基于NCC与SSDA的快速特征点匹配融合算法

快速、正确的匹配从两幅或多幅图像中提取出来的特征点是基于特征点图像配准问题的关键。传统的只使用归一化互相关匹配（NCC）算法进行的特征点粗匹配,虽然具有较强的抗噪声能力,但是匹配的速度很慢,而且错误率也比较高。因此,在研究了NCC算法与序贯相似度检测（SSDA）算法基础上,并改进了SSDA算法的非相似度计算方法,提出将两种算法融合在一起形成一种快速的特征点匹配算法,改进算法充分利用了两种算法的优点,大大提高了特征点的匹配速度,而且减少了错误匹配的个数。通过实验证明,该算法是一种有效的特征点匹配算法,比只使用NCC算法进行特征点匹配所需的时间降低了70%以上,正确匹配率也有所提高。     

序列图像特征提取与匹配算法的改进

在计算机视觉领域中特征点匹配是一个重要课题。针对ORB（ORiented Brief,方向描述符）算法缺少尺度不变性的特点,将SURF（Speeded-Up?Robust?Features,快速鲁棒特征）算法与ORB相结合,提出了基于算法组合的改进算法SUORB（Speeded-Up?ORiented Brief,快速方向描述符）。组合算法的基本思路是利用SURF算法建立多尺度空间,然后通过ORB算法为检测出的特征点建立描述符,最后根据生成的二进制描述符实现特征点匹配。实验结果表明,SUORB算法基本弥补了ORB算法的不足,若图像尺度发生变化,SUORB匹配算法比ORB匹配算法的准确度明显提高;同时SUORB算法保留了ORB算法的快速性。     

SIFT与SURF在指纹识别系统中的性能对比

要实现指纹识别技术,必须使用图像特征的提取技术,尺度不变特征变换（Scale Invariant Feature Transform,SIFT）和加速稳健特征（Speeded Up Robust Features,SURF）是目前运用比较广泛的两种图像特征提取算法。为验证哪种算法在指纹识别领域更适用,文章使用同一手指指纹的多张照片为图库,分别使用两种方法进行同一图自我匹配、指纹角度、范围不同图片匹配及较为模糊的图片匹配等实验。通过实验得出：虽然SIFT算法比SURF算法耗时更长,但是使用SIFT算法的运算量小于SURF算法,因此两种算法花费的时间近乎相等;在指纹对比库的创建方面,SIFT算法要优于SURF算法;在指纹匹配识别过程中,无论是同一张图片自我匹配,还是指纹角度和范围不同的图片进行匹配、指纹不清晰的图片进行匹配,SIFT算法的成功匹配点比SURF算法的成功匹配点分布更均匀,且数量相近或更多。可见,在指纹识别系统中,使用SIFT算法比SURF算法更合适。     

平滑运动概率估计剔除算法

针对现有算法对宽基线匹配和三维场景中匹配效果不精确的问题,提出一种平滑运动概率估计误匹配剔除算法。通过构造单个特征点统计模型延伸到整个感兴趣区域的统计模型,假设特征点的统计值服从二项分布的情况下,构建匹配点概率函数,计算出匹配正确的概率,将不匹配的外点剔除。结合网格加速匹配划分网格,快速寻找特征点。通过实验对比,验证了该算法比其它算法具有更高的匹配准确度。     

一种图像特征点迭代修正匹配算法

基于特征点的图像匹配被广泛应用于图像配准、目标识别与跟踪领域, 目前, 两阶段匹配(即先粗匹配, 后精匹配)是最常用的方法, 然而, 两阶段匹配存在两方面的问题, 一方面, 粗匹配阶段对精匹配阶段的影响是不可逆的, 即粗匹配的效果决定了精匹配的最优精度; 另一方面, 精匹配得到的后验知识没能反馈给粗匹配阶段, 以修正粗匹配结果. 为此, 提出一种基于迭代修正的图像特征点匹配算法, 该算法将精匹配得到的后验知识反馈给粗匹配阶段, 从而修正粗匹配结果, 使得粗匹配阶段得到更多的正确匹配对, 减少漏匹配特征点对, 这样经过多次迭代, 能够得到更多的正确匹配特征点对. 实验表明, 提出的算法比经典的两阶段匹配方法能够提取更多的正确匹配特征点对, 减少了漏匹配, 并提升了复杂图像匹配的稳定性.     

