基于二进制特征描述器的图像匹配算法

图像特征点匹配在视觉系统中有广泛的应用。针对加速分割测试特征FAST和二进制稳健基元独立特征BRIEF算法中存在的问题进行改进。首先,在FAST算法中使用简化模板提取图像特征点,通过构建图像金字塔实现尺度不变性。接着,根据人类视觉系统原理改进BRIEF算法的点对采样模式,并通过特征点方向的计算实现图像的旋转不变性。最后,使用易于计算的海明距离度量各特征点的相似度实现特征匹配。实验表明,提出的图像匹配算法性能优于其他算法,而且运行速度更快。     

基于FAST和BRIEF的图像匹配算法

针对图像匹配算法中匹配率不高以及运算速度较慢等问题,采用改进的FAST （加速分割测试特征）和BRIEF （二进制稳健基元独立特征）算法对图像进行匹配。使用FAST算法提取图像特征点,简化测试模板以提高检测速度;以提取的特征点为中心,使用强度质心方法计算图像块的主方向,根据主方向旋转BRIEF描述器,使其具备旋转不变性;使用易于计算的汉明距离度量各描述器的相似度,据此进行匹配特征。通过和其余算法进行对比实验,验证了该算法在保持高匹配率的同时,降低了计算复杂性。     

结合SURF特征点与DAISY描述符的图像匹配算法

图像匹配技术是许多计算视觉问题研究的基础,基于图像局部特征的方法是本领域研究的热点。为了解决经典的SURF算法在旋转不变性上表现欠佳的问题,提出了一种结合SURF特征点与DAISY描述符的图像匹配算法。在SURF算法特征点检测的基础上,提出一种适合DAISY描述符的主方向分配方法,并按照该主方向旋转获得新的DAISY描述符。本算法在略微增加运算成本的基础上,增强了经典SURF算法在图像旋转上的匹配能力。实验结果表明,在图像模糊、光照变化、JPEG压缩比变化、视场变化等多种复杂情况下,本算法具有更强的鲁棒性。     

基于局部近邻图的特征描述与特征匹配算法研究

特征描述和特征匹配是计算机视觉领域的重要组成部分。近年来,为了实现图像匹配上的可靠性和鲁棒性,许多特征描述算法被提出来,例如SIFT、SURF、DAISY和BRIEF等。然而,当图像发生平移、旋转、缩放等大视角变化时,这些描述符通常会失效。为了解决这个问题,在局部近邻图模型的基础上,提出一种新颖的特征描述和相似性度量方法(LNFM算法)。所提出的描述符和相似度可以很好地应用于各种流行的图像匹配算法。实验结果表明:在特征匹配过程中,该算法可以检测到可靠的匹配关系,性能较为优越。     

面向增强现实的SUSAN-SURF快速匹配算法

为满足增强现实对图像匹配的高实时性要求,提出了一种基于SUSAN角点检测和SURF特征描述的快速图像匹配算法。首先利用SUSAN定位特征点,然后生成特征点主方向和SURF特征描述符。其次,运用随机K-D树并结合摄像机姿态变化完成邻近点搜索,再利用基于点积的相似度度量完成初匹配。最后,通过统计特征点距离误差快速剔除误匹配点,获取最终同名点集。实验表明,该方法的单个特征点匹配耗时仅为SURF算法的23.4%,匹配正确率比SURF算法高9.7个百分点,且对光照变化、噪声干扰有较强的鲁棒性,能够满足增强现实系统对图像匹配算法的速度快、精度高和抗干扰能力强等要求。     

一种基于奇异值分解的图像匹配算法

图像匹配技术在计算机视觉、遥感和医学图像分析等领域有着广泛的应用背景.针对传统的相关匹配算法计算量大、对图像旋转敏感等问题,提出一种新的基于奇异值分解的图像匹配算法.首先在待匹配图像中分别提取带主方向的角点作为特征点,通过计算特征点间经旋转补偿的归一化互相关值建立特征点相似度矩阵,然后利用奇异值分解算法生成特征点匹配矩阵并获得特征点间的一一对应关系.在复杂自然图像上的实验结果表明,算法能够匹配任意角度旋转的图像,对局部遮挡、光照变化、随机噪声等具有较强的健壮性,并具有较快的计算速度和较高的匹配精度.此外,该算法易于和其他匹配技术进行融合并获得性能提升,其与SIFT描述子结合的匹配实验结果表明,该算法具有良好的扩展性和实用性.     

