一种基于投影不变量的目标交接改进方法

在多摄像机视频监控系统中,图像之间的视点对应以及目标的交接是重要的研究内容。不需要标定摄像机的参数,该文提出了一种利用尺度不变特征变换（SIFT：scale-invariant features transform）及融合颜色信息的投影不变量实现目标交接的方法。利用SIFT方法自动生成图像间匹配的特征点对,并由此生成视野分界线,然后利用融合颜色信息的投影不变量方法完成对多摄像机之间目标身份的确认。     

一种基于特征匹配的目标入侵检测方法

视频监控中常用云台摄像机监控视场较大的区域.对于云台摄像机跟随拍摄的情况,提出了一种基于特征匹配的目标入侵检测方法.通过提取的尺度不变特征变换(SIFT)特征点对,将当前图像和全景图像进行匹配,从而得到当前图像和全景图像投影关系,再将当前图像的坐标系变换到全景图像下,最后运用差分法,找到入侵目标.实验结果表明,即使当前图像与全景图像存在尺度、缩放、形变等差异,通过本方法也可正确地检测出入侵目标.     

星球漫游车超广角实时立体视觉系统

给出了一种用于星球漫游车障碍检测和定位的超大视场立体视觉系统的实现方法. 该系统采用具有超广角镜头(对角视场角约160度)的双目或三目摄像机获取场景立体图像 对,利用摄像机标定参数对大变形图像进行修正等预处理,然后在外极线、连续性等约束条 件下,基于查找表和Intel MMx指令集,使用SAD算法快速进行对应点匹配计算.实验表 明,该系统在图像分辨率为320×120像素、视差为64级时,利用普通工控机恢复稠密深度 图的速度为10帧/秒,并能使机器人以1米/秒的速度行走.     

基于显微视觉的微小型零件跟踪系统

微装配过程中的运动目标跟踪是一个新兴的研究方向。构建了一个由CCD相机、显微镜头、电控云台和图像处理模块组建的、针对微小型零件的显微视觉跟踪系统。为克服显微视场范围小的局限性,提出一种基于SIFT特征点的模板匹配和Kalman预测相结合的跟踪算法,通过Kalman预测实现在局部范围内的模板匹配,利用SIFT特征对模板匹配的结果进行校正和更新。实验结果表明：提出的跟踪算法能得到稳定的目标局部特征,并准确地跟踪到目标,对亮度变化、成像模糊等影响因素有较强的适应能力。     

一种改进的SIFT特征匹配算法

针对尺度不变特征变换(SIFT)特征匹配算法存在计算量大、复杂度高的问题,提出一种基于图像Radon变换的改进SIFT特征匹配算法。改进算法在图像的SIFT特征点采样区域内作d条不同方向的直线,以d条直线上的图像Radon变换作为SIFT特征向量描述符,降低SIFT特征向量的维数,从而提高特征匹配效率。实验结果表明,改进算法具有较高的匹配精度和较少的匹配时间,适用于虚拟场景漫游或目标识别等实时性要求较高的系统。     

基于张量投票的摄像机自标定方法研究

针对传统的基于Kruppa方程摄像机自标定算法的欠鲁棒性,首次提出将鲁棒的张量投票算法用于摄像机自标定方法中。利用基于尺度不变的SIFT算法查找并匹配出每对图像的特征点,其中待匹配图像由摄像机对同一场景从三个不同角度位置拍摄,对图像张量投票后按棒张量特征值降序排序,由此筛选得到具有鲁棒性边缘特征的前八对特征点,利用八点算法求解相应的基础矩阵和极点,根据Kruppa方程和三维重建（SFM）算法求得摄像机参数矩阵。实验结果证明,该方法具有较高标定精度,并通过加入高斯噪声的仿真实验证明该算法是一种鲁棒的摄像机自标定方法。     

基于改进SIFT的图像拼接算法

针对基于SIFT算法的图像拼接中算法复杂度过大和特征点匹配不准的问题,提出了用CS-LBP算子结合SIFT特征点生成特征描述符以及特征双向匹配的图像拼接算法。首先提取SIFT关键点,对每个关键点生成81维的CS-LBP特征描述子,然后利用特征向量双向匹配策略寻找符合特征匹配关系的匹配点对完成粗匹配,最后再利用RANSAC算法计算待拼接图像之间的变换矩阵,从而实现图像的拼接。实验结果表明,该方法能够有效地减少运算量,加快运算速度,拼接效果也较为理想。     

