RBFD:一种鲁棒的图像局部二值特征描述子

针对传统浮点型特征描述子占用空间大、匹配速度慢的问题,提出一种基于梯度统计信息比较的局部二值特征描述子.通过对比特征点邻域梯度统计信息生成二值特征描述子,再利用多邻域和多分块策略提高描述子判别力,最后通过近似简化的Ada Boost算法实现描述子降维.实验结果表明,与已有描述子相比,文中提出的描述子在实现快速生成的同时其鲁棒性更强.     

基于一种快速鲁棒特征描述子的图像匹配

基于一种快速鲁棒特征描述子进行图像特征点之间的匹配。此方法基于积分图像,使用快速Hessian检测子来提取图像特征点。对每个特征点,通过计算Haar小波,来寻找它的主方向。然后构造窗口区域,以主方向和与主方向垂直的方向上的小波和来描述特征点。最后以特征描述向量的距离为标准寻找不同图像之间的特征匹配。     

基于多尺度支撑域描述子的多光谱图像匹配算法

针对现有多光谱图像匹配算法鲁棒性不强的问题,提出一种新的基于多尺度支撑域描述子的多光谱图像匹配算法。该算法首先提取Harris角点作为特征点;然后分别统计特征点不同尺度邻域内的边缘方向直方图,组合构成特征描述子;以欧氏距离为相似度准则,使用比值法获得初始匹配结果;最后提出了一种基于RANSAC算法的外点去除算法。实验结果表明,该算法可有效匹配多光谱图像,且与已有算法相比鲁棒性更强,获取的正确匹配对更多。     

LoVPE 3维局部特征描述子

目的 局部特征描述子在3维目标识别等任务中能够有效地克服噪声、不同点云分辨率、局部遮挡、点云散乱分布等因素的干扰,但是已有3维描述子难以在性能和效率之间取得平衡,为此提出LoVPE（局部多视点投影视图相关编码）特征描述子用于复杂场景中的3维目标识别。方法 首先构建局部参考坐标系,将世界坐标系下的局部表面变换至关键点局部参考坐标系下的局部表面;然后绕局部参考坐标系各坐标轴旋转K个角度获得多视点局部表面,将局部表面内的点投影至局部参考系各坐标平面内,投影平面分成N×N块,统计每块内投影点的散布信息生成特征描述向量;最后将各视点特征描述向量进行两两视图对相关编码得到低维度特征描述向量,采用ZCA（零项分量分析）白化降低特征描述向量各维间相关性得到LoVPE描述子。结果 在公用数据集上进行不同描述子对噪声、不同分辨率、遮挡及杂波等干扰鲁棒性的特征匹配实验,实验结果表明,提出的描述子特征匹配率与现有最佳描述子处于同等水平,但保持了较低的特征维度和较高的计算效率,维度降低约1半、特征构建及特征匹配时间缩短为现有最佳描述子的1/4。结论 提出一种新的3维局部特征描述子,具有强描述能力,对噪声、不同网格分辨率、遮挡及杂波等具有强鲁棒性,存储消耗较少且计算效率较高,该方法适用于模型点云及真实点云数据,可用于复杂场景中的3维目标识别。     

一种颜色仿射变换下的局部特征描述子

提出一种颜色仿射变换下局部特征的描述子,它分别处理特征点邻域内每个像素的RGB 3个颜色通道,并利用仿射不变量计算每个颜色通道的仿射梯度;为控制特征点处描述子的维数,根据邻域内像素到特征点的距离和相对特征点主方向的角度对特征点邻域内的仿射梯度进行累加,构成局部特征点的特征描述子.所提出的特征描述子增强了特征点对光度变化和仿射变换的不变性,提高了图像局部特征匹配的准确度;并通过一组典型图像的特征点匹配实验验证了其有效性.     

