基于快速视网膜关键点算法改进的图像匹配方法

传统的仿射尺度不变特征（ASIFT）算法通过模拟仿射变化图像实现完全仿射不变性,但是由于尺度不变特征（SIFT）算法本身的低效造成ASIFT的过程非常耗时,为了实现更为高效的图像匹配,引入快速视网膜关键点（FREAK）算法到ASIFT仿射模型中,并基于Lanczos-4插值进行改进。在匹配过程中基于HAMMING距离实现暴力匹配,并结合随机样本一致性（RANSAC）算法改进对匹配点对的提纯,得到了新的AFREAK算法。该算法既能实现完全仿射不变性,又能实现低耗时和低内存占用。实验结果表明,提出的AFREAK算法处理速度上快于ASIFT近2~3倍,并且可以得到与之相似的匹配效果。     

基于ASIFT算法特征匹配的研究

针对SIFT算法对大角度视角变化下特征提取鲁棒性不强的弱点,引入了一种完全仿射不变的图像特征匹配算法—ASIFT。ASIFT算法不仅继承了SIFT算法的尺度、旋转和平移的不变性,并且在此基础上增加了两个空间特征描述参数:经度和纬度,从而定义出度量仿射形变的两个参量绝对倾斜t(absolute tilt)和过渡倾斜τ(transition tilt),模拟相机光轴变化,实现完全仿射不变。一种双分辨率(two-resolution)加速方法的提出,使ASIFT算法的复杂度约为SIFT的2倍。     

一种基于ORB的快速大视角图像匹配算法

针对ASIFT算法抗大视角变换能力较好,但运算效率低的缺点,提出一种基于ORB的快速大视角图像匹配算法.该算法结合透视变换模型和ORB算法对ASIFT中的仿射变换模型和SIFT算法进行优化,在粗匹配算法获得单应性矩阵的基础上进行精匹配,有效减少了模拟次数,并提高了算法运算效率.实验结果表明,所提出算法具备抗视角变换能力,计算速度比ASIFT算法提高10倍,实时性强,工程使用价值高.     

一种透视不变的图像匹配算法

针对ASIFT (Affine scale invariant feature transform) 算法存在的仿射采样策略、采样点离散设置等问题,提出了一种基于粒子群优化的图像透视不变特征PSIFT (Perspective scale invariant feature transform)算法. 该算法通过虚拟相机的透视采样来模拟景物在多视角图像中的变形. 在此基础上,将图像匹配问题转换为透视变换的优化问题,并以粒子群算法为工具,研究了虚拟相机旋转参数搜索空间、适应值函数的合理设定. 针对三组不同类型低空遥感图像的实验结果表明,该算法比ASIFT、SIFT (Scale invariant feature transform)、Harris affine和MSER (Maximally stable extremal regions)等算法获得更多的特征匹配对,有效地提高了算法对视角变化的鲁棒性.     

一种具有仿射不变性的图像匹配算法

针对仿射扭曲图像对之间的匹配问题,传统算法对仿射变换的6个参数都进行归一化,在仿射畸变严重时匹配效果不佳,不具备完全的仿射不变性。为此,提出一种基于参数仿真的图像匹配算法。根据经纬度对摄像机坐标的角度参数进行仿真,利用Harris-Laplace算法提取特征点,使用尺度不变特征变换对其进行描述,由此仿真尺度参数,并归一化平移和旋转参数。实验结果表明,与MSER、Harris-Affine、Hessian-Affine算法相比,该算法的鲁棒性较强,能使所有参数都具有不变性,具有完全的仿射不变性。     

改进仿射尺度不变特征变换算法的图像配准

为了更好地处理匹配效率、重复纹理匹配和仿射不变性匹配等问题,对完全仿射不变特征变换（ASIFT）算法进行两方面改进。匹配框架中特征提取的改进提高了ASIFT算法的匹配效率;利用优化随机采样算法（ORSA）结合以单应矩阵为几何线性约束模型的随机抽样一致性（RANSAC）改进匹配算法,提高了匹配精度和重复纹理结构的适应能力。实验结果表明,提出的改进算法能较好地匹配高度相似纹理,计算量小,计算速度快且精度高。     

基于颜色不变量和仿射不变性的彩色图像配准

ASIFT图像配准算法实现了完全的仿射不变性,但色彩信息的缺失导致算法对光照条件敏感。结合颜色不变量理论和ASIFT算法,提出一种彩色图像配准算法CASIFT。在ASIFT基础上以颜色不变量代替灰度信息提取特征点并建立特征点的特征描述子,解决了ASIFT算法在光照差异较大情况下彩色图像配准率低的问题。实验结果表明,CASIFT彩色图像配准算法对于光照变化和视角变化均有更好的鲁棒性。     

