基于改进SIFT算法的汽车车型自动识别

SIFT即"尺度不变特征变换"图像匹配算法,多用于虹膜、指纹、人脸识别等,在车型识别中应用较少.另外,传统车型识别多根据车辆外形、车标来区分车辆类别(客车、越野车、三轮车)和车辆品牌,较难识别车辆的具体型号.针对这个问题,本文把SIFT算法应用于车型识别中,并结合SUSAN算子对其改进,通过对不同的车脸图像做标准化处理、构建尺度空间、提取特征点、匹配关键点等流程,完成了车辆品牌以及具体型号的识别.通过实验验证,该方法能有效识别车辆具体型号,在智能交通系统的研究中具有重要意义.     

采用稀疏SIFT特征的车型识别方法

针对实际应用中因图像清晰度低等因素导致的车型识别误差过大的问题,提出了一种基于稀疏尺度不变转换特征(sparse scale invariant feature transform,S-SIFT)的车型识别方法。该方法用背景建模方法检测交通视频运动目标,提取目标SIFT特征;通过L1约束计算出SIFT特征的稀疏编码,并用最大池化方法降低稀疏编码维度,在线性SVM分类器中完成车型分类,弥补了背景建模方法识别误差过大、不具备车型分类功能的缺陷。经G36高速公路实际应用表明:算法对车辆场景识别率可达98%以上,车型识别准确率可达89%以上,对低清晰度、不同视角、雨雪、遮挡等场景有很好的鲁棒性;图像平均处理时间不超过40ms,可满足系统对实时性的要求,在准确率和时间效率两方面均明显优于传统的SIFT方法和HOG方法。     

基于SIFT的车标识别算法

针对车标识别过程中匹配阈值难、识别速度慢的问题,提出一种基于尺度不变特征变换(SIFT)的特征匹配车标识别算法.利用SIFT算子对图像的视角、平移、放射、亮度、旋转等不变特性进行提取,并采用BP神经网络算法自主选取车标图像特征进行分类、匹配和识别.仿真实验结果表明,简单车标和复杂车标的识别率平均值均达90%以上,该算法识别速度较快、识别率较高,能满足实际应用的需要.     

结合小波和颜色信息的SIFT图像配准方法

采用小波变换与尺度不变特征变换相结合的方法对目标进行识别及图像配准.为了提高光照不变性,获得更高的识别率,在尺度不变特征变换(SIFT)特征描述子中加入颜色信息,对基准和后续图像分别做小波分解,得到彩色描述子,再利用SIFT提取特征点,采用优化节点(BBF)算法及随机抽样一致性(RANSAC)算法完成2幅图特征点对的搜...     

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。     

互联网内容相似图像搜索的研究

随着互联网技术日新月异的发展,如何检索出内容相似的图像成为了一个重要的研究课题。在分析了图像特征提取关键技术尺度不变特征SIFT(Scale-Invariant Feature)方法后,对该算法存在的不足进行了改进,提出基于积分图像并行计算的快速SIFT特征检测算法。实验结果表明,改进的算法能有效的缩短图像特征提取计算的运行时间。     

基于SIFT和小波变换的图像拼接算法

提出了一种基于尺度不变特征变换(SIFT)和小波变换的图像拼接算法,以提高室外复杂场景的图像拼接质量.利用SIFT算法提取基准图像(待匹配图像)和后续图像(与基准图像进行匹配的图像)的特征点,确定特征点的位置、尺度与方向;利用128维向量对特征点进行描述;利用最近邻法完成两幅图像特征点的匹配,确定重合区域;利用基于小波变换的多分辨率方法完成对图像的拼接.实验结果表明,该方法对亮度差异较大的图像拼接效果良好,适宜于室外复杂环境的图像拼接.     

基于感知哈希与尺度不变特征变换的快速拼接算法

鉴于尺度不变特征变换(SIFT)结构复杂域,k-d树匹配算法对于高维特征计算量过大,对SIFT特征信息利用少并且匹配的结果有大量误差,因此提出一种基于感知哈希与尺度不变特征变换的快速拼接算法.首先,使用感知哈希算法,提取匹配图像与待匹配图像的HASH指纹,快速识别出两幅图像的相似部分;然后,计算并提取出相似区域SIFT特征点.在特征点匹配算法上,替换传统的k-d树算法,利用SIFT特征点的主方向以及坐标位置信息过滤掉不必要的特征点匹配,减少匹配耗时;最后,用加权最佳拼接缝图像融合算法消除突变,完成拼接.实验结果显示,本文算法提取的特征点数比传统算法更少,在匹配算法上减少计算量,同时还粗过滤了一部分误匹配,提高了匹配准确度,算法的耗时较传统方法有明显提升.     

一种基于小波变换的快速SIFT图像拼接算法

SIFT特征匹配算法是当前图像拼接研究领域的热点。为改进SIFT算法在图像拼接过程中特征点提取环节计算量大、耗时较长的缺点。本文在研究SIFT算法的基础上,提出一种改进的图像拼接算法。此算法先通过小波变换对图像进行预处理,减少在SIFT尺度不变特征提取过程中的数据计算量,以提高图像拼接速度。对两幅待拼接图像,分别采用经典SIFT算法和本文提出的改进算法做仿真实验,当匹配点控制系数a=0．5,经典SIFT算法在确定特征点耗时1．192891S,改进后的算法仅用了0．856712s。仿真对比试验的结果验证了该算法的有效性,同时表明该算法能够在保持图像拼接效果的基础上,提高图像拼接算法的速度和准确性。     

足球机器人视觉目标识别的PCA-SIFT算法

针对Robocup类人组比赛的特殊环境,为了识别比赛双方机器人,并克服光照变化、图像扭曲等问题给识别目标带来的干扰,选用尺度不变特征变换（SIFT）算法进行特征提取.由于SIFT算法的实时性差,提出改进的PCA-SWT目标识别算法,将主成分分析法（PCA）用于对经典SIFT算法中的128维描述子进行降维,并用最近邻法进行特征点的匹配.通过实验发现,经过PCA改进的描述子不仅提高了运算速度,匹配度也保持在较好的状态.