基于ORB特征的图像误匹配剔除算法研究

针对随机抽样一致算法在误匹配剔除时存在稳定性不足、效率较低等问题,提出一种粗剔除与精剔除相结合的误匹配消除算法.该算法首先利用最小距离法对特征点进行筛选获得初始匹配点集;然后通过计算特征点的相关性实现精剔除;最后将该算法应用于ORB-SLAM2系统进行验证.试验结果表明,该算法可有效剔除误匹配特征点,获得匹配精度更高的...     

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。     

基于感知Hash和极线约束的改进AKAZE算法

针对图像在发生变化时特征点匹配准确率较低的问题, 提出一种基于感知Hash和极线约束的改进AKAZE（accelerated-KAZE）算法. 该算法将特征点匹配分为粗匹配和精匹配两个阶段, 粗匹配阶段利用特征点的最近邻次近邻比值和感知Hash算法进行匹配点对的筛选； 精匹配阶段使用随机抽样一致算法和极线约束进一步筛选匹配点对. 仿真实验结果表明, 与进行随机抽样一致算法剔除误匹配点对后的原算法相比, 特征点匹配准确率仍平均提高12.9%, 速度仅慢2.4%, 可在保证算法效率的前提下有效提升图像发生变化时匹配点对的准确率.     

低空遥感影像全自动快速匹配方法研究

无人机低空数字摄影测量影像处理中,全自动快速匹配影像对实时性要求高的应用来说极为重要.针对无人机影像像幅数多、数据量大等特点,采用Harris算法进行角点检测和简化的sIFr描述子,根据梯度累加值与描述子Freeman形状链码作为二度约束,进行像对间角点相似性度量,然后,通过RANSAC算法剔除误匹配点和粗差,从而实现影像精准快速匹配.实验验证了该方法的稳健性和高效性.     

基于角点匹配的鲁棒图像镶嵌方法

为了获取场景的宽视场表示,提出了一种鲁棒的图像镶嵌方法.该方法对图像序列中的各个图像进行角点提取,再利用归一化相关方法进行角点的初始匹配.由于初始匹配中包含有大量的出格点,直接采用最小二乘法得不到正确的图像平面间的变换模型参数,为此,采用了鲁棒随机采样算法来估计图像平面间的变换模型参数.该算法能够有效地剔除初始匹配中的出格点,获得精确的匹配点子集.然后利用这些精确匹配的点集来计算变换模型参数,从而实现了图像的正确镶嵌.整个过程无需人工干预,均由计算机自动完成.对真实图像的试验结果表明了该方法的有效性.     

信号预处理中错点剔除方法的研究

对工程信号进行错点剔除,是信号预处理中的-项重要内容.本文分析了统计学中用于错点剔除的肖维勒准则、狄克逊准则、格拉布斯准则和拉依达准则,针对上述各项准则在处理大样本信号中的局限性,引入一种新式错点剔除方法,并用拉依达准则与此方法对-段实际工程信号进行处理对比,结果表明,新式错点剔除方法能够更好地剔除错点.     

一种基于双通道深度网络的多时相卫星遥感影像匹配研究

常用的特征匹配方法难以满足长间隔多时相卫星遥感影像匹配,提出一种基于双通道深度卷积神经网络的遥感影像匹配框架。该方法首先构建Siamese双通道结构的深度卷积网络,利用点积非线性组合双通道深度卷积特征,以Sigmoid为激活函数输出影像块的匹配概率来确定粗匹配点;通过建立金字塔多尺度空间构建基于Siamese深度网络的多尺度影像匹配框架,结合粗差点剔除与由粗到精的匹配策略实现卫星遥感影像多尺度精匹配。试验结果表明,提出的方法可获得大量均匀分布密集匹配点,相比常用方法能显著提高长间隔多时相遥感影像匹配性能。     

一种用于制作CBERS-02C卫星融合影像的配准方法

提出了一种用于制作资源一号02C卫星(CBERS-02C)融合影像的配准方法.首先对多光谱及全色影像进行几何精纠正,并采用SIFT算法对两种纠正影像的缩略图进行粗匹配;然后通过提取Harris特征点,并根据粗匹配的结果预测对应同名点的位置,使用基于灰度相关的匹配方法进行精匹配;待剔除匹配点粗差后,再采用基于三角网的面元纠正实现影像的精确配准.多组数据的试验验证了所提方法的可行性.该方法已成功应用于CBERS-02C卫星数据的自动化处理系统.     