自适应邻域测试的图像误匹配点剔除算法

针对图像特征点暴力匹配与比率测试得到的匹配点对在数量与正确率不能兼顾的情况,提出了一种基于自适应邻域测试的误匹配点对剔除算法。对特征点进行暴力匹配与高阈值的比率测试得到初始匹配点集,对初始匹配点对中的每个匹配特征点进行自适应邻域测试,测试出初始匹配点集中明显的误匹配点对并将之剔除,达到只剔除误匹配而不会误剔除正确匹配的效果。实验结果表明,在保证正确率不降低的前提下,该算法获取的匹配点对数量比原算法多3成以上,并且该算法对图像旋转、尺度缩放具有较好通用性。     

基于ORB-SLAM3的改进型特征匹配与稠密建图算法

针对传统ORB算法存在提取的特征点极易堆积在纹理丰富的区域及误匹配率高等而导致无法满足高精度定位要求,以及ORB-SLAM3系统无法构建稠密地图的问题,提出一种基于ORB-SLAM3的改进型ORB-GMS特征匹配方法,并增加稠密建图线程来实现稠密地图的构建。首先,在特征点提取过程中引入四叉树策略,将图像帧分为若干个网格,并在每个网格中提取最优特征点;然后,在特征匹配过程中将运动平滑约束转换为剔除错误匹配的统计量,通过比较匹配对邻域内的匹配对数量和阈值来快速筛选正确匹配;最后,完成位姿估计并根据关键帧与相应位姿完成稠密点云地图的构建。采用TUM的RGB-D数据集进行实验,改进算法提取的特征点相较传统ORB算法分布更加均匀,匹配数比ORB-SLAM3增加64.5%,比GMS算法增加4.7%,匹配耗时比ORB-SLAM3减少20.4%,比GMS算法减少94.6%,从而验证了改进算法在特征点提取与匹配方面的优越性,并且相较于ORB-SLAM3,改进算法的定位精度提高了3.75%,从而验证了其在总体上提高定位精度,进而实现稠密建图的可行性和有效性。     

改进的SIFT特征点图像匹配方法研究

图像配准是遥感、计算机视觉、医学等许多领域中的一个基本问题,而图像特征点的提取和匹配是完成图像配准的基础。本文采用SIFT尺度不变特性变换算子进行图像匹配,通过改进该算法,提高算法的效率,通过仿真实验,证明改进的SIFT特征点匹配方法,可以提高特征点匹配的速率,降低匹配计算的耗时。     

结合轮廓与形状特征的仿射形状匹配

目的 针对仿射变换下形状匹配中存在的描述子对形状的描述能力不足,以及描述子计算耗时大的问题,改进基于所有图像点投影的方法,提出一种利用轮廓计算投影面积的仿射形状匹配算法。方法 该算法分为粗匹配和精匹配两个阶段。粗匹配阶段以CSS角点作为备选特征点,首先统计轮廓投影面积分布作为特征点描述子;然后利用动态规划蚁群算法匹配两幅图片公共特征点序列,并将匹配好的特征点序列记为对应的新特征点;最后采用该新特征点划分目标曲线,得到对应的轮廓曲线;这一阶段的目的是对形状的筛选以及寻找一致的轮廓特征点,同时完成轮廓曲线的划分。精匹配阶段,采用小波仿射不变描述子,对粗匹配阶段匹配代价最小的5%的目标进行对应曲线匹配,得到精匹配阶段的匹配代价,从而实现对仿射目标的识别;精匹配弥补了描述子对轮廓细节描述不足的问题。结果 算法的平均检索速度比传统基于形状投影分布描述子提高44.3%,在MPEG-7图像库上的检索效果为98.65%,在MPEG-7仿射图像库上的查准率与查全率综合评价指标比传统的基于形状投影分布描述子高3.1%,比形状上下文高25%。结论 本文算法匹配效果好,效率高,抗噪性强,解决了仿射描述子计算速度慢、描述能力不足的问题,能有效地应用于仿射形状匹配与检索领域。     