基于视差和SIFT的双目视觉移动目标识别和追踪的研究

开展基于视差和尺度不变特征变换(SIFT)的双目视觉移动目标识别和追踪的研究。首先采用基于梯度的立体匹配算法得到较准确的左右视图视差映射,其次通过视差映射提高基于SIFT特征的左右视图运动目标的匹配精度,最后利用视差映射和区域增长的方法相结合分别在左右视图完成运动目标的追踪。实验结果表明,基于视差信息和SIFT的双目视觉移动目标识别与追踪算法具有很好的准确性,能够在连续视频中完成左右视场中对同一物体的追踪。     

改进SIFT匹配的动态背景下运动目标检测算法

无人机/车载运动目标检测与识别系统由于存在摄像机运动,使得场景中的背景与前景目标同时发生运动,增加了运动目标检测的难度。目前,动态背景下运动目标检测的主要方法是利用特征点的运动估计来补偿背景的运动。针对尺度不变特征变换(SIFT)特征匹配算法存在耗时长、误匹配率大,使得背景运动估计不准确,进而影响运动目标检测效果。提出了一种改进的SIFT特征匹配算法——先剔除容易丢失的边缘特征点,再利用最近邻点与次近邻点的欧式距离比确定匹配点,并用RANSAC删除运动目标上和误匹配点对,进一步实现背景运动的准确估计,从而检测得到运动目标的准确位置。试验结果表明:改进的特征点匹配算法在匹配准确度和运算速度上均优于传统SIFT特征匹配算法的性能。最终,通过背景补偿,有效消除了相机运动引入的动态误差,提高了运动目标检测的实时性和精度。     

基于全局颜色传递的SIFT匹配算法

研究在不同光照条件下两幅彩色图像的匹配问题,提出了一种新的基于全局颜色传递的具有尺度不变性的特征变换（SIFT）匹配算法。新算法对不同光照下同一场景或目标的两幅彩色图像进行全局颜色传递,以减小匹配时由颜色差异带来的误差;利用SIFT算法提取处理后的图像的特征信息完成初步匹配;采用随机抽验一致性（RANSAC）算法消除误匹配点。实验结果表明新算法具有良好的彩色图像匹配性能。     

基于特征点匹配的全景图像拼接技术研究

提出了一种基于特征点匹配的全景图像拼接算法,首先提取各图像中的SIFT特征,通过特征点匹配完成两幅图像的配准;再根据图像配准结果计算出图像间的变换矩阵;最后采用渐入渐出加权平均的融合方法对两幅图像进行无缝拼接。实验表明,该算法具有匹配精度高、鲁棒性强等特点,可以快速而自动地生成全景图像。     

基于标准化欧式距离的双向特征匹配算法研究

基于特征的匹配算法是图像配准的重要内容,针对传统SIFT匹配法存在的重复匹配、多对一匹配、正确率不高等问题,本文提出了基于标准化欧式距离的双向特征匹配算法。该算法首先通过SIFT算法对特征点进行提取,然后用标准化欧氏距离对特征描述符进行度量,接着采用双向特征匹配算法对特征点进行匹配,最后以RANSAC算法对匹配对进行提纯。实验结果表明,使用标准化欧氏距离进行双向匹配,具有更高的准确率。     

基于单目视觉的机器人Monte Carlo自定位方法

针对单目视觉机器人定位问题,提出一种基于改进的尺度不变特征变换(SIFT)的Monte Carlo自定位方法.应用改进的SIFT方法提取特征,既能保证对图像光强变化、尺度缩放、三维视角和噪声具有不变性,又能减少SIFT算法产生的特征点及其抽取和匹配的时间.在机器人移动过程中,环境特征点的观测信息和里程计信息通过粒子滤波相融合,获得了更准确的环境标志点坐标.仿真实验结果验证了该方法的有效性.     