自适应Harris角点提取的点云粗配准算法

针对传统3D-Harris角点提取算法中,Harris算子使用降维后的缺失几何信息、角点提取时响应值计算量大且耗时长、特征点对匹配精度不高以及需要手动设定角点响应阈值等问题,提出了一种完整而高效的Harris角点自适应特征描述、提取和匹配的点云粗配准算法。引入正交梯度算子对传统Harris算子和自相关函数进行改进;利用点云曲率约束实现角点的自适应筛选与提取,减少角点响应值的计算量;构建角点几何结构的特征描述子,结合阈值检测和描述子匹配,将角点匹配对集合进行扩展,从而完成源点云和目标点云之间粗配准;将所提算法得到的配准结果作为精配准初始值,利用迭代最近点算法实现精配准。与对比算法在公开数据集上进行实验比较,结果表明：所提算法的特征正确提取率为0.93,正确率最高;提取时间为7.63 s,效率最快;所提算法结合精配准步骤在实验数据集上的旋转误差、平移误差和运行时间均为最低,配准效果最佳。     

空间点集配准算法研究

研究不同坐标系下空间点集的配准算法.所提出的算法分为粗配准和精配准两个阶段.粗配准是利用主成分分析方法对每个点集计算其3个主轴.然后通过空间变换将两个点集的主轴一一对应,使得两个点集大致对齐.精配准利用改进后的最近点迭代方法对两个点集进行局部优化,最终达到初始方向相差较大的两组点集在同一坐标系下的精确配准.模型实验验证了该方法的有效性和精度.实验结果表明,算法通过粗配准有效地将两组点集的主轴对齐,同时,精配准对粗配准的结果进一步优化,使得初始方向相差较大的点集间实现精确配准,提高了配准的精度.     

结合特征点匹配的在线目标跟踪算法

提出一种结合特征点匹配的目标跟踪算法.首先,通过显著区域跟踪方法,解决算法对初始化目标框大小敏感的问题,提高样本选取质量,并降低背景杂波对跟踪器的影响.其次,采用中值流法跟踪和特征点匹配相结合的方法估计目标的尺度变化,并通过层级聚类方法剔除干扰点,解决跟踪器漂移及目标平面旋转跟踪失败等问题.最后,提出一种简单的检测器自适应尺度快速搜索目标方法加快检测速度.结果表明:所提方法有效地提高了TLD目标跟踪算法的跟踪鲁棒性,并在标准数据集上得到了很好的效果.     

基于加权运动平均的多视角点云鲁棒配准方法

本文提出一种基于加权运动平均的多视角点云配准方法,有效提高了多视角点云配准的效率和精度.首先,通过双视角点云配准算法得到点集的相对运动集;提出一种分层渐进式点云配准初值确定方法,该方法计算运动关系图中三视匹配元一致性度量,逐步挑选最为可靠的匹配元进行顶点初值化与顶点扩展,有效避免了因所选初值与真值偏差较大导致加权运动平均效果不佳的问题;依据上述方法确定配准初值,并根据该初值判断双视角匹配结果的可靠性,以剔除相对运动集内包含的外点,最后将剔除外点后的原始相对运动集的内点子集作为加权运动平均算法输入的相对运动集.以斯坦福公开数据集为对象开展了对比实验,基于双视角配准算法分别获得了4个测试点集在30%、25%和20%双视角点云重叠率阈值下的双视角配准结果,共形成12组相对运动集.其中,相对运动集误差随重叠率阈值的下降逐渐增加.所提方法在12组运动集上均获得了最佳的配准结果,证明了本文所提出方法在提高加权运动平均方法计算精度与效率方面的有效性.此外,当运动集包含大量外点时,采用本文所提方法仍能获得较为准确的配准结果,证明了本文所提方法的强鲁棒性.     

实用最优点的概念及求解方法

从工程实际角度引出实用点的概念,指出对于一个优化问题而言,在某些场合不仅要考虑目标函数的全局极值点,还要考虑函数在此极值点邻域内的性质,进而提出实用最优点的概念——带有一定邻域约束的全局最优点.由于该约束采用传统方法难以处理,文中采用邻域采样的近似方法,基于粒子群优化算法的思想,提出了一种快速搜索算法,以求取不同要求下的实用最优点.仿真实验结果验证了实用最优点的概念以及搜索算法的可行性,该搜索算法具有良好的寻优性能.     

