一种鲁棒的二进制图像特征点描述子

为了提高特征点匹配的速度,采用二进制方法生成特征点描述,并对描述子进行了尺度和旋转适应性改进.使用特征点邻域小块中随机点的强度对比生成描述,描述子的相似度以Ham-ming距离度量,以二进制运算提高算法的时间性能.为了检验算法在视角、旋转及尺度变化时的性能,采用Wall和Graffiti图像集及相应的旋转和尺度变换图像集对算法进行测试,得到该算法在各图像集上的匹配准确率,并与SURF算法得到的结果进行比较.结果表明,在2幅图像间进行特征点匹配时,该算法的特征点描述生成时间和匹配时间分别为1 043.67和4 313.36 ms,而使用SURF算法时的相应时间分别为3 950.34和9 951.03 ms,说明该算法的时间特性明显优于SURF算法.此外,在绝大多数测试集上,该算法的匹配准确率明显高于SURF算法.     

基于Gabor纹理增强的人脸活体检测算法

针对人脸信息认证系统中存在的欺骗攻击问题,利用色彩空间转换信息丢失的特性,提出一种人脸活体检测算法。通过Gabor滤波器组多尺度、多方向地增强关键人脸图像纹理特征,抑制人脸图像的一般特征。高斯径向基函数分类器分类SURF(speeded up robust features)算子提取特征描述子,区分人脸活体与非法用户的欺骗攻击。利用类间方差衡量特征改进前后的可分性,计算图像原始特征与纹理增强后特征的类间方差、类内方差大小以及可分性判据J。在公开数据集Replay-Attack,CASIA-FASD数据库进行测试,彩色纹理图像增强后,人脸关键特征被增强而一般特征被抑制,背景与目标的类间方差增大,类内方差减小,特征可分性增强从而更具鲁棒性,使得纹理细节能被有效利用。实验结果表明,该算法能有效、实时地判断人脸活体与欺骗攻击。     

基于级联卷积神经网络的人脸特征点识别算法实现

针对在有冗余图像信息干扰下进行人脸有效特征点提取时精度不高的问题,提出了基于级联卷积神经网络的人脸特征点检测算法.在该算法中:输入层读入规则化的原始图像,神经元提取图像的局部特征;池化层进行局部平均和降采样操作,对卷积结果降低维度;卷积层和池化层分布连接,迭代训练,输出特征点检测结果.该算法采用Python语言编程实现,在人脸数据集进行仿真实验,结果表明该算法对人脸特征点有较高的识别率.     

基于扩散距离的SURF特征图像匹配算法

针对高维特征向量存在的使用传统欧氏距离计算最近邻匹配正确率低的问题,文章提出了一种基于SURF和扩散距离的图像匹配算法。首先用Fast Hessian检测子进行特征点检测,生成SURF特征描述向量,然后利用扩散距离代替欧氏距离进行匹配,使用随机抽样一致从候选匹配中排除错误的匹配。实验证明该算法提高了SURF算法匹配的正确率,并在图像形变、光照变化方面具有较高的鲁棒性。     

融合加速稳健特征的子空间人脸识别方法

为了充分利用人脸特征信息更加准确全面地描述人脸,提高现有识别算法的识别率,提出一种融合改进的加速稳健特征和子空间特征进行人脸识别的方法。利用AAM形状模型的训练方法,训练得到41个点的人脸形状模型;对每幅图像进行特征点初歩定位,找到并保留与初歩定位的特征点空间距离最近的SURF特征点。将SURF特征点描述子利用PCA降维,得到改进的SURF局部特征向量。然后利用PCA对图像进行全局特征提取,将局部特征与全局特征进行融合,组成全新的特征向量。最后通过特征向量的匹配实现识別。对包括本算法和PCA-SIFT算法在内的6种不同识别算法进行了验证。实验结果表明,提出的算法在改变ORL人脸库中训练集样本数的情况下,识别率均优于其他算法;在样本数为5的情况下比PCA-SIFT方法提高了4.3%,可见该算法提高了人脸的识别率具有较强的鲁棒性和分类性。     

基于离散隐马尔可夫模型和奇异值特征的人脸检测

该文提基于离散隐马尔可夫模型（HMM）和奇异值特征的人脸检测方法。这一算法包含2部分工作,首先提出了基于离散隐马尔可夫模型和奇异值特征的正向端正人脸检测方法,然后将该算法扩展到检测任意旋转角度的人脸。扩展算法首先计算当前位置子图像窗口的奇异值特征,将该特征向量经过识别各个旋转角度人脸的HMM模型,得到该子图像窗口的旋转角度,再经过旋正,重新送到识别正面端正人脸的HMM模型,由此确定该子图像窗口是否为人脸,对一个由43幅集体照片组成的正面人脸图像集进行测试,共检测到484人中的425人,检测率为87。8％;而多角度旋转人脸图像检测率为75．1％,实验结果表明,该方法具有良好的检测性能。     

基于改进SURF的图像配准关键算法研究

针对图像特征匹配算法维数高,实时性低的缺陷,研究了SURF特征匹配算法,并对其进行了改进。首先在图像的尺度空间中提取SURF特征点,并生成扩展的特征描述向量。然后建立KD-Tree特征结构,采用BBF查询机制进行最近邻查询实现特征点快速匹配。实验结果表明,SURF算法进行特征检测的时间是SIFT算法的1/3;使用BBF进行特征匹配,匹配速度提高了2—3倍。     

