基于GPU的SIFT特征匹配算法并行处理研究

SIFT算法因具有旋转、缩放以及平移不变性而在影像配准和基于影像的三维重建领域得到广泛应用。但该算法复杂度较高,在CPU上执行的效率不高,难以满足对实时性要求较高的应用。在深入分析SIFT算法原理的基础上,针对该算法提取特征的多量性和特征向量的高维性,将该算法进行了并行化改造以利用GPU强大的并行计算能力,并与CPU上实现的SIFT算法进行了比较。实验证明,基于GPU的SIFT算法执行效率大幅提升,平均可以达到10倍以上的加速比。     

基于OpenCL的尺度不变特征变换算法的并行设计与实现

针对尺度不变特征变换（SIFT）算法实时性差的问题,提出了利用开放式计算语言（OpenCL）并行优化的SIFT算法。首先,通过对原算法各步骤进行组合拆分、重构特征点在内存中的数据索引等方式对原算法进行并行化重构,使得算法的中间计算结果能够完全在显存中完成交互;然后,采用复用全局内存对象、共享局部内存、优化内存读取等策略对原算法各步骤进行并行设计,提高数据读取效率,降低传输延时;最后,利用OpenCL语言在图形处理单元（GPU）上实现了SIFT算法的细粒度并行加速,并在中央处理器（CPU）上完成了移植。与原SIFT算法配准效果相近时,并行化的算法在GPU和CPU平台上特征提取速度分别提升了10.51～19.33和2.34～4.74倍。实验结果表明,利用OpenCL并行加速的SIFT算法能够有效提高图像配准的实时性,并能克服统一计算设备架构（CUDA）因移植困难而不能充分利用异构系统中多种计算核心的缺点。     

基于GPU的视频流拼接算法研究

为解决视频流的稳定实时拼接,结合图形处理器GPU强大的并行计算能力,提出了一种基于GPU的视频流拼接算法.提取视频流的帧图像,利用尺度不变特征变换(scale invariant feature transform,SIFT)算法在GPU上实现帧图像的特征提取与匹配,实现图像拼接,进而实现视频流的稳定实时拼接.基于GPU的SIFT算法充分利用了GPU的并行处理能力,加快了视频流拼接算法执行的速度,真正意义上实现了几个差异较大但具有公共视野的视频流快速稳定的拼接.     

基于GPU的特征点提取与匹配算法比较

判断一种算法的GPU实现是否和CPU实现一样可靠、算法的GPU实现是否能够被安全地使用,是GPU实现能否进一步推广的关键问题.文中以SIFT和KD树搜索这2个被广泛使用的算法为例,对其GPU实现和CPU实现进行了系统的实验分析和比较测试.此外,针对高分辨率图像,给出了基于GPU的SIFT算法和KD树搜索算法的设计与实现.实验结果表明,基于GPU的实现和CPU的实现能提取出95％左右的相似特征点;2种算法实现的特征点重复率和匹配率相当,但GPU实现可获得高达13X(特征提取)和43X(特征匹配)的加速比,因此基于GPU的实现在具体应用中完全可以被安全地使用.     

基于LBP的尺度不变特征的描述和匹配算法

针对尺度不变特征变换(SIFT)算法计算复杂度高和匹配速度慢的难题,提出一种新的基于局部二进制模式(LBP)的尺度不变特征变换算法.首先采用高斯差分尺度空间检测局部极大值,利用圆形邻域统计梯度方向直方图来确定特征点的主方向,再通过坐标轴旋转避免图像旋转的计算代价;然后运用改进后的LBP算子求取特征点邻域的纹理信息,得到132比特的特征点描述子,有效地降低了描述子的计算复杂度;最后运用逻辑与运算对描述子进行特征点匹配.图像匹配实验结果表明,该算法具有尺度不变性、旋转不变性、仿射不变性和光照不变性等优良特性,在保证匹配正确率与SIFT和CS-LBP算法基本一致的情况下,运算速度优于以上2种算法,其中光照不变性明显优于SIFT算法.     

一种动态跟踪尺度补偿的ORB特征点提取算法

在全景图像拼接背景下,深入研究图像特征点的提取算法发现,ORB算法比SIFT、SURF算法的执行效率更高,但ORB算法不具备SIFT、SURF算法的尺度不变性,为了确保图像匹配的准确性,文章提出了一种动态跟踪尺度补偿的策略,对ORB算法进行优化,实现成像效果和计算效率的改善,并分析了该思路的可行性。通过OpenCV视觉库进行实验,得出提取的特征点数量约是SIFT算法的2.44倍、SURF算法的2.24倍、原始ORB算法的1.47倍,验证了动态跟踪尺度补偿的ORB算法的可行性。     

基于融合特征的近似图像检测方法

特征提取是图像检测或图像检索的关键步骤,SIFT 特征能够实现平移、旋转、缩放等不变性,MSER 特征实现了仿射不变性.集成 SIFT 和 MSER 特征的优势,提出了一种图像的融合特征提取方法,融合特征相比单一的局部特征具有更好的鲁棒性,还实现了图像特征的加速匹配,同时融合特征减少了存贮空间.针对这种图像的融合特征表示方法,给出了相应的图像匹配策略,实验结果表明提出的融合特征及检测方法在 INRIA copy dataset 数据集上取得了很好的效果     

