基于ORB与RANSAC融合改进的图像配准

针对旋转不变性二进制描述算法(Oriented Fast and Rotated Brief,ORB)的尺度旋转性配准误差大,配准率较低及随机采样一致性(Random Sample Consensus,RANSAC)算法随机性强且不稳定的问题,提出一种ORB与RANSAC结合的快速特征匹配算法。首先,对特征点提取方式进行优化选择,消除特征边缘影响。之后构建简化的金字塔式尺度空间模型,改进分层图像的尺度空间结构,减少生成图像层数和数目;然后采用梯度方向改进传统ORB算法中的主方向提取模式,提高特征角点主方向的准确性。最后,通过构建分块随机取样检测的方式改进RANSAC算法,提高RANSAC算法的稳定性和图像配准的准确性。实验结果表明改进后的ORB和RANSAC融合算法在尺度和旋转配准方面性能有很大提高,并且配准的精度较传统ORB算法高,尺度配准精度提高55.41%,旋转配准精度提高26.66%。满足复杂图像快速精确配准拼接的精度和实时性要求。     

基于ORB与RANSAC融合改进的图像拼接方法

针对旋转不变性二进制描述算法（Oriented Fast and Rotated Brief, ORB）的尺度旋转性配准误差大,配准率较低及随机采样一致性（Random Sample Consensus, RANSAC）算法随机性强且不稳定的问题,提出一种ORB与RANSAC结合的快速特征匹配算法。首先,对特征点提取方式进行优化选择,消除特征边缘影响。之后构建简化的金字塔式尺度空间模型,改进分层图像的尺度空间结构,减少生成图像层数和数目;然后采用梯度方向改进传统ORB算法中的主方向提取模式,提高特征角点主方向的准确性。最后,通过构建分块随机取样检测的方式改进RANSAC算法,提高RANSAC算法的稳定性和图像配准的准确性。实验结果表明改进后的ORB和RANSAC融合算法在尺度和旋转配准方面性能有很大提高,并且配准的精度较传统ORB算法高,尺度配准精度提高55.41%,旋转配准精度提高26.66%。满足复杂图像快速精确配准拼接的精度和实时性要求。     

面向目标检测的空间观测图像精确配准

针对空间目标检测对图像配准精度的要求,本文组合Fourier-Mellin变换和加速鲁棒特征变换(SURF)算法来实现对空间观测图像的精确配准,并研究了该配准算法所涉及的变换模型、特征提取、特征匹配和配准精度等问题。该算法首先利用Fourier-Mellin变换计算图像旋转角度的整数值,根据整数角度将待配准图像反向旋转;然后利用SURF算法检测两幅图像的匹配特征点;最后利用最小二乘方法计算旋转角度的浮点值和平移量,而整数角度与浮点角度之和就是待配准图像的实际旋转角度。文中分析了SURF特征点检测与图像尺寸、DoH响应阈值以及尺度空间层数之间的关系。实验结果表明:提出的算法对图像旋转角度估计值的均方误差为0.0077°,50组实拍图像中星点质心均方误差的平均值为0.1353pixel,能够满足空间目标检测对图像配准的精度要求。     

基于ORB关键帧匹配算法的机器人SLAM实现

针对复杂环境下机器人的同时定位与地图构建(SLAM)存在实时性与鲁棒性下降等问题,将一种基于ORB特征点的关键帧闭环检测匹配算法应用到定位与地图构建中。研究并分析了特征点提取与描述符建立、帧间配准、位姿变换估计以及闭环检测对SLAM系统的影响,建立了关键帧闭环匹配算法和SLAM实时性与鲁棒性之间的关系,提出了一种基于ORB关键帧匹配算法的SLAM方法。运用改进ORB算法加快了图像特征点提取与描述符建立速度;结合相机模型与深度信息,可将二维特征图像转换为三维彩色点云;通过随机采样一致性(RANSAC)与最近迭代点(ICP)相结合的改进RANSAC-ICP算法,实现了机器人在初始配准不确定条件下的位姿估计;使用Key Frame的词袋闭环检测算法,减少了地图的冗余结构,生成了具有一致性的地图;通过特征点匹配速度与绝对轨迹误差的均方根值对SLAM系统的实时性与鲁棒性进行了评价。基于标准测试集数据集的实验结果表明,ORB关键帧匹配算法能够有效提高SLAM系统建图速度与稳定性。     

新型SURF-ORB图像特征点匹配算法设计与实现

提出了一种新型的SURF-ORB算法,该算法融合了SURF和ORB算法的优点。首先利用SURF算法检测图像的特征点和该特征点的方向,然后利用ORB中的改进BRIEF算法来描述该特征点,解决了ORB算法不具有尺度不变性的问题,同时算法的速度相较于SURF算法又有了很大提升。     