一种新的立体匹配算法

立体匹配是目前计算机视觉领域中最活跃的研究主题之一,在三维重构、对象识别与分类、图像对齐等应用中,立体匹配都是一个关键步骤.为了能够更精确地对特征点进行匹配,给出了一个新的匹配约束条件:匹配点距离相关性约束,据此提出了一种新的立体匹配算法.该算法独立于特征点的检测算法,首先使用灰度相关法进行初始匹配,然后利用最小中值平方法获得部分正确匹配点集,在此基础上加入匹配点距离相关性约束进行引导匹配,得到最后的匹配点集.实验表明,该算法能够很好地实现特征点的正确匹配.具有很高的使用价值.     

一种改进的Harris特征点匹配算法

针对Harris特征点匹配的精度低和效率不高的问题, 提出了基于Harris特征点匹配的改进算法. 首先对Harris特征点的提取方法进行了改进, 减少了伪特征点的提取. 然后利用改进的双向最大归一化相关系数匹配的方法提取初始特征点对, 最后用改进的随机采样一致法来剔除伪特征点对, 实现特征点对的精确匹配. 实验结果表明, 该算法不仅提高了特征点匹配的精度, 而且极大地提高了特征点匹配的效率.     

基于微观图像的图像拼接算法研究

针对传统图像拼接算法不适用于局部特征点多的微观图像实时拼接问题,结合Harris角点、SURF算法和K-Means算法提出了一种改进的算法。具体的算法流程如下：通过Harris角点提取微观图像中的特征点,并在形成SURF描述子后利用最近近邻算法对这些特征点进行粗配准。通过K-Means算法对初次配准的特征点进行聚类分簇获取聚类中心,并提取有效聚类区域的特征点。对有效的特征点进行精确配准,并校验配准后特征点的斜率一致性和距离一致性,从而实现精确的特征点匹配。实验结果证明,该算法克服了特征点多造成图像拼接时间长和拼接误差大的问题,具有较强的鲁棒性和稳定性,可应用于微观图像实时拼接领域。     

基于特征点匹配的改进模板匹配算法

特征点匹配是图像匹配领域中一项重要研究内容.暴力匹配中强调缺少特征匹配不是由于太少的正确匹配,而在于很难分辨真假,故加入模板匹配进行约束,提出一种改进模板匹配算法.为了提升匹配速度和精度,该算法通过提供特征点的坐标,可以计算出每个特征点的得分值,并将其用于从输入图像中提取模板.基于输入图像和另一幅图像之间的模板匹配,使...     

基于改进网格划分统计的特征点快速匹配方法

针对图像特征点匹配算法大多存在数据量大和计算耗时长等问题,提出一种改进网格划分统计的特征点快速匹配算法。首先将图像的长宽比作为约束项,把图像划分成多个非重叠的方形状网格,并统计网格内的粗匹配特征点数量,然后利用改进的五宫格统计方法剔除错误匹配,即将特征点所在网格的相邻对称的四个网格作为邻域范围,把五宫格特征分数与新提出的阈值公式计算的值进行比较,最终得到精匹配特征点集;在OxFord数据集和实际拍摄的无人机遥感图像上,将本文算法与多种算法进行比较,实验结果表明,该方法在保证精确率和召回率接近当前最新的特征点快速匹配算法的情况下,运行速度相对提高了35.6 %,证明了特征点匹配的实时性和有效性。     

