基于改进多变异遗传算法的图像匹配

简述图像匹配问题的研究现状,提出一种新的改进遗传算法.针对图像匹配问题的特点,考虑基因位的影响力及跟踪进化过程的遗传参数调整策略,采用各种变异操作,提高算法的收敛能力.仿真结果表明,改进遗传算法相对于SGA解决图像匹配问题在收敛速度上有明显提高,算法稳定性也有所改善.新算法的优化质量较高,具有更好的实际应用效果.     

使用特征匹配的三维目标识别方法

提出了一种基于特征匹配的三维自动目标识别方法．首先使用均匀采样选择特征点和自旋图描述子提取特征,定义相似度度量并且使用最近邻方法得到初始的匹配;其次使用向量场一致性算法消除错误的匹配;最后根据算法保留的正确匹配数目进行目标识别．针对目标识别的实际应用需求,进一步研究了点云的空间分辨率、激光雷达测距误差对目标识别性能的影响,可以为激光雷达三维目标识别系统的设计提供参考．     

基于信息熵的Logo分类问题研究

匹配是实现图像分类的关键问题,由于匹配问题的复杂性,目前还没有一个较好的解决办法。该文提出了一种基于Fourier变换和信息熵相结合的匹配算法,对Logo的分类问题进行了研究。通过Fourier变换在图像的频域中找到最佳匹配,使用相关度阈值与信息熵差比作为衡量标准。实验中选取了大量商品图像对Logo匹配问题中查准率和查全率进行了统计分析。实验结果表明,当选取适当相关度阈值与信息熵差比的情况下,该算法能有效提高商品图像按Logo的分类效果。     

基于多传感器信息融合的无人机自主精确导航技术

无人机自主导航是保证无人机成功完成各种任务的关键技术之一。随着机载传感器性能的不断提高,利用多传感器信息融合实现自主精确导航将是一个重要的发展趋势。结合目前多传感器信息融合技术在各种航行器导航应用中所取得的成果,对基于多传感器信息融合的无人机自主精确导航技术进行分析和评述。剖析了其中的关键技术,包括自主导航系统结构、误差分析和精度分配、联合滤波器以及图像传感器信息融合等;并重点对图像传感器信息融合的关键部分,包括图像融合、图像匹配和景象区域适配性分析等进行了分析;最后从技术发展和未来应用两个角度进行进一步研究工作的展望。旨在为实现无人机自主精确导航提供有益参考。     

基于SITF特征提取的加速匹配方法

SIFT算法是目前应用最广泛的特征点提取匹配算法,该算法具有尺度不变性,旋转不变性和一定的光照不变性.但SIFT算法复杂度较高,而且图像匹配时间较慢,在较大形变和光照变化下易出现匹配不准确.针对上述问题,提出极值分类匹配算法,将特征点分为极大特征点和极小特征点两类,进行分类匹配,并利用扩散过程来代替欧式距离计算特征点之间的距离.该文方法不仅降低了时间复杂度,提高匹配速度,而且对图像形变和光照变化更具鲁棒性.     

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.      

一种基于递增权值函数的图像谱的匹配算法

文章提出了一种基于递增权值函数的图像谱的匹配算法,利用递增权值函数,分别对2幅待匹配图像的特征点构造Laplace矩阵,其次进行SVD分解;通过分解后的矩阵特征值和特征向量,寻找匹配矩阵,根据匹配矩阵的特征信息,实现2幅图像特征点之间的匹配;通过对Laplace矩阵和邻接矩阵比较实验,表明了Laplace谱能使发生刚体变换前后的图像获得更高的匹配精度,递增权值函数的Laplace谱比欧式距离的Laplace谱匹配精度要高。     

特征点提取算法性能分析研究

在图像匹配中,使用特征点来描述图像,计算量小、匹配简单,而且特征点往往比较稳定,不易随光照条件和图像的平移、旋转和尺度等变化而变化。因此基于特征的图像配准方法是目前图像配准领域研究的热点。介绍了几种主流的特征点检测算法的原理,并对特征点检测算法性能进行了定量分析研究。从特征点检测速率、正确率、旋转不变性和抗噪性等方面进行了对比,研究了各种特征提取算法的优缺点。为根据不同图像质量选择合理的特征提取算法提供了良好的客观依据。     

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。