变化和旋转等具有较好鲁棒性的特点,首先提取跟踪目标的SURF特征点,以特征点及其邻域的R、G、B直方图表示目标;然后根据目标在连续的帧中相似性较大的特点,搜索当前帧中的目标最优匹配SURF特征点,由目标特征及目标模型计算其准确大小和位置,并根据变化了的目标状态更新目标模型。实验结果表明,该算法可准确地定位到目标。     

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

基于ORB算法的象棋快速识别和定位系统研究

以象棋装配为研究背景,利用ORB算法实现棋子的识别,提出根据最佳匹配特征点的像素坐标,利用几何平均坐标法求出目标棋子的坐标,利用特征点构造的向量计算目标棋子相对于模板的旋转角度,实现棋子的定位,并利用工业机器人完成象棋的装配。实验结果表明:计算出的旋转角度可以保证摆放棋子时与模板为同一方向。ORB算法的运行时间均在0.2 s以内,快于SIFT和SURF算法,可以保证系统能准确地识别和定位出目标棋子,并满足象棋装配过程中的实时性要求。     

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。     

特征点提取算法比较及四旋翼平台验证

针对视觉导航中存在的图像特征点提取精度与用时之间的矛盾,对几种常用的特征点提取算法(Harris,SIFT,SURF)进行了论述,并针对SIFT算法和SURF算法进行了比较,同时搭建了四旋翼验证平台,利用四旋翼实验平台,针对自然环境中的实物测试了上述两种算法的提取精度与用时,结果表明SURF算法是视觉导航中综合考虑匹配的正确率及实时性的较优选择.     

基于FAST角点检测的局部鲁棒特征

针对目前流行的SIFT、SURF等局部特征存在运算复杂、匹配及后续处理实时性差等问题,在FAST角点检测的基础上,提出了一种新的视觉跟踪特征算法. 该算法能克服实际应用中噪声及室外光照变化的影响,并能快速匹配特征点实现实时处理. 实验结果表明,该视觉跟踪特征算法具备运算量小、实时性高的特点,并且能保证匹配精度及鲁棒性优于原有的视觉跟踪特征.      

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.     

CUDA并行计算下基于扩展SURF的多摄像机视频融合方法

在多摄像机视频融合过程中,需要对多个摄像机获取的视频中的每一帧图像进行大量诸如特征提取、图像配准、图像融合等高复杂度的计算,占用大量的运算时间,这对视频融合的实时性要求是一个很大的挑战.基于CUDA(Compute Unified Device Architecture)并行计算框架,提出了一种快速、可靠的多摄像头视频融合方法,该方法首先利用基于局部环形扩展及颜色描述子的SURF(speeded up robust features)特征提取方法提取图像特征点;其次采用基于分块相似性度量的k-d树(k-维树)多图像自动特征匹配算法进行图像与特征点的匹配;然后使用RANSAC(Random Sample Consensus)算法计算变换矩阵;最后使用多频率融合算法进行多摄像机视频融合,得到流畅的大视场视频.整个多视频融合过程使用CUDA进行并行加速,并在多个不同场景与摄像机数量下的实验验证了本文算法的实时性与有效性.     

SURF算法在局域盲人图像导航中的应用

局域盲人图像导航即在建立基准图像信息特征库的基础上,对实时拍摄图像提取特征并与基准图像特征库进行匹配,得到相应地理信息并语音输出给盲人,从而实现导航的一种方法。本文基于SURF算法对图像特征进行匹配,首先提取SURF特征点,然后采用Hessian矩阵迹快速索引匹配以及匹配点距离差平方和的相似性度量方法进行匹配。实验表明SURF匹配算法优于SIFT匹配算法,并可实现快速、鲁棒、准确匹配,为实现盲人局域图像导航奠定理论基础。     

火星探测器着陆过程中图像匹配的性能研究

以火星探测器着陆过程中通过图像匹配估计位置参数为背景,针对探测器拍摄的实时图旋转以及尺度变化等对图像匹配算法的影响做一系列研究,寻找适当的旋转角度以及尺度大小来获得较高的匹配精度.以SURF算法为研究对象,结合RANSAC算法对误匹配点进行剔除,提纯匹配点,综合定义了正确率的概念,方便对匹配结果进行判断.实验结果表明,实时图旋转角度以及尺度大小和匹配的正确率呈一定的规律在变化,在应用到火星探测器着陆过程中实时图的选取时,相对于参考图选取适当旋转角度和尺度的实时图能在一定程度上提高图像匹配的准确率.     

基于双目立体视觉的目标识别与定位

为从不同角度识别目标物体以及解决左右两幅图像中目标轮廓中心不匹配的问题, 将SURF(Speeded Up Robust Features)算法与GrabCut 算法相结合, 离线采集目标物体不同角度的图像, 生成目标模板图片库。利用SURF 算法完成目标物体的识别; 利用SURF 算法自动初始化GrabCut 算法, 实现目标轮廓的提取; 利用基于灰度相关的区域匹配算法完成目标轮廓中心点的匹配, 结合三维重建原理实现目标定位。实验结果表明, 该方法可以成功识别目标物体并对目标物体进行准确定位。     

基于云台标定的快速视频拼接算法

针对视频监控成本高、性能提升受到限制的问题,提出了基于云台标定的快速视频拼接算法:首先利用相位相关法对云台进行标定,利用标定公式能快速计算出任意两个视频帧之间的粗估平移量,然后,在粗估的重叠区域(ROR)用加速鲁棒特性(SURF,Speeded-Up Robust Features)特征匹配算法进行拼接.从实验结果看,该方法不仅大大提高了视频拼接的效率,而且提高了精准度.     

改进的SURF算法在彩色车载影像匹配中的应用

在分析了具有尺度不变特征的鲁棒特征加速算法(SURF算法)的基础上,提出了一种基于高斯颜色模型的增维彩色SURF算法.该算法将RGB颜色模型转换到高斯颜色模型,使用SURF算法(增加了48维颜色特征描述向量)进行匹配,再使用核线约束剔除误匹配.结果表明:尽管相对于原有的SURF算法略微增加了计算量,但是在匹配点对数、匹配正确率、匹配点分布均匀性上都具有明显的优势.     

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。