基于Ncut的SIFT特征匹配算法

经典尺度不变特征变换(SIFT)特征匹配算法存在实时性差、纹理相似区域易发生误匹配的问题。为此,提出一种基于归一化分割(Ncut)的SIFT特征匹配算法。针对相同背景的运动视频,将归一化分割算法的图论聚类思想融入SIFT特征匹配中,根据运动趋势相似度对特征点进行Ncut运动聚类,再逐类分别匹配,通过缩小各特征点匹配过程中的搜索范围,减少匹配时间及不同特征类之间的误匹配。实验结果表明,该算法能提高匹配效率,对纹理相似区域的误匹配现象有较好的抑制作用,实现了相邻图像帧的特征稳定匹配。     

改进的SIFT邻域投票图像匹配算法

针对传统图像匹配算法在几何差异场景下匹配精度低的问题,提出一种改进SIFT特征描述符和邻域投票相结合的图像匹配算法。使用8个邻域像素的平均值代替原始极值点,通过SIFT提取图像中的特征点,利用Sobel算子计算特征点的梯度幅度和方向,结合8个仿射形式的同心圆邻域生成64维描述符,根据欧氏距离确定初始匹配点,采用邻域投票的方法剔除错误的匹配点,实现图像的精确匹配。实验结果表明,该算法在显著提高匹配精度的同时缩短了匹配时间,对复杂场景的匹配性能明显提升。     

动机器人视觉图像特征提取与匹配算法*

针对移动机器人导航过程中视觉图像处理速度慢以及特征点提取与匹配实时性和准确性差等特点,提出了一种基于SIFT特征提取算法与KD树搜索匹配算法相结合的新方法,通过对候选特征点进行多次模糊处理,使其分布在高斯差分图像的灰度轮廓线边缘,利用SIFT特征提取算法找到满足极限约束的极值点;通过KD树最邻近点搜索和匹配算法使处理后的特征点与原始图像进行特征匹配,快速找出匹配正确的特征点。实验证明,该方法对环境光照、视野角度频繁变化的环境具有较强的鲁棒性,能够满足移动机器人自主导航过程中对视频图像处理的实时性和准确性     

肌骨超声图像特征检测及拼接

目的 肌骨超声宽景图像易出现解剖结构错位、断裂等现象,其成像算法中的特征检测影响宽景图像的质量,也是超声图像配准、分析等算法的关键步骤,但目前仍未有相关研究明确指出适合提取肌骨超声图像特征点的算法。本文利用结合SIFT （scale invariant feature transform）描述子的FAST（features from accelerated segment test）算法以及SIFT、SURF（speeded-up robust features）、ORB（oriented FAST and rotated binary robust independent elementary features（BRIEF））算法对肌骨超声图像序列进行图像拼接,并对各算法的性能进行比较评估,为肌骨超声图像配准、宽景成像提供可参考的特征检测解决方案。方法 采集5组正常股四头肌的超声图像序列,每组再采样10幅图像。利用经典的图像拼接算法进行肌骨图像的特征检测以及图像拼接。分别利用上述4种算法提取肌骨超声图像的特征点;对特征点进行特征匹配,估算出图像间的形变矩阵;对所有待拼接的图像进行坐标变换以及融合处理,得到拼接全景图,并在特征检测性能、特征匹配性能、图像配准性能以及拼接效果等方面对4种算法进行评估比较。结果 实验结果表明,与SIFT、SURF、ORB算法相比,FAST-SIFT算法所提取的特征点分布更均匀,可以检测到大部分肌纤维的端点,且特征点检测时间最短,约4 ms,其平均匹配对数最多,是其他特征检测算法的25倍,其互信息和归一化互相关系数均值分别为1.016和0.748,均高于其他3种特征检测算法,表明其图像配准精度更高。且FAST-SIFT算法的图像拼接效果更好,没有明显的解剖结构错位、断裂、拼接不连贯等现象。结论 与SIFT、SURF、ORB算法相比,FAST-SIFT算法是更适合提取肌骨超声图像特征点的特征检测算法,在图像配准精度等方面都具有一定的优势。     

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。     

一种基于尺度不变特征点的运动目标检测算法

针对PTZ（Pan/Tilt/Zoom）摄像机的运动目标检测,提出了一种基于尺度不变（Scale Invariant Feature Transform, SIFT）特征点的运动补偿解决方案．首先,采用相邻两幅图像特征点匹配的方法获得运动补偿,从 而解决了PTZ 摄像机的自主运动带来的问题;然后利用时间差分法得到运动目标的区域;最后利用形态学中 的腐蚀和膨胀方法去除噪声．测试结果验证了算法的实用性和有效性．