具有抗仿射性的局部特征点匹配方法

针对现有局部特征匹配算法对具有仿射性的图像匹配效果欠佳、耗时较长,以及随机采样一致性（RANSAC）算法对仿射性图像匹配得不到较好的参数模型等问题,提出一种具有抗仿射性的A-AKAZE（Affine Accelerated KAZE）算法,并用向量场一致性来筛选内点。首先利用非线性函数构建尺度空间,然后借助Hessian矩阵检测特征点,并以特征点为中心选取合适的区域作为特征采样窗口;再把特征采样窗口在经纬度上进行投影以模拟不同角度对图像的影响,随后在投影区域中提取具有抗仿射性的A-MLDB（Affine Modified-Local Difference Binary）描述符;最后利用向量场一致性算法提取内点。实验结果表明：A-AKAZE算法的正确匹配率相较于AKAZE算法提高了20%以上,与AKAZE+RANSAC算法相较提升了15%左右,与ASIFT（Affine Scale-Invariant Feature Transform）算法相比提高了10%左右,相比ASIFT+RANSAC算法提高了5%;而且该算法的匹配速度远高于AKAZE+RANSAC、ASIFT和ASIFT+RANSAC算法。     

CPU-GPU协同计算加速ASIFT算法

ASIFT(Affine-SIFT)是一种具有仿射不变性、尺度不变性的特征提取算法,其被用于图像匹配中,具有较好的匹配效果,但因计算复杂度高而难以运用到实时处理中。在分析ASIFT算法运行耗时分布的基础上,先对SIFT算法进行了GPU优化,通过使用共享内存、合并访存,提高了数据访问效率。之后对ASIFT计算中的其它部分进行GPU优化,形成GASIFT。整个GASIFT计算过程中使用显存池来减少对显存的申请和释放。最后分别在CPU/GPU协同工作的两种方式上进行了尝试。实验表明,CPU负责逻辑计算、GPU负责并行计算的模式最适合于GASIFT计算,在该模式下GASIFT有很好的加速效果,尤其针对大、中图片。对于2048*1536的大图片,GASIFT与标准ASIFT相比加速比可达16倍,与OpenMP优化过的ASIFT相比加速比可达7倍,极大地提高了ASIFT在实时计算中应用的可能性。     

基于角仿射不变的特征匹配

同一场景的不同图像匹配是计算机视觉中的一个基本问题，在诸如三维重建、对象识别和分类、图像配准和相机自校正等应用中，特征匹配都是一个关键步骤。为解决三维场景重建问题，通过改进目前特征匹配的不足，提出了一种基于角仿射不变的特征匹配算法。该方法是使用角作为图像匹配选取的特征，通过仿射不变处理来消除图像缩放、扭曲、旋转和平移产生的影响，实验表明，该算法具有良好的匹配性能，可以对差异较大的图像对进行特征匹配。     

基于改进算法的航拍图像匹配方法

针对无人机航拍过程中因发生机体抖动或机身倾斜而造成的拍摄图像畸变会导致匹配效率低、错误率高的问题,提出一种改进的ASIFT和RANSAC算法相结合的航拍畸变图像匹配策略。对航拍畸变图像采用ASIFT进行预处理,在关键点周围建立的内、外两个八边形邻域内构建112维描述子代替传统SIFT算法的128维描述子,再采用RANSAC算法剔除误匹配点。仿真结果显示,该方法适用于无人机航拍图像的配准,具有仿射不变性,且与传统的ASIFT+RANSAC方法相比匹配速率提高了10%~20%,正确匹配率提高了5%~10%。     

An edge-based scale- and affine-invariant algorithm for remote sensing image registration

For remote sensing image registration, we find that affine transformation is suitable to describe the mapping between images. Based on the scale-invariant feature transform (SIFT), affine-SIFT (ASIFT) is capable of detecting and matching scale- and affine-invariant features. Unlike the blob feature detected in SIFT and ASIFT, a scale-invariant edge-based matching operator is employed in our new method. To find the local features, we first extract edges with a multi-scale edge detector, then the distinctive features (we call these ‘feature from edge’ or FFE) with computed scale are detected, and finally a new matching scheme is introduced for image registration. The algorithm incorporates principal component analysis (PCA) to ease the computational burden, and its affine invariance is embedded by discrete sampling as ASIFT. We present our analysis based on multi-sensor, multi-temporal, and different viewpoint images. The operator shows the potential to become a robust alternative for point-feature-based registration of remote-sensing images as subpixel registration consistency is achieved. We also show that using the proposed edge-based scale- and affine-invariant algorithm (EBSA) results in a significant speedup and fewer false matching pairs compared to the original ASIFT operator.     