电力巡线无人机航拍图像匹配算法研究

基于局部特征的图像匹配算法是电力巡线无人机航拍图像匹配算法中最为实用的一种方法。针对传统匹配算法构建尺度空间会致使图像边缘信息丢失或者效率较低等问题,提出一种基于高斯曲率尺度空间的航拍图像匹配算法。借助高斯曲率滤波器构建一阶尺度空间,利用FAST算法提取特征点并选择特征采样区域,再以对特征采样区域建立二阶尺度空间并提取二阶尺度空间层内LIOP描述符,随后二阶尺度空间两两层LIOP描述符做差值并二值化处理,累加二值化值得到ASV-LIOP描述符完成匹配。在航拍图像上,使用SIFT、ORB、KAZE、AKAZE、改进KAZE等算法与所提对比实验,实验表明,所提算法正确匹配率平均提高5%左右,匹配效率约降低50%,可应用对稳定性要求较高且实时性较低的场景。     

基于质心高度增量特征的目标识别算法

针对传统目标识别算法识别准确率低、复杂度高等问题，提出基于质心高度增量特征的目标识别算法。在提取轮廓特征阶段，以轮廓质心为参考点，对于任意采样点，根据其它采样点相对于该点的高度关系构建质心高度增量描述符。描述符不仅计算简单，对旋转、平移和缩放等几何变换具有不变性，而且引入轮廓顺序这一全局特征，提升了描述符的鲁棒性和区分能力。在特征匹配阶段，利用轮廓顺序已知这一优势，采用动态规划算法计算质心高度增量描述符的相似度，最后引入形状复杂度分析，优化识别效果。MPEG-7测试集和Kimia99测试集的实验结果表明，上述算法能够有效的对目标图像进行匹配识别，而且对于噪声的干扰具良好的鲁棒性。     

圆周二进制描述符的图像点特征提取方法

特征点描述符在特征提取、图像识别与定位中有重要作用.针对SIFT等梯度方向描述符计算量大,ORB等二进制描述符匹配镜像图像入围率低,提出一种圆周二进制描述符(CBD)的图像点特征提取方法.首先以1:1.2的比例建立图像金字塔,对每层图像进行高斯平滑,使用FAST检测特征点;然后提出二值图像重心法计算特征点的方向,以提升计算特征点方向的速率;最后提出CBD图像点特征提取算法,有效地解决了镜像图像匹配的问题.实验结果证明,CBD具有良好的镜像不变性,且适应性强、入围率高.     

基于改进ORB和AKAZE的图像匹配算法

AKAZE特征检测算法具有鲁棒性好,匹配率高等特点,为解决其实时性差的问题,提出将ORB与AKAZE相结合的改进算法.利用oFAST算法检测特征点然后采用M-LDB算法计算其描述符,使用汉明距离进行图像粗匹配,最后用RANSAC算法剔除误匹配点,得出匹配结果.经反复的实验对比证明,改进后的算法与ORB算法相比匹配正确率更高.与AKAZE算法相比匹配速度更快.且改进后的算法在不同模糊程度、不同JPEG图像压缩、不同光照程度以及不同旋转角度变化下的图像匹配性能良好.     