基于改进SURF-BRISK算法的航拍图像拼接方法

针对无人机航拍过程中由于像抖和倾斜透视形变等因素会影响后续的图像拼接效果的问题,结合有一定规则形状的航拍对象,提出一种基于改进SURF-BRISK算法的航拍图像拼接方法。首先通过改进的SURF算法进行特征检测,然后通过BRISK算法进行特征描述,接着使用Hamming距离进行特征匹配,使用RANSAC算法对匹配点进行提纯并计算单应性矩阵,以及使用双线性插值法对图像进行插值,最后通过加权融合法进行融合,进而实现大视场航拍图像的快速准确拼接。以光伏电场航拍图像为例进行实验测试,结果表明,相较于经典的SURF算法以及现有的SIFT等图像拼接算法,改进SURF-BRISK算法的特征检测时间平均缩短了43.14%,并且检测到的特征点分布较均匀,在存在各种变换的图像之间保持79.44%的重复率,稳定性强;在特征描述中,BRISK算法所用时间是SURF的三分之一,且特征匹配正确率高达91.56%。研究结果为有规则形状的航拍图像拼接提供了新的参考方法。     

基于面部边缘细节的局部遮挡人脸图像识别

为解决人物面部遮挡情况下识别人脸信息不清楚的缺陷,优化人脸识别系统,提出了基于面部边缘细节的局部遮挡人脸图像识别方法。依据稀疏性表达对人脸图像去噪,根据图像灰度变换原理检测人脸图像边缘,分割边缘区域,计算其阈值以得到人脸图像边缘信息。标记人脸特征点增强信息识别精度,提取人脸图像的特征描述子,并将其输入支持向量机模型中,通过训练实现局部遮挡人脸图像识别。实验结果表明,该方法应用于人脸图像识别平均识别率高于73%,识别时间低于20 s。     

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%.     

基于自适应邻域互信息与谱聚类的特征选择

借鉴邻域粗糙集处理连续型数据的优势,为解决传统谱聚类算法需要人工选取参数的问题,提出基于自适应邻域互信息与谱聚类的特征选择算法。首先,定义各对象在属性下的标准差集合与自适应邻域集,给出自适应邻域熵、平均邻域熵、联合熵、邻域条件熵、邻域互信息等不确定性度量,利用自适应邻域互信息对特征与标签的相关性进行排序。然后,结合共享近邻自适应谱聚类算法,将相关性强的特征聚到同一特征簇内,使不同特征簇内的特征强相异。最后,使用最小冗余最大相关技术设计特征选择算法。在10个数据集上选择特征个数与分类精度的实验结果,验证了所提算法的有效性。     

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Shi-Tomasi-SURFORB算法,...     

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。     

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。     

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.     

融合颜色信息的尺度特征提取及匹配算法

实现有效三维重建的关键是将图像中的特征点检测并匹配,已有的算法中对特征点检测实效不高,特征描述子依赖灰度信息,导致匹配率不高。为了提高特征匹配率和时间,提出在尺度空间下提取Harris角点,对SIFT特征描述子进行颜色改进,对描述子进行二值化和主成分分析法降维,最后通过欧式距离作为相似形度量实现两幅图像特征向量的匹配。在MATLAB 2014平台进行3组图像测试,改进后的算法提取的特征点具备尺度不变形,特征点分布较SIFT均匀,特征匹配正确率均在90%以上,匹配时间优于对比算法,尤其对于灰度相似但色彩不同和灰度区别小的图像也维持了高匹配率。     

基于圆形均分法耦合双重制约的图像伪造检测算法

提出了基于圆形均分法耦合双重制约的图像伪造检测算法采用Forstner算子对图像中的特征点进行检测,使得算法的检测精度得以提升.利用Haar小波响应值,设计圆形均分法,对SURF生成特征描述子进行改进,改善算法的检测效率.随后,利用特征点及其对应的特征向量,构造双重制约模型,对特征点进行正确匹配.最后,利用余弦度量规则对特征点进行归类,完成对图像的伪造检测.实验测试结果表明,与当前图像伪造检测算法相比较,本文算法具有更高的检测精度以及较强的鲁棒性.     

多信息融合的实时人脸检测算法

提出一种综合使用灰度、梯度和肤色信息的实时人脸检测方法,使用类Haar特征描述人脸模式的灰度差、梯度差和肤色差,构造相应的特征集．用AdaBoost算法从特征集中学习区分人脸与非人脸模式的有效规则,构成人脸检测级联分类器．实验表明,综合使用多信息的人脸检测器性能,比单独使用灰度信息的检测器有显著的提高．     

基于改进Kaze特征匹配的低分辨人脸识别算法

针对普通算法难以提取低分辨人脸图像特征以实现人脸识别问题,探讨一种基于改进Kaze特征匹配的识别算法。首先,通过改进P-M扩散滤波中阈值和扩散函数来保留低分辨图像的边缘和细节,并利用加性算子分裂算法构造非线性尺度空间;其次,通过寻找不同尺度归一化后的Hessian矩阵局部极大值点来检测特征点,并使用M-SURF构造特征描述向量;最后,利用欧式距离进行特征向量的匹配实现识别分类。实验结果表明,与基于SIFT、SURF和普通Kaze特征匹配的算法相比,所探讨算法正确识别率更高,同时对噪声图像也有更好的鲁棒性。     

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。