A MapReduce-based indoor visual localization system using affine invariant features

This paper proposes a vision-based indoor localization service system that adopts affine scale invariant features (ASIFT) in MapReduce framework. Compared to prior vision-based localization methods that use scale invariant features or bag-of-words to match database images, the proposed system with ASIFT achieves better localization hit rate, especially when the query image has a large viewing angle difference to the most similar database image. The heavy computation imposed by ASIFT feature detection and image registration is handled by processes designed in MapReduce framework to speed up the localization service. Experiments using a Hadoop computation cluster provide results that show the performance of the localization system. The better localization hit rate is demonstrated by comparing the proposed approach to previous work based on scale invariant feature matching and visual vocabulary.     

基于改进ORB和对称匹配的图像特征点匹配

由于ORB算法所提取的特征点不具有尺度不变性,直接匹配会导致较多的错误发生,本文结合SURF和双向匹配算法的思想,提出了改进的ORB算法:SSORB.首先使用不同尺寸盒状滤波模板与积分图像生成多尺度空间,并从中检测出稳定的极值点,使得所提取出来的特征点具备尺度不变的特性;然后使用ORB描述子对特征点进行描述,得到旋转不变的二进制描述子;由于误匹配的存在,在Hamming距离的基础上进一步使用双向匹配来消除误匹配,提高匹配精度.实验结果表明,SSORB有效地解决了ORB不具备尺度不变性的缺陷,在保留ORB算法快速优越性的同时提高了匹配准确度.     

改进ORB算法在图像匹配中的应用

在计算机视觉领域，图像匹配是一个核心问题。为了提高图像特征点匹配算法的准确度，增强算法的抗干扰能力，针对ORB（oriented FAST and rotated BRIEF）算法的不足，提出一种改进的图像特征点匹配算法。该算法通过设置自适应阈值来进行特征点检测，并在算法粗匹配结果的基础上剔除不符合图像几何特性的部分外点。最后，利用仿射不变性约束筛选出精确匹配点。实验表明，该方法可有效提高算法匹配质量且执行时间短，对于不同模糊度和曝光度的图像匹配均具有很好的鲁棒性。     

基于ORB-LATCH的特征检测与描述算法

针对基于学习安排的三元组（LATCH）二进制描述子不具备尺度不变性且其旋转不变性,需要特征检测子辅助的问题,提出了一种基于快速定向旋转二进制稳健基元独立特征（ORB）和LATCH相结合的特征检测与描述算法。首先,在图像金字塔尺度空间上进行加速段测试特征（FAST）检测;然后,采用ORB灰度质心方法来进行方向补偿;最后,对特征进行LATCH描述。实验结果表明,所提算法具备运算量小、实时性高以及旋转和尺度不变性的特点,在相同的准确率下,其召回率优于ORB和哈里斯-LATCH （HARRIS-LATCH）算法,其匹配内点率比ORB算法提高了4.2个百分点。该算法在保持实时性的同时进一步缩小了与基于直方图的尺度不变特征变换（SIFT）和加速健壮特征（SURF）算法之间的精度差距,可对图像序列进行快速且精确的实时处理。     

结合快速鲁棒性特征改进ORB的特征点匹配算法

针对定向二进制简单描述符（ORB）算法不具备尺度不变性的问题,提出一种结合快速鲁棒性特征（SURF）算法和ORB的改进算法。首先,利用Hessian矩阵检测特征点的方法,使得提取出的特征点具有尺度不变性;然后,用ORB生成特征描述子;接着采用K-近邻算法进行粗匹配;最后,通过比率测试、对称测试、最小平方中值（LMedS）定理进行提纯。尺度变化时,该算法比ORB的匹配精度提高了74.3个百分点,比SURF的匹配精度提高了4.8个百分点;旋转变化时,该算法比ORB的匹配精度提高了6.6个百分点;匹配时间高于SURF低于ORB。实验结果表明,改进算法不仅保持了ORB的旋转不变性,而且具备了尺度不变性,在不失速度的前提下,匹配精度得到较大提高。