基于图像显著区域检测的SIFT特征匹配方法研究

针对目标检测中利用SIFT算法在提取图像特征时提取的背景特征点所占比例较大,提出了一种图像显著区域与SIFT算法相结合的目标匹配方法。为使检测出的极值点与人眼观察到的极值点相似,提出对尺度空间中的图像进行显著区域的检测;为了使特征点具有仿射不变性,对特征点进行椭圆拟合;特征匹配时引入夹角余弦相似度测度方法。实验表明,该算法在实时性以及匹配准确率方面都优于传统的SIFT算法。     

彩色描述子SIFT的研究新进展

SIFT算法是提取图像局部特征的算法,应用于物体识别、图像匹配等领域,对于旋转、尺度缩放、亮度变化保持不变,对于视角变化、噪声等也保持一定程度的稳定不变性.为了提高光照不变性,获得更高的识别率,在SIFT特征描述子中加入颜色信息.对SIFT特征进行深入的研究,分析了SIFT算法,归纳总结了SIFT彩色描述子的研究现状,给出了彩色描述子SIFT的性能评价及其发展趋势.     

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。     

改进SIFT用于全景视觉移动机器人定位

经典SIFT算法的计算量比较巨大,在应用到图像匹配中,尤其是多地图检索的图像匹配定位中时不能满足系统实时性的要求。可用于全景视觉传感器图像的改进SIFT算法,在不改变原算法匹配稳定性的基础上,通过修改原算法的采样规则,同时针对对复杂和简单两种情况下的图像采用不同的采样方式,使系统基本可以达到实时的效果。结果表明,改进算法可以实现高效、准确的定位。     

基于Harris与SIFT算法的自动图像拼接

图像拼接技术被广泛应用于遥感图像处理、计算机识别、医学图像分析及人工智能等方面。本文针对尺度不变特征变换(SIFT)算法特征提取较复杂、计算时间长的缺点,而Harris算法提取特征点快速有效的优点,提出了一种结合Harris与SIFT算法优点的算法,并将这种算法应用于图像的自动拼接。首先利用改进的Harris算法提取图像特征点,再使用SIFT算法来描述特征点,然后利用欧氏距离对所得的特征向量进行匹配,最终实现图像的自动拼接。实验结果表明,该方法能有效提高SIFT的匹配效率,较好地完成对图像的自动拼接。     

一种基于特征点匹配的图像拼接方法研究

针对图像间因具有旋转及光线强度差异等现象而导致的拼接效果不佳及拼接速度慢的问题,提出一种基于特征点的配准算法;在特征点提取阶段,尺度不变的特征变换方法 (SIFT)具有对图像尺度缩放、旋转、放射变换以及亮度变化保持不变的优点,文章采用了改进的SIFT特征点提取算法;在特征点匹配阶段,采用改进的RANSAC算法对特征点匹配对提纯;最后用加权平均法实现拼接图像的融合;实验证明,该算法有效提高了图像拼接的效率和准确性,拼接精度可以达到亚像素级。     

抑制光照不均匀影响的图像特征点提取算法

为解决在光照不均匀情况下图像特征点提取算法表现效果不佳的问题,提出了一种改进的尺度不变特征转换（Scale Invariant Feature Transform,SIFT）算法抑制光照不均的影响。该方法在尺度空间构造中对输入的图像进行频域上的高斯高通滤波处理来滤除光照成分,并结合Top-hat变换弱化高斯滤波器参数选取难度,利用高斯卷积构建基于光照滤除与参数弱化的高斯差分金字塔,融合SIFT算法生成具有良好光照不变性的GT-SIFT描述子,进行特征点提取与匹配。实验结果表明,与传统算法相比改进算法在光照不均匀条件下具有更好的鲁棒性,图像特征点提取与匹配效果更好。     

基于分块和仿射不变性的SIFT图像匹配算法

针对传统SIFT算法在匹配时出现实时性差、匹配量低以及RANSANC算法在剔除SIFT误匹配对时误匹配率高的问题,提出一种基于距离相对性的分块匹配算法和基于仿射不变性的误匹配对剔除算法。首先利用传统SIFT算法提取图像中的特征点;然后采用基于距离相对性的分块匹配算法进行特征匹配得到初始匹配对;由于初始匹配对中存在误匹配,接下来运用基于仿射不变性的误匹配对剔除算法来剔除误匹配对;最后,在不同图像变换下进行仿真实验。实验结果表明,算法在保持SIFT算法鲁棒性的基础上,能够得到更多匹配对,正确匹配率提高了10%左右,并且实时性也得到很大改善。     

基于YHFT-QDSP的并行图像匹配算法

提出一种基于YHFT-QDSP的并行图像匹配算法,采用数据级并行方法实现并行的特征提取和特征点匹配,充分开发了多核处理器的多级并行性。实现和评测了SIFT、SURF、PCA-SIFT的并行算法。实验结果表明,并行图像匹配算法对各种不同图像形变具有良好的适应性,具有接近串行算法的图像匹配能力,平均加速比达3.2。     

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。     

基于扩散距离的SIFT特征匹配算法

SIFT(Scale Invariant Feature Transform)是目前最流行的局部特征提取及匹配算法.但传统SIFT算法采用欧氏距离来度量特征之间的SSD(Sum of Square Differences)并进行匹配,而传统的欧氏距离不能使高维特征向量恢复到具有低维的几何结构,导致错误匹配.为了克服这缺点,利用扩散距离代替欧氏距离进行匹配,然后使用随机抽样一致从候选匹配中排除错误的匹配.实验表明:该方法在图像形变、光照变化和图像噪声方面优于原方法.