SIFT特征匹配算法研究

SIFT特征匹配算法是目前特征匹配研究领域的热点,其匹配能力较强,可以处理图像间发生平移、旋转、仿射变换的匹配,对任意角度拍摄的图像也具备较稳定的特征匹配能力。实验结果表明,该算法具有较强的匹配能力和鲁棒性,是一种较好的特征匹配算法。     

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％。     

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%。     

基于SIFT特征点的目标跟踪算法

提出一种结合背景建模方法和基于SIFT特征点匹配方法的目标跟踪算法,该算法首先使用背景建模方法获得目标区域,然后对目标区域进行SIFT特征点提取,再利用特征点匹配方法实现视频目标跟踪,为了减小误配点,采用RANSAC方法来消除误配点。最后对算法进行了实验,实验结果表明,该算法可有效跟踪运动目标。     

基于SIFT特征点匹配的印刷品图像检测方法

提出了一种印刷品图像在线检测方法．首先，利用在图像特征点提取领域中运用最为广泛的SIFT（Scale Invariant Feature Transform）算法提取图像稳定特征点，生成特征向量描述符；然后根据向量最近邻（NN）和次近邻（SCN）的距离之比，对匹配点进行初步筛选；最后运用Mestimators法估计特征点对间的几何约束模型，利用该模型进一步精选特征点，确定真正的匹配点对个数，将精选后得到的特征点数与初步筛选得到的特征点数的比值作为判断印刷品是否合格的标准．实验结果表明：该方法能够准确地提取出图像特征点，并通过精选特征点能够在很大程度上改善误匹配问题，从而快速有效地检测出错误的印刷品，得到了良好的检测效果．     

基于SIFT特征点匹配的印刷品图像检测方法

提出了一种印刷品图像在线检测方法.首先,利用在图像特征点提取领域中运用最为广泛的SIFT(Scale Invariant Feature Transform)算法提取图像稳定特征点,生成特征向量描述符;然后根据向量最近邻(NN)和次近邻(SCN)的距离之比,对匹配点进行初步筛选;最后运用M-estimators法估计特征点对间的几何约束模型,利用该模型进一步精选特征点,确定真正的匹配点对个数,将精选后得到的特征点数与初步筛选得到的特征点数的比值作为判断印刷品是否合格的标准.实验结果表明:该方法能够准确地提取出图像特征点,并通过精选特征点能够在很大程度上改善误匹配问题,从而快速有效地检测出错误的印刷品,得到了良好的检测效果.     

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SIFT的二进制特征描述匹配算法

针对SIFT特征描述符的特征维数高、匹配算法复杂的缺点,提出了一种基于SIFT的二进制特征描述匹配算法。该算法利用一阶中心矩来确定关键点的主方向,保证了其良好的旋转不变性和较出色的抗噪能力。提出了一种改进的特征描述符表示方法,利用区域内梯度大小关系确定二进制数值串,最后利用易于计算的汉明距离代替欧氏距离度量特征描述符之间的相似度以提升运算效率。实验结果显示,本文算法在运算效率和匹配正确率方面都优于传统SIFT。     

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.     

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。     

SIFT辅助角点匹配的快速图像匹配算法

采用Harris角点检测算法进行图像特征检测.使用快速SIFT图像匹配方法进行图像匹配并计算基础矩阵,去除误匹配点后用SIFT图像匹配的结果对Harris角点进行定位,并用ZNCC算法对角点进行增量匹配.该算法有效地弥补了SIFT图像匹配算法的特征点只分布于非边缘区域的问题,相比单纯SIFT算法可获得更多的匹配点,并且算法时间增加较少.     