基于序列图像特征配准的相机旋转补偿算法

为了解决测量过程中相机沿轴向运动时所产生的旋转引起的测量误差,提出了一种基于特征点的图像配准和最小二乘估计的相机旋转运动精确估计算法。此算法利用序列图像帧间的相关性,通过对相邻两帧图像进行运动分析,由Harris算子进行特征点的检测,然后再基于这些特征点的模版匹配方法对帧间图像进行配准,再根据多个特征点的运动矢量通过最小二乘估计获得相机的运动参数。最后对这些运动参数进一步分析,在计算中将获得的运动参数对相机沿轴的旋转运动进行补偿。该方法克服了测量中相机旋转对图像处理和测量精度的影响,弥补了因相机旋转引起的测量误差大的缺陷,提高了测量精确度。试验和仿真结果表明该方法在帧间旋转角度较小时能够实现对相机沿轴旋转运动的精确补偿,且时实性有待提高。     

SURF与灰度差分在小模数塑料齿轮缺陷检测中的研究与应用

利用FLANN算法对已检测的SURF描述子进行特征匹配,对获得的关键点进行迭代排序,用RANSAC算法进行匹配点优化提纯。通过灰度差分算法对经过矩阵变换配准后的图像进行缺陷区域提取,采用Otsu阈值法进行图像分割,并对缺陷连通域面积特征进行分析。试验结果表明,该方法在检测速度与范围方面优于传统的检测算法,在小模数塑料齿轮工业在线检测方面有着积极的研究意义与价值。     

应用摄像机位姿估计的点云初始配准

基于摄像机位姿估计的数学模型,提出了一种检测摄像机位移前后目标图像特征点的方法,通过求解摄像机发生位移前后的相对位姿矩阵来解决应用视觉图像获得点云的初始配准问题。首先,介绍了摄像机位姿估计模型,包括本质矩阵、旋转矩阵以及平移矩阵;然后,介绍了SURF算子的特征点检测、描述和匹配的方法,在此基础上面向双目视觉和单目结构光系统,分别提出了摄像机位移前后目标图像SURF特征点匹配和深度估计模型;最后,分别进行双目视觉和单目结构光系统点云的获取、位移前后目标图像特征点检测匹配和深度估计实验,应用摄像机位姿估计模型求解旋转矩阵和位移矩阵,并对位移矩阵进行统计分析剔除粗差。实验中采用基于点云空间特征点和基于图像的方法进行对比,点云对应特征点均方误差缩小至12.46mm。实验结果验证了方法的可行性,表明本文的点云初始配准方法能较好地获得点云精确配准初值。     

复杂环境下基于Kinect的视觉定位算法研究

针对复杂环境下机器人的定位问题,研究基于Kinect传感器的视觉定位算法。对于机器人在运动过程中采集的多帧连续图像,利用SURF算法进行特征提取与匹配,并对彩色图像和深度图像进行配准对齐,采用RANSAC算法完成初步配准,剔除一些误匹配点,实现帧间图像相对运动的粗略估计,在此基础上进一步采用ICP算法进行精确配准,得到优化的定位估计参数。实验结果表明,此方法能较好地实现复杂环境下机器人的视觉定位,并且可以得到场景的重建。     

基于序列图像特征配准的摄像机旋转补偿算法

提出了一种基于序列图像特征点配准和基于最小二乘估计的摄像机绕轴旋转运动精确估计算法.该算法利用序列图像帧间的强相关性,通过分析相邻两帧图像的运动,由Harris算子进行特征点检测.基于这些特征点用模板匹配方法对帧间图像进行配准,然后根据多个特征点的运动矢量用最小二乘估计获得摄像机的运动参数,并用获得的运动参数实现对摄像机绕轴旋转运动的精确补偿.实验结果表明,该方法在帧间旋转角度＜10°时,摄像机绕轴旋转运动角度估计误差＜5%,但是当旋转角度＞14°时,相对估计误差＞20%.从系统实际应用(帧间旋转＜5°)来看,该方法克服了成像测量中摄像机旋转对图像处理和测量精度的影响,弥补了因像机旋转引起的测量误差大的缺陷,提高了测量精度,可满足使用要求.     

基于全局和局部特征融合的图像匹配算法研究

针对移动机器人视觉同时定位与地图构建过程中图像处理速度慢以及特征点匹配实时性和准确性差的问题,提出基于颜色特征和改进SURF算法融合的图像匹配算法。首先,采用颜色特征对图像序列进行粗匹配,选取与测试图像最相近的5幅图像作为待匹配图像;其次,改进SURF算法,用Krawtchouk矩对采用Hessian矩阵获取的关键点进行描述,计算关键点的梯度方向和幅值,得到新的特征向量,对待匹配图像提取改进SURF特征再与测试图像进行精确匹配,得到最佳匹配图像,此匹配算法提高了移动机器人图像处理的速度和精度。实验结果表明,改进算法的误匹配率降低10%左右,程序运行时间减少,在可靠性得到保证的同时适应于实时性应用。     