基于特征点匹配的步态识别

基于图像特征点匹配的算法思想,结合步态能量图(GEI),提出了一种适用于2幅GEI匹配的步态识别方法.在GEI中采用改进的FAST算法提取特征点,并采用具有良好特征描述性能的BRIEF算法描述特征点.考虑到GEI匹配不要求特征点具有旋转不变性,提出了一种质心角约束条件加速特征点的匹配.在CASIA数据库B库上的实验结果表明:方法在识别率和特征计算时间上均具有良好的表现.     

基于距离融合的图像特征点匹配方法

针对ORB算法中特征点缺乏尺度不变性导致算法误匹配率高,以及二进制鲁棒独立基本特征（BRIEF）算法的描述子易受噪声影响的问题,提出了改进的特征点匹配方法。采用加速的具有鲁棒性的特征（SURF）算法进行特征点提取,利用带有方向信息的BRIEF算法进行特征点描述;在特征点邻域内选取随机点对,并对随机点对的灰度大小比较和相似度比较分别进行编码,采用汉明距离计算两种编码的差异;利用自适应加权融合的方式实现特征点相似性距离度量。实验结果表明,改进方法对于尺度变化、光照变化以及模糊变化的图像具有更好的适应性,与传统ORB特征点匹配方法相比能够获得更高的特征点正确匹配率,且该特征点匹配方法可用于改善图像拼接的性能。     

基于卷积神经网络的直线描述方法研究

为提高直线特征匹配的可靠性,提出一种基于卷积神经网络（CNN）学习的直线特征描述方法。构建用于网络学习的大规模直线数据集,该数据集包含约20.8万对匹配直线对,每条直线用其周围的局部图像块表征。将图像块输入CNN,利用HardNet网络结构提取特征,使用三元组损失函数进行训练,输出强鲁棒性的直线特征描述子。实验结果表明,与手工设计的描述子MSLD和IOCD相比,该描述子在视角、模糊、尺度和旋转变化下均具有较好的区分性,在图像拼接应用中同样表现出良好的描述性能。     

一种新的特征描述符提取和匹配方法

特征描述符提取和匹配是基于特征点图像匹配方法的一个重要问题。针对特征描述符提取问题,分析了目前已提出的描述符提取方法存在的问题和不足,并针对这些问题提出一种新的描述符提取方法和相应的匹配方法,经过实验和比较,提出的方法有很高的准确率和稳定性。同时,还改进了特征点的梯度方向估计方法,使方向估计具有更高的准确率。     

二值化的SIFT特征描述子及图像拼接优化

目的 针对SIFT算法计算复杂度高、存储开销大和近几年提出的BRIEF（binary robust independent elementary features）、ORB（oriented BRIEF）、BRISK（binary robust invariant scalable keypoints）和FREAK（fast retina keypoint）等二进制描述子可区分性弱和鲁棒性差的问题,提出基于SIFT的二进制图像局部特征描述子。方法 首先,对传统SIFT的特征空间和特征向量分布在理论和实验上进行分析,在此基础上结合二进制特征描述子的优势对SIFT进行改进。不同于传统的二进制特征描述子,本文算法对传统SIFT特征向量在每一维上的分量进行排序后,以该特征向量的中值作为量化阈值,将高维浮点型SIFT特征向量转化成位向量得到二进制特征描述子。并使用易于计算的汉明距离代替欧氏距离度量特征点间的相似性以提高匹配效率。然后,在匹配阶段将二进制特征描述子分为两部分并分别对其进行匹配,目的是通过初匹配剔除无效匹配特征点来进一步缩短匹配时间。最后,对提出的量化算法的可区分性及鲁棒性进行验证。结果 该量化算法在保持SIFT的较强的鲁棒性和可区分性的同时,达到了低存储、高匹配效率的要求,解决了SIFT算法的计算复杂度高、二进制描述子鲁棒性和可区分性差的问题。此外,在匹配阶段平均剔除了77.5%的无效匹配特征点,减少了RANSAC（random sample consensus）的迭代次数。结论 本文提出的量化算法可用于快速匹配和快速图像拼接中,提高匹配和拼接效率。     