复杂零件点云的高精度鲁棒配准方法

点云配准是三维测量中的关键一步,但由于零件点云表面相似特征多,误匹配概率大,导致配准结果难以保证。为此,提出了一种具有高鲁棒性、高精度的点云配准方法。首先,使用FPFH特征描述子来计算点云特征向量,产生初始匹配点对集。然后,依据具有旋转平移不变性的精确几何结构特征对初始匹配点对集进行筛选,剔除误匹配点对。最后,利用列文伯格-马夸尔特(L-M)算法计算点云之间的变换矩阵。实验结果表明,与其他方法相比,其配准精度评价指标RMSE降低80%以上,结合精配准方法可进一步将RMSE值降低86%,从结果可看出本文方法配准精度高且具有较高的鲁棒性。     

基于角点匹配的几何形状定位

针对常见的几何形状匹配算法对目标遮挡较为敏感,提出了一种基于角点匹配的几何形状定位.该方法首先根据边缘曲率提取图像的角点,然后采用基于改进的投票策略的角点匹配算法对检测图与模板图进行匹配,最后通过Ransac算法去除错匹配.实验表明,该算法定位效果良好,有效地解决了目标部分遮挡问题.     

基于相干点漂移的图像配准算法

为解决图像配准问题,结合点集GMM建模思想和相干点漂移思想的影响,设计了一种新的点集配准目标函数。首先对特征点集进行归一化处理,然后利用似然函数梯度下降求解配准参数,同时剔除不满足匹配要求的溢出点,利用实际图像序列对算法进行了验证,结果表明该方法具有良好的性能。     

基于角点检测的图像匹配算法及其在图像拼接中的应用

研究了图像匹配与图像角点匹配之间的关系．并在此基础上提出一种基于角点检测的图像匹配算法，成功地应用于图像拼接中．该算法将角点作为图像的特征点，并通过角点值、邻域角点数、角点间距及参数一致性等4个指标对角点集进行逐级筛选，有效地剔除了不匹配的角点，保证了匹配精度，同时避免了传统算法中进行模板匹配的繁重计算，大大提高了匹配速度．图像拼接实验验证了本文算法的快速、准确和稳定的特性．     

多级提取奇异点的算法及基于奇异点的粗匹配

提出了一种分别基于Poincare指数和梯度场零点检测的分级算法来提取奇异点(核心点,三角点).该算法分为两级:首先是粗定位,根据指纹块方向场的Pioncare指数确定奇异点所在的分块和该奇异点所属的类型,同时得到核心点的方向;然后精定位,用梯度场零点检测的方法在该块中精确确定奇异点的位置(精确到像素级);最后利用奇异点的位置和方向信息对指纹做粗匹配,尽可能地排除明显不可能的候选待匹配指纹.实验证明,提取奇异点的算法快速、准确并且有很强的鲁棒性,而且与全图平方方向场滤波算法相比节省27%的计算时间.后阶段粗匹配的算法则能够拒绝30%的候选指纹系统的处理时间.     

事故车辆图像特征点的自动匹配

实现交通事故现场勘查中物体的立体视觉量测,需要对勘查获取的立体图像进行匹配。但由于一般自动匹配记录信息和事故研究所需信息的差异,使得自动匹配成果难以直接应用到交通事故勘查的立体匹配中。针对该问题,研究提出了一种事故车辆图像特征点的自动匹配方法,应用SIFT理论和BP神经网络理论,构造了事故车辆图像特征点的自动匹配模型,并进行了实验验证。研究结果表明,该匹配方法可以实现立体像对中任一选定目标的自动匹配,匹配的结果能够做为精匹配的提示。该项研究大幅度提高立体匹配选点的效率,加快交通事故立体视觉系统量测的速度,还可以作为一种技术手段给车牌被遮挡的违章车辆的确认提供借鉴。     

RSTC不变矩图像特征点匹配新方法

针对图像特征点的匹配中单纯依靠灰度度量会出现多峰值以及匹配不可靠、不准确的问题,提出了一种新的基于RSTC不变矩的匹配方法.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.对实际图像的实验表明,该方法可以获得比较好的匹配结果,消除了野值匹配所导致的长线条,并且精度比灰度匹配方法提高了6%以上.