基于 SURF 的快速图像匹配改进算法

针对传统 SURF 算法在图像匹配中使用固定阈值提取的特征点不均匀、匹配正确率低以及时间复杂度高的问题,提出 一种基于 SURF 算法的快速图像匹配改进算法。 首先,通过对 Hessian 矩阵行列式值分布的统计分析,提出一种阈值自适应方 法来提取更有效的特征点;然后采用四叉树方法对所提特征点进行均匀化以降低误匹配率,并提出一种划分深度自适应的方法 对四叉树算法进行改进,防止四叉树过度划分;最后,本文首次将 BEBLID 二进制描述子与改进 SURF 算法相结合,利用基于机 器学习的采样模式对特征点构建具有强描述性的二进制描述子,在提升匹配正确率的同时加快匹配速度。 实验结果证明,本文 所提算法在 Mikolajcyzk 图片数据集测试中的匹配正确率比传统 SURF 算法高 9. 7% ~ 27. 0% ,算法速度比 SURF 提高了 50% 以 上。 对比 SIFT、SURF、BRISK、ORB 算法,本文所提改进算法具有更优的鲁棒性和实时性。     

基于高斯矩改进SURF算法的移动机器人定位研究

针对移动机器人定位过程中视觉图像特征点提取与匹配数量较多,边缘特征点不稳定的问题,提出基于改进离散Gaussian-Hermite矩的SURF图像匹配算法。利用双树复小波变换将图像分解为低频与高频部分,将低频部分作为改进算法的输入图像。通过采用3D非极大值抑制求取图像不同尺度下的特征点,计算图像Gaussian-Hermite矩,重新确定Hessian矩阵,检测稳定边缘特征点,定义新的特征描述向量。将改进算法与自适应粒子滤波定位算法相结合,实现移动机器人在室内环境中的视觉定位。实验结果表明:改进算法配准精度高于SURF算法,不稳定特征点提取数量相比于原算法约减少9%,匹配率得到进一步提升。     

基于CenSurE star特征的无人机景象匹配算法

针对传统局部不变特征的景象匹配算法冗余点多、实时性差、抗几何变换不突出的情况,提出基于CenSurE-star的无人机(UAV)景象匹配算法。首先采用Cen Sur E特征星型滤波器(CenSurE-star)提取基准图和实时图中的特征点,并生成FREAK二进制描述符;然后将汉明距离作为特征点的相似性判定度量,采用K近邻距离比值的方法提取匹配点对;最后利用基于RANSAC的定位模型得到空间几何变换关系,实现图像匹配并获取定位点经纬坐标。算法性能评价实验表明,本文算法不仅相对于SIFT、SURF、ORB算法,对各种变换具有更好的鲁棒性,而且相对于改进的SIFT、SURF算法处理时间有更大程度的缩短,算法定位误差在0.8个像素内,尺度误差在0.02倍内,旋转角度误差在0.04°内。基于算法进行外场飞行实验,实验证明算法定位精度较高,可以适应地貌信息较少的环境,并能满足无人机视觉辅助导航的需求。     

一种结合ORB算法的SIFT图像配准算法

在基于SIFT算法的图像配准过程中有两个重要的环节:特征提取和特征匹配。针对算法在特征提取时存在的计算量大、复杂度高、速度慢等问题,该文提出了结合ORB算法的思想,对SIFT算法进行特征提取的优化,从而实现快速地提取图像的局部特征。在特征匹配阶段采用K最近邻的BBF搜索策略并结合RANSAC算法进行提纯,消除误配点。实验结果表明,改进后的算法降低了配准时间,提高了配准精度,适用于一些对实时性要求较高的场合。     

基于图像角点匹配的机械加工零件表面缺陷检测

当前在对机械加工零件表面缺陷检测时,存在表面缺陷检测精度差的问题,导致检测结果不理想。提出一种基于图像角点匹配的机械加工零件表面缺陷检测方法,利用曲率空间检测零件图像的角点,采用泰勒级数删除伪角点。对特征点邻域梯度方向进行角度限度和就近投影,同时借助双向匹配方法进行机械加工零件图像角点匹配。在上述操作的基础上,利用一维直方图的阈值分割对零件图像进行分割处理,最终实现机械加工零件表面缺陷检测。实验结果表明,该方法能够获取高精度的零件表面缺陷检测结果,且对加工零件缺陷厚度、孔洞缺陷及缺陷最大边界距离的测量均较为准确。     

移动高光对三维场景重建的影响与消除

针对制造车间光滑地面在阳光或灯光照射下的扫描图像往往存在反射光斑,且随相机位置变化而变化,会严重干扰图像处理和利用的问题,提出了一种识别和去除高光的方法,用于改善图像处理效果和三维重建精度。基于扫描序列图像的三维场景重建流程和SURF特征原理,分析移动的高亮反光斑对图像特征点提取和匹配的影响;对于缺乏表面纹理的灰度图像,提出一种基于逐行多级阈值和动态模板高光识别与去除方法,保留非高光点的特征信息,识别与修复同步完成。实验结果表明,无高反光的前后两帧图像的匹配特征点对比有高光情况下至少高出8%,优化后的余留匹配特征点更多;扫描一段30m长的车间场景序列图像,用提出的方法修复高光后进行三维重建,点云拼接误差减小了10cm。表明移动高光对图像序列三维重建有不可忽视的影响,本文提出的方法能有效地去除高光。