运用DWT和ORB的图像篡改检测方法

针对数字图像常见的区域复制篡改方式和实时特征提取要求,结合离散小波变换（DWT）和ORB特征提取算法,提出了一种高效的数字图像区域复制篡改检测方法。该方法首先使用DWT将图像分解为LL、LH、HL、HH四部分;然后将ORB算法作用于LL部分,提取关键点,构建二进制描述向量rBRIEF;最后使用汉明距离匹配相似关键点,达到检测图像篡改的目的。通过实验结果证明,该方法不仅可以有效地检测出区域复制篡改图像,同时对平移、旋转、噪音和综合攻击后的篡改图像具备一定的鲁棒性,且与SIFT等算法相比具有更短的检测时间和更少的存储空间。     

基于改进CNN-RANSAC的水下图像特征配准方法

水对光的吸收和散射效应降低了水下图像的质量,水下图像的可视范围受到限制,复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像,提出了一种改进CNN-RANSAC的水下图像特征配准方法,首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成鲁棒的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,与基于SIFT和SURF的配准方法相比,该方法能够检测到更多的特征点,实现了匹配正确率的大幅度提高。     

基于改进SURF算法的柔性装夹机器人快速工件匹配方法

针对传统SURF算法在构建局部特征描述符时耗时较长,无法满足实时性要求的问题,提出了一种改进的SURF算法。首先,运用Hession矩阵行列式（DoH）检测图像中的关键点,并利用非极大值抑制法和插值运算搜索、定位极值点;其次,采用灰度质心法确定关键点的主方向;然后,采用二进制描述符BRIEF对关键点进行描述,并利用关键点的主方向构造带有方向的特征描述符,使其具有旋转不变性;最后,运用汉明距离初步确定匹配点,再用比率检测法和RANSAC算法去除误匹配点,进而获取精准配准。实验结果表明,该改进SURF算法在应用于机器人进行柔性装夹时,对工件图像的平均匹配时间由SURF算法的214.10 ms减少到86.29 ms;而且匹配精度方面比原SURF算法提高了2.6%,因此,所提算法能够有效提高柔性装夹机器人工件图像的匹配速度和匹配精度。     

改进Harris-SIFT算法在双目立体视觉中的应用

针对双目立体视觉图像匹配的实时性问题,提出了一种改进Harris-SIFT算法,克服了原SIFT算法提取的特征点不是角点且耗时长等问题。该算法首先用改进Harris算子进行角点提取,然后用SIFT算子构建特征描述子,最后对提取的特征点采用欧氏距离度量点对的相似性,利用最近邻搜索策略进行特征匹配。在VC++6.0与Open CV平台上,通过实验比较了所提算法与SIFT算法的特征点提取匹配结果,证明了所提算法的有效性与实时性。     

具有光照鲁棒的图像匹配方法

针对现有的基于局部特征的图像匹配算法对光照变化敏感、匹配正确率低等问题，提出一种具有光照鲁棒性的图像匹配算法。首先使用实时对比保留去色（RTCP）算法灰度化图像，然后利用对比拉伸函数模拟不同光照变换对图像的影响从而提取抗光照变换特征点，最后采用局部强度顺序模式建立特征点描述符，根据待匹配图像局部特征点描述符的欧氏距离判断是否为成对匹配点。在公开数据集上，所提算法与尺度不变特征变换（SIFT）算法、加速鲁棒特征（SURF）算法、"风"（KAZE）算法和ORB算法在匹配速度和匹配正确率上进行了对比实验。实验结果表明：随着图像亮度差异的增加，SIFT算法、SURF算法、"风"（KAZE）算法和ORB算法匹配正确率下降迅速，所提算法下降缓慢并且正确率均高于80%；所提算法特征点检测较慢和描述符维数较高，平均耗时为23.47 s，匹配速度不及另外四种算法，但匹配质量却远超过它们。对实时性要求不高的系统中，所提算法可以克服光照变化对图像匹配造成的影响。