基于单应性矩阵剔除SIFT错误匹配点的方法

根据图像几何变换的单应性矩阵将匹配点一一对应的特点,提出一种基于单应性矩阵的剔除方法.该方法首先利用SIFT进行匹配,得到初始匹配对,进行初步筛选,然后利用相似三角形求出基准单应性矩阵,设定阈值,剔除不满足阈值的匹配点对,最后得到精确匹配点对.通过与RANSAC算法以及结合欧式距离的RANSAC改进算法进行实验比较,该算法具有更高的正确匹配率.     

一种基于PCB板图像配准优化算法

为了提高PCB缺陷检测中的图像配准精度,文章提出一种结合梯度下降算法与随机抽样一致性(random sample consensus, RANSAC)算法的改进图像配准优化方法。对得到的灰度图像使用中值滤波去除噪声,通过拉普拉斯算子提取图像边缘来突出图像细节;使用尺度不变特征变换(scale invariant feature transform, SIFT)检测算法获取图像特征点并进行特征点匹配,通过匹配的特征点对之间的距离阈值来粗选出较强匹配点,使用改进的算法精选出强匹配点,同时算出基础图像变换矩阵;最后使用梯度下降法对基础图像变换矩阵进行拟合优化。实验结果表明,该算法在PCB板图像匹配过程中可以有效减少误匹配,并能得到准确的图像变换矩阵,且图像配准速度较快,能够满足实际工业现场检测要求。     

一种求解基础矩阵的实用方法

本文提出一种计算图像基础矩阵的实用方法.首先采用SIFT(尺度不变特征转换)从两幅图像中提取对应特征点,使用归一化8点法计算基础矩阵,作为RANSAC(随即采样一致性法)迭代初值,鲁棒的计算出基础矩阵。取若干几何场景为例,展示了不同条件下算法效果。     

改进的匹配点提纯算法mRANSAC

针对当前图像匹配算法中匹配点提纯环节不能有效提取正确匹配点的问题,提出了多变换矩阵mRANSAC(multi-RANSAC)方法.由于数字图像离散采样的原因,匹配点不能准确对应,存在一定的误差,由其拟合出的变换矩阵也各不相同,因而一个变换矩阵不能包含所有的正确匹配点.通过对RANSAC的研究发现,在抽样计算结果非最大内点数组中,只要内点数足够多,也是正确的,这也可以通过不同图像匹配点数不同来客观印证.因而提出使用多变换矩阵增加匹配点数,提高提纯效率,并提出并集法、减集法、自适应内点数阈值法三种策略.结果表明,mRANSAC提纯结果比RANSAC方法多出60%～300%.通过对mRANSAC阈值的设置和调整,可以达到近似100%的提纯率.该方法也可应用到其他有类似提纯问题的领域中.     

结合Retinex增强的井下图像拼接方法

为在矿井环境下尽量多的提取图像特征点数量,从而监控矿井下生产情况.采用局部双边滤波算法对图像进行增强,再利用近似的Hessian矩阵和框状滤波确定特征点的位置;计算特征点的描述子向量,采用最近距离比次近距离的匹配算法将特征点配对,使用RANSAC算法消除误匹配错误;利用特征点计算出变换矩阵,采用线性渐变融合方法进行图像融合.研究结果表明:图像增强后特征点数量明显增多,SURF算法的拼接效率显著上升,有利于提高匹配的准确性和拼接的快速性.     

三维物体抗仿射变换特征匹配方法

为解决三维物体视角变化下的图像匹配问题,提出一种实现三维物体任意仿射变换间的图像匹配方法. 在抗仿射变换的Affine-SIFT算法基础上,提出了多变换矩阵mASIFT（multi Affine SIFT）算法. 使用多平面随机抽样一致性（multi-plane RANSAC,mRANSAC）几何变换约束方法,从描述子粗匹配结果中提取正确匹配对. 比单一变换矩阵方法更加符合目标物体的立体多平面特性,匹配对数普遍是ASIFT的5~9倍. 降低每个单应矩阵的误差阈值,使内点提取中双向变换误差阈值小于3个像素（或2个像素）,更有效地剔除误匹配,可计算出更精确的变换矩阵,实现更加准确的匹配.      

基于特征点匹配的点云配准方法研究

针对快速点特征直方图(fast point feature histogram, FPFH)与迭代最近点(iterative closest point, ICP)算法结合的配准方法达不到精度要求的问题,文章在FPFH的基础上加入特征点的提取与匹配,使得配准精度进一步提升。该方法先通过尺度不变特征变换(scale-invariant feature transform, SIFT)算法和3DHarris算法对点云数据的特征点进行提取,再通过计算FPFH寻找对应点对,使用随机采样一致性(random sample consensus, RANSAC)算法剔除错误点对,通过奇异值分解(singular value decomposition, SVD)算法计算初始旋转矩阵和平移矩阵,最后用传统ICP精配准。结果表明,基于特征点匹配的算法相比基于特征描述的算法精度更高。     

摄像机自标定中基础矩阵估算方法的改进

在摄像机系统自标定方法中,基础矩阵的估算是其中的关键,传统求解方法易受图像噪声影响,误差较大、鲁棒性差.本文提出了一种基于改进的RANSAC算法的基础矩阵估计方法,该方法主要是选取匹配点到极线距离之和最小的8组匹配点,然后再根据八点法求解基础矩阵.仿真实验验证了方法的有效性.     