均值规范化对比度的局部特征描述符

目的 针对SIFT（Scale Invariant Feature Transform）特征描述方法存在特征维数高,计算效率低等问题,提出一种快速的,低维数的局部特征描述方法,即MN-CCH（Mean Normalized Contrast Context Histogram）。方法 该方法首先对局部特征区域内的像素进行均值规范化处理,得到局部特征区域的规范化对比度值。然后,在极坐标下以主方向为基准,将局部特征区域划分成32个子区域,统计每个子区域的正负对比度直方图。最后,对统计结果进行归一化消除线性光照的影响,得到64维的MN-CCH描述向量。结果 在图像变换数据集和小型图像检索数据库上的实验结果表明,64维的MN-CCH描述子可以达到与128维SIFT相当的匹配性能和相同的检索准确率,在描述子生成和匹配效率上明显优于SIFT方法,而且与同维数的CCH相比性能有明显的提高。结论 MN-CCH描述子在保留与SIFT相当性能的前提下,具有特征维数和计算效率的优势,更适合在一些对计算和存储资源要求较高的应用（如机器人导航,视觉SLAM等）中使用。     

基于平稳小波变换和亮度序的局部特征描述子

局部区域的非线性亮度变化通常会造成局部特征描述子的不稳定。针对该问题,在平稳小波变换和亮度序的基础上,提出一种局部特征描述子。利用Hessian-Affine算子检测仿射协变区域,对检测区域进行平稳小波变换分解,将不同尺度的多个低频子带作为支持区域,多支持区域的使用可以有效地降低图像扭曲带来的不利影响。采用亮度序对支持区域进行区域划分,确保所构造描述子对单调亮度变化具有不变性,并在局部旋转不变坐标系下计算局部特征描述子。实验结果表明,该描述子在视角、线性亮度和JPEG压缩等变化下具有较好的鲁棒性。     

基于局部小波矩的图像匹配算法

该文将图像的视觉不变矩特征引入到图像匹配领域中,通过提取图像的局部小波矩,提出了一种基于局部小波矩的图像匹配算法。并分别对所提出的算法,基于一般不变矩特征的匹配算法有关实验数据进行了对比分析,结果表明了该文所提出算法的可行性和有效性。     

一类基于局部信息的特征描述子的图像检索

基于内容的图像检索准确性大大依赖于低层可视特征的描述。本文提出一类创新的彩色图像空间描述子、纹理描述子、边缘描述子和颜色描述子,空间描述子由局部均值直方图表示,纹理描述子由局部方向差单元直方图表示,边缘描述子由局部极大一极小差直方图表示,颜色描述子由量化HSV模型颜色直方图表示。这四种描述子被用作特征索引,它们对彩色图像,尤其是对具有相对规则的结构或纹理特征的图像具有很强的描述力。实验结果表明,用这种特征索引来检索图像,可以得到比其它基于颜色一空间方法高得多的精确度。     

面向图像匹配的局部特征提取研究进展

图像匹配作为计算机视觉领域的重要研究方向,广泛应用于图像配准、图像融合、变化检测、视觉导航、3D重建、视觉同时定位与地图构建(SLAM)等领域,精确稳健的局部特征提取是实现其高效处理的前提与关键。以图像匹配研究为导向,从传统特征设计到现代特征学习对局部特征提取方法进行了分类总结,首先,为增强对现代局部特征提取方法的理解,重点介绍了基于传统特征设计的相关方法,接着回顾了基于经典机器学习的方法,搭建起传统方法到深度学习方法的桥梁,最后详细讨论了基于深度学习的现代特征提取方法。针对跨传感器、多视角、不同时段环境下的图像匹配需求,全面分析了各阶段主流方法的优缺点,提出了目前存在的问题与挑战,并给出了相应的研究建议,为相关研究人员全面深入理解图像局部特征提取方法并利用深度学习方法对其进行改进提供基础性参考。     

采用旋转匹配的二进制局部描述子

针对二进制描述子主方向计算误差影响图像匹配正确性的问题,提出了一种旋转不变的二进制描述子构造和匹配方法。在以特征点为中心的同心圆周上等间隔选取采样点,按照旋转不变的模式选取采样点对进行灰度值比较,将比较结果连接成二进制串,作为区域的描述子。匹配时比较描述子在所有旋转模式中的汉明距离,取最小值作为描述子的距离,实现不依赖于主方向的旋转不变性。配合多尺度特征检测方法,将采样模式进行缩放,并对图像进行亚像素插值,实现尺度不变性。描述子匹配的实验结果表明,本文方法在旋转,尺度和光照变换下的匹配效果比当前依赖主方向的二进制描述子方法具有更高的鲁棒性。     