基于改进SIFT算法的无人机影像匹配

针对SIFT算法特征描述符计算复杂、时间效率较低的问题,提出了一种改进的SIFT算法,并将其应用于无人机倾斜影像匹配.算法首先利用SIFT算法进行特征点检测,基于BRISK描述符对提取的特征点进行描述生成其特征描述符,并基于Hamming距离作为特征匹配的相似性测度,在此基础上,利用比值提纯法(NNDR)进行粗匹配,最后采用RANSAC算法并结合均方根误差(RMSE)进行约束,对粗匹配结果进行筛选,剔除错误匹配点对,得到精确匹配结果.为了验证该算法的有效性,利用4组无人机影像数据进行实验并与SIFT算法和SURF算法进行比较,结果表明:算法在保证较高准确率的同时能够得到亚像素级的精度,且能够有效地提升时间效率,具有较好的稳定性.     

基于density-ORB特征的图像特征点匹配算法

针对ORB(Oriented FAST and Rotated BRIEF)算法中的Steer BRIEF描述子只通过比较两个像素点的灰度信息来决定0/1编码,容易产生特征点误匹配现象,本文提出基于像素密度(pixel density)的ORB特征描述子算法,利用两幅图像中相同区域的某一特征点邻域空间内像素密度的相似性原理,通过比较两个像素点的密度信息来决定0/1编码,计算误匹配率,验证了density-ORB算法在图像模糊、压缩、光照变化、视角变化等条件下的鲁棒性.实验结果表明,该算法减少了特征点的误匹配个数,特征点误匹配率比ORB算法降低了2.80%.     

基于改进ORB算法的特征点匹配

针对传统ORB算法不具有尺度不变性的问题及匹配速率的问题,提出改进ORB算法的特征匹配.将SURF算法与传统ORB算法结合,先利用SURF算法的尺度金字塔得到具有尺度不变性的特征点,解决特征点匹配的尺度性问题,再对用ORB算法生成的高维描述符进行降维处理,提高算法的匹配速率,最后用暴力匹配方式完成图像匹配.实验结果解决...     

基于特征点匹配的图像拼接算法

针对海洋图像的特点,对海上溢油航空遥感监测中的图像拼接方法进行研究.采用特征点匹配的方法,在待匹配的图像上人工选取三个特征点以对两幅有重叠区域的图像进行拼接,并构造一个图像拼接系统.数据处理结果表明,该方法能够得到较理想的拼接效果.     

基于ORB特征点匹配的多目标跟踪算法

视频中的多目标跟踪是计算机视觉领域的一个重要问题.针对多目标跟踪过程中由于目标缩放、旋转、扭曲以及遮挡等问题的存在导致目标易丢失的问题,提出了一种基于ORB特征点的多目标跟踪算法.首先利用"运动边缘生长"算法得到目标块,再利用目标块的ORB特征与特征模板的匹配来实现目标的关联.通过匹配过程,目标模板能够得到实时更新,即去除由噪声带来的过时的特征信息并添加进新的特征信息,保证特征模板的实时有效性,进而提高跟踪过程中匹配的可靠性.实验结果表明,本算法能够实时有效地处理目标由于形变以及局部遮挡而导致跟踪性能下降甚至跟踪目标丢失的问题,具有较好的鲁棒性.     

基于特征点局部特征值剔除误匹配特征点算法

为了解决经典的特征点匹配算法SIFT采用比率测试得到的匹配特征点集中存在大量误匹配,且对数量和准确度无法兼顾的情况,提出了基于特征点局部特征值剔除误匹配特征点算法。该算法以高阈值比率测试得到的结果为粗剔除匹配点集,基于三角形相似性原理,从该特征点集中筛选出3个匹配正确的特征点对,利用其分别在基准图像和实测图像中构建局部直角坐标系,根据匹配的特征点对在相似局部坐标系下局部特征值的相似度剔除误匹配特征点,实现精剔除。实验结果表明,本文算法可以有效的剔除SIFT算法匹配结果中的误匹配,同时,与低比率（0.6）测试匹配结果比较,准确度较高,降低了匹配正确的特征点被误剔除的概率。可见本文算法可有效的剔除误匹配特征点,获得准确度高的匹配点集。     

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.     

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.