基于网格加速与顺序选取策略的图像匹配算法

特征点匹配可以在输入的图像之间生成一个对应关系,它是视觉里程计中一个基础且重要的模块,并且在不同的计算机视觉领域中有着广泛的应用。随机抽样一致(Random Sample Consensus, RANSAC)算法是一种应用较广的图像匹配算法,但存在召回率较低且耗时较长的问题。本文基于网格运动统计方法与顺序选取策略,提出了RANSAC改进算法。首先,对初始特征匹配进行质量排序,并在此基础上将输入图像划分为一定数量的网格,根据运动平滑性理论进行网格内匹配统计;然后,选取评分高的网格分别进行局部单应性矩阵估算;最终,将局部单应性矩阵进行聚合,进一步消除噪声影响,得到最优模型。此外,求取单应性矩阵时采用了顺序选取策略,进一步提升了算法的效率。仿真结果表明,本文方法具有较明显的优越性。     

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。     

基于一致性随机采样的图像特征匹配鲁棒确认

误匹配点的存在影响了计算图像问变换关系的准确性,从而导致较差的图像匹配效果.通过随机采样一致性算法,提出了一种剔除错误匹配,精确确认图像匹配特征,从而计算图像间几何变换矩阵的鲁棒方法.该方法首先基于特征向量相似性准则,得到初始匹配点对,再利用特征点周围的灰度信息进行权值计算,在用随机采样一致性算法拟合几何变换矩阵的迭代过程中,得到使目标函数最小的匹配关系以筛选由噪声等引起的误匹配点对,从而精确计算图像间的几何变换关系矩阵,实现图像的精确配准.实验结果表明,该算法具有良好的噪声鲁棒性,得到了理想的图像配准效果.     

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。     

一种新的RSTC不变矩图像特征点匹配

研究了图像特征点的匹配，针对单纯依靠灰度度量会出现多峰值，匹配不可靠、不准确的问题，本文提出了一种新的匹配方法。该方法首先用改进的SUSAN算法找到角点，然后构造一种新的RSTC不变矩来描述角点特征，并用RSTC不变特征量作为匹配相似度的度量，再结合RANSAC鲁棒估计以及外极线约束进行引导匹配，可以获得比较好的匹配结果。实验结果证明了该方法的有效性。     

FastRanDSac——一种高效的误匹配检测算法

图像之间存在光照变化、旋转、仿射变换,使得局部特征匹配后,误匹配无法避免.在正确匹配过半的前提下,提出一种简化的误匹配去除算法FastRanDSac,用于在极短时间内解决图像匹配对之间误匹配点的问题.初步实验表明,在平移、旋转、尺度缩放、视角以及光照变化的图像中,FastRanDSac能保存近100%的正确匹配对,而运行速度与RANSAC相比有大幅度的提高.     

一种基于基本矩阵估计的立体视觉中滤除误匹配的方法

根据基本矩阵建立两幅图像间的极线约束关系,能有效减少误匹配.噪声干扰和对应点中的误匹配使得基本矩阵的解精度降低.介绍了极线几何和基本矩阵理论,在最小中值平方法的基础上,提出一种基于匹配点对之间协因数的RANSAC(random sampling consensus)算法估计基本矩阵,有效解决了因误匹配导致的基本矩阵估计结果恶化问题.实验结果表明,所提出算法能有效滤除误匹配,具有良好的鲁棒性.     

基于SURF-RANSAC配准的三维重建

为了提高三维重建中双目特征匹配的匹配效率和重建质量,在基于传统的加速鲁棒特征(SURF)匹配算法基础上,提出了一种基于SURF-RANSAC配准的三维重建算法。利用左右两幅图像来进行三维重建,首先通过Hessian矩阵来获取目标图像的初始特征点,并用邻近快速搜索算法完成初步的特征点匹配,然后融合随机抽样一致性算法(RANSAC)来优化匹配,最后利用三维坐标和纹理映射来完成三维重建。在Open CV上对该算法进行验证。结果表明,本文算法比传统的三维重建算法具有更高的精确度和更快的速度。     

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SIFT的UAV载组合宽角相机影像匹配方法

针对无人驾驶飞机UAV(Unmanned Aerial Vehicle)航空组合相机获取的大像幅影像旋偏角较大、 大尺度变化和颜色差异明显的问题, 提出基于极几何和单应约束的SIFT(Scale Invariant Feature Transform)特征多尺度LSM(Least Squares Matching)算法。该算法顶层金字塔影像采用SIFT快速匹配, 对匹配结果利用改进的RANSAC(Random Sample Consensus)算法计算影像间单应矩阵和基本矩阵; 对影像进行Harris特征提取, 根据极几何和单应约束采用双向一致性相关系数算法进行密集匹配; 通过更新单应矩阵, 设定阈值删除误匹配点; 对匹配的同名点进行最小二乘匹配获取子像素级精度。通过对具有较大旋偏角、 大尺度变化和颜色差异的3组实际航摄影像的试验对比表明, 与传统方法相比, 该算法具有较高的匹配成功率和较好的有效性。     

一种基于RANSAC的柱面图像配准算法

提出了一种基于RANSAC的柱面图像配准算法.首先采用NCC算法对检测出来的Harris角点进行粗匹配,然后采用两次改进的RANSAC算法删除误配,提高正确匹配角点的数量,最后对仿射变换模型参数进行Levenberg-Marquardt非线性优化以进一步降低图像的配准误差.实验结果表明:通过一次改进RANSAC去错配后角点有效匹配率达到约99.2%,通过二次改进RANSAC去错配后角点有效匹配率达到约99.6%,与现有算法相比,在同等条件下获得了更高的匹配有效率.     

基于改进RANSAC算法的图像拼接技术

针对传统RANSAC算法在图像拼接中效率低的问题,提出了一种解决该问题的新算法,即M_RANSAC算法.该方法首先通过HARRIS算法提取2幅图像中的特征点,且在特征点匹配排序的基础之上,根据数据错误率得出抽样次数,并采用双阈值法进行数据检验来提高算法效率.结果表明,M_RANSAC算法能有效地减少抽样时间和数据检验时...