基于二进制特征描述器的图像匹配算法

图像特征点匹配在视觉系统中有广泛的应用。针对加速分割测试特征FAST和二进制稳健基元独立特征BRIEF算法中存在的问题进行改进。首先,在FAST算法中使用简化模板提取图像特征点,通过构建图像金字塔实现尺度不变性。接着,根据人类视觉系统原理改进BRIEF算法的点对采样模式,并通过特征点方向的计算实现图像的旋转不变性。最后,使用易于计算的海明距离度量各特征点的相似度实现特征匹配。实验表明,提出的图像匹配算法性能优于其他算法,而且运行速度更快。     

基于视觉注意机制与局部描述子的物体检测

为实现复杂图像场景下的物体检测,提出整合视觉注意机制与局部描述子技术的检测模型.通过计算探测场景的显著图及提取其SIFT局部描述子特征,采用层次化的匹配策略对任务物体与探测场景进行关键点匹配以实现物体检测.该策略能将匹配范围界定于场景中富含物体区分性信息的显著区域,并且匹配的门限也可由这些区域的显著性自适应地调节.定性及定量的对比实验验证了该模型的性能.     

一种基于关联规则的图像特征点匹配算法

针对图像间特征点匹配的SURF算法在图像遮挡、旋转和亮度改变等复杂情况下误匹配率较高的问题,本文提出了一种新的匹配算法.通过分解SURF特征点描述子向量,重新构造了匹配基准,在此基础上运用关联规则的支持度判定策略,提高了复杂情况下图像间特征点匹配的精度.计算机仿真实验表明,与SURF算法相比,本文算法的图像匹配正确率有明显提高.     

一种基于梯度特征列表的机器视觉目标匹配

机器视觉目标匹配中,匹配相似性测量应用特征列表相关算法计算,可有效减少处理时间,并且匹配具有较高的峰值系数和峰值信噪比,可以清晰识别目标。所提出的基于梯度特征列表的机器视觉目标匹配方法,采用梯度特征列表描述图像,对特征像素点非均匀采样,匹配相似测量基于特征像素点梯度归一化互相关,可有效改善特征列表算法性能。     

基于旋转不变特征的SIFT描述子在图像配准中的应用

针对尺度不变特征变换(SIFT)算法中描述子维度高造成配准过程中计算量过大的问题,提出了一种改进的SIFT算法。该算法利用圆形的旋转不变性,以特征点为中心,在近似大小的圆形特征点邻域内构造特征描述子,以每个圆环作为一个子环,每个子环内只有像素位置发生了改变,像素之间其他相对信息是保持不变的。当图像发生旋转时,统计每个圆环内元素的梯度累加值进行排序,生成特征向量描述子,降低了算法的维度及复杂度,把特征描述子的维数从128维降低到48维。实验结果表明,改进算法旋转配准重复率在85%以上;在图像旋转、缩放和光照变化情况下,与SIFT算法相比,平均配准准确率提高5%,平均配准耗时降低30%左右,有效实现了对SIFT的改进。     

采用显著区域匹配的图像拼接算法

将视觉关注模型和均值无缝克隆(MVSC)算法相结合,提出了一种采用显著区域匹配的图像拼接算法。新算法通过改进视觉关注模型提取显著区域,同时利用区域匹配技术实现重叠显著区域的匹配,结合MVSC具有良好的图像融合特性,对图像拼接进行了研究。实验结果表明,该算法不仅可以自动准确地提取显著区域,而且提高了图像匹配的精确度,改善了图像拼接的质量。     

基于主方向梯度的SIFT算法匹配的优化

在相似区域较多的图像匹配时,SIFT（Scale Invariant Feature Transform）算法的匹配计算（KDtree-BBF）较复杂,耗时长,很难满足实时性要求。提出一种改进的匹配算法,将特征点的周围邻域的主方向梯度作为特征之一,采用主方向梯度和欧式距离相结合的计算方法进行特征点的匹配。实验结果表明：改进的算法不仅简单易行,且对图像的旋转、缩放、光照变换均具有良好的鲁棒性,比较原OpenSIFT算法还发现,改进算法的加速比范围为1.046~9.065。     

基于CUDA的图像匹配算法

为解决目前已有的图像匹配算法不适用于对实时性要求很强的应用,提出了PLS（Partial Least Squares）与余弦定理相结合的并行化图像匹配算法。该算法在CUDA架构下,对图像矩阵分块,分块后每个小块图像存入共享存储器处理并提取每个小块图像特征,通过合并后图像特征采用余弦定理计算图像的相似度,从而找出匹配图像。实验表明,CUDA架构下可以实现图像的并行匹配,与CPU上串行匹配相比,时效性提高了百倍以上。