基于改进BRISK算法的单目视觉里程计

在传统的BRISK算法中使用自定义的抽样模式来描述检测到的特征点,使用基于汉明距离的方法进行特征点匹配。BRISK的这种特征点描述与匹配的方法使得其匹配准确率不高。因此本文提出将匹配准确率较高的SURF算法与BRISK算法相结合,在BRISK特征点描述与匹配阶段使用SURF描述符和基于欧氏距离的匹配方法。实验结果表明,该算法在时间消耗下降不大的情况下,特征点匹配准确率有很大提高,且该算法具有较好的鲁棒性。     

一种局部二值模式图像特征点匹配算法

针对图像匹配问题进行了研究,提出了一种改进BRIEF算法的特征点匹配算法。该算法利用随机点与特征点之间的差分大小和差分幅值关系来生成特征点描述算子。针对BRIEF对噪声敏感问题,因为小的像素幅值差分更易受到噪声影响,为了抑制噪声,通过设置小像素差分阈值,差分在阈值内的设置为不确定位,然后通过其邻域均值来决定不确定位的值。特征点匹配使用描述算子之间的汉明距离进行比较来完成。实验与BRIEF和ORB算法进行了比较,证明该算子具有更高的判别性,计算简单且具有很好的噪声抑制性能,运行速度快,匹配准确率更高。     

融合IMU去除运动模糊的改进光流匹配算法

为进一步提高视觉SLAM中的光流匹配精度和速度,提出一种融合惯性测量单元（inertial measurement unit,IMU）去除运动模糊的改进光流匹配算法。该算法首先利用IMU运动信息计算的点扩散函数去除运动模糊,提高特征点匹配率;其次在LK（Lucas-Kanade）光流的基础上引入梯度误差,并使用图像梯度L1范数作为正则项模拟稀疏噪声,构建代价函数;然后利用IMU预测特征点位置作为该算法初始值,并加入BB（Barzilar-Borwein）步长改进原有的高斯牛顿算法,提高计算速度。实验表明,通过两帧之间比较,该算法的效率和精度均优于LK光流法;然后将该算法集成到VINS-Mono框架,在数据集EuRoC上结果显示,该算法提高了原有框架的定位精度和鲁棒性。     

一种基于点模式的指纹分阶段匹配算法的研究

介绍了一个指纹中心点定位(Core)以及用中心点为中心构造特征向量进行初匹配,并且以此作为最佳匹配参考点来进行二次匹配的算法。本算法的特点:1.介绍指纹中心点的准确定位。2.以中心点作为最佳匹配参考点将匹配分为两步进行:初匹配利用了细节点间的结构关系,克服了图像的平移和旋转的影响;二次匹配引用了界限盒思想,增强指纹匹配算法对形变的适应能力。本算法把点模式的优点和基于结构的特征点之间的相对距离不变性、所跨越纹线数目的不变性、特征点类型的不变性很好结合起来。实验结果显示本算法具有较强的适应性和较高的拒识率。     

基于特征提取的点云自动配准优化研究

针对三维点云自动配准精度不高、鲁棒性不强等问题,提出一种基于判断点云邻域法向量夹角的自动配准算法。该算法首先计算点云中每个点的法向量与邻域点集的法向量夹角的余弦值,然后把邻域各点的余弦值作为该点的属性特征向量,进行特征分类提取特征点,根据几何特征的相似性初步搜索匹配点对,并采用欧式距离约束条件剔除匹配错误的点对;运用最小二乘法计算初始配准参数,再通过改进的迭代最近点（Iterative Closest Point,ICP）算法进行精匹配。实验证明,该算法相对于经典的ICP算法无论收敛速度还是匹配精度上都有提升。     

一种基于Laplacian矩阵的图像匹配算法

文章提出了一种基于Laplacian矩阵的图像特征匹配算法。首先分别构造两幅图像特征点集的Laplacian矩阵,并对这两个矩阵进行奇异值分解(SVD),然后利用分解的结果构造出一个反应特征点之间匹配程度的关系矩阵,最后根据关系矩阵实现两幅图像的特征点匹配。大量实验结果表明,该文所提出的算法具有较高的匹配精度。