几何约束下虚拟人脸重复视觉特征点匹配研究

为最大程度地减少虚拟人脸特征点的误匹配,文中研究几何约束下虚拟人脸重复视觉特征点匹配方法。首先,利用高斯滤波构造虚拟人脸图像的多尺度空间,结合形状变更指数检测虚拟人脸在多尺度空间的重复视觉特征点;然后,采用基于动态特征矩阵求解(DFMS)的特征点匹配方法,完成重复视觉特征点初始匹配后,依据匹配点对的连接线距离、斜率一致的特点,构建最佳几何约束,有效删除错误匹配点对;最后,经RANSAC算法进行二次过滤后,实现了虚拟人脸的重复视觉特征点最佳匹配。实验结果显示,所提方法可在虚拟人脸的关键位置检测到重复视觉特征点,并最大程度地删除误匹配点对,实现重复视觉特征点的精准匹配。

基于特征点配准的真伪卷烟商标纸鉴别

为提高真伪卷烟商标纸鉴别的准确性和效率,降低鉴别的经验要求和主观性,提出一种基于特征点配准的真伪卷烟商标纸鉴别方法。使用一致的标准扫描采集卷烟样品图像,基于尺度不变特征转换算法提取图像特征点,通过特征匹配和基于单应性变换的图像配准获取判别预测变量。采用逻辑回归、梯度提升分类决策树算法构建二元分类模型对图像样本进行训练和评估。在64个卷烟规格、2 918个样本数据集上进行实验,该方法准确率高于95%。通过对比实验验证了该方法的稳定性和有效性。

融合渐进式策略的轻量化特征点提取与匹配方法

针对基于SuperPoint网络的特征匹配方法在光照、姿态、角度等挑战下,特征点提取准确率低、计算参数量大的问题,提出了一种融合渐进式策略的轻量化特征点提取与匹配方法。首先,利用深度可分离卷积对SuperPoint网络进行结构调整,以降低模型参数计算量;其次,在特征提取部分搭建注意力模块增强网络在空间上的特征提取能力,并设计渐进式多尺度特征融合模块捕获目标细节,增强特征的表达能力;最后,利用SuperGlue算法对所得到的特征点进行匹配。在Hpatches数据集上进行实验分析,实验结果表明,所提算法在光照变换场景下匹配平均准确率(mAP)和特征点重复度(Rep)达到了86%和70%,在视角变换场景下mAP和Rep达到了78%和68%。所提算法不仅在特征匹配中表现出一定的优势,同时将其应用于视频拼接中也获得了较好的效果。

基于多类别特征点匹配的紧耦合激光惯性里程计

针对现有的激光SLAM在室外动态场景建图时,LiDAR数据存在运动畸变、地面采样数据稀疏造成激光里程计精度低的问题,提出了一种基于多类别特征点匹配的IMU紧耦合里程计方法。首先,从原始点云数据入手,通过IMU数据对每一帧LiDAR数据进行线性插值校正畸变点云,以提高LiDAR数据的质量;其次,对畸变校正后的点云进行2D网格投影,根据每个网格与其相邻网格的最小高度平均值大小,利用双阈值将网格中点云划分为地面点和非地面点,再根据局部特征的线性度、平面度、曲率等,将非地面点进一步划分得到多类别特征点;再次,对多类别特征点匹配的IMU紧耦合进行建模,考虑到原本的LiDAR观测误差无法提供高精度的重力矢量估计,引入IMU状态估计,构建里程计误差函数,使得重力矢量估计得到进一步约束,抑制了重力矢量方向上的漂移,有效提升了激光里程计的精度;最后,基于LeGO-LOAM框架设计了基于多类别特征点匹配的IMU紧耦合激光里程计,并完成了验证系统的搭建。实验结果表明,该方法能有效抑制重力矢量方向上的漂移,提高激光里程计的精度。

基于SIFT特征点提取的ICP配准算法

为解决传统迭代最近点(ICP)算法对点云配准的起始点对选择不佳而导致配准时间长、效率低的问题,提出一种基于尺度不变特征变换(SIFT)特征点提取的ICP点云配准算法(ST-ICP)。首先使用SIFT算法进行原始点云与目标点云的SIFT特征点提取,根据提取特征点完成快速点特征直方图(FPFH)特征运算,通过采样一致性初始配准算法(SAC-IA)搜索对应点对、求解变换矩阵,再进一步运用ICP算法进行点云精细配准。实验结果表明:与ICP算法相比较,ST-ICP算法的配准误差在迭代次数为5次时减小了1.019 cm,迭代次数为10次时减小了0.443 cm;在配准误差达到10^(-2) cm级别时,ST-ICP算法所用时间比传统ICP算法减少了12.829 s。ST-ICP算法优化了对应点对的选择,提升了配准精度和配准效率。

基于MaxViT和改进几何特征点法的车载单目视觉测速方法研究

车载视觉测速技术作为自动驾驶车辆组合测速技术的重要组成,具有硬件成本低、算法拓展性强、低速下测量准确等特点,应用前景广阔。为进一步提高视觉测速算法在各类工况下的精度和鲁棒性,将几何特征点法在特征点充足时测速精度高和深度学习方法在多场景下测速稳定的优势进行结合,提出一种基于MaxViT和改进几何特征点法的车载单目视觉测速算法。该算法构建基于双输入MaxViT网络和改进几何特征点法的双通道,并行处理车载前视相机获取的连续3帧输入图像序列,滚动估计车辆当前速度,其中双输入MaxViT网络差异化提取图像不同区域的光流特征,估计当前速度所在的置信度为90%的速度区间,改进特征点法基于特征点运动计算当前速度估计值。当速度估计值落在双输入MaxViT网络估计的速度区间时,以该估计值作为实时车速测量值,否则以速度区间中值作为实时车速测量值。当算法迭代运行多帧后,将速度区间中值作为本帧速度输出以减小累积误差。使用6个车速小于40 km/h且包括加减速等工况与直弯道等场景的自建数据集进行实验验证,以理论测速精度0.1 m/s的GPS速度信号为参考速度,本文方法平均相对测速误差少于1.37%,最大相对测速误差少于6.13%。实验结果表明,提出的新方法有效提高了车载视觉测速精度与鲁棒性,可为多元车载视觉测速方法融合提供理论支撑。

基于特征点改进的视觉SLAM定位研究

为改善视觉SLAM系统在低纹理环境下定位精度较低的现象,提出一种改进的ORB特征点提取策略和一种关键帧选择机制;首先采用多尺度分析和基于局部灰度的特征检测方法克服一般ORB算法缺乏尺度和旋转描述的缺点;其次提出一种基于高斯模糊的图像信息增强方法解决传统ORB特征点提取方法在纹理信息不被突出环境下容易失效的问题,并对图像进行象限分割使特征点均匀分布;最后为剔除劣质关键帧,设计了一种综合时间因素与特征点数量因素的关键帧选择机制;将提出的方法移植到ORB_SLAM2上,并在TUM数据集上测试,实验结果表明,视觉SLAM系统的定位误差平均降低14.688%,证实了该方法的有效性。

仿人眼双目图像特征点提取与匹配方法

模仿人眼的视觉特性已成为机器迈向智能感知、智能认知的研究热点和难点。图像边缘蕴含着丰富的信息,因此人眼对场景中物体的边缘更加敏感。为在机器上实现这一视觉特性,提出了一种仿人眼双目图像特征点提取与匹配方法。首先选择边缘特征提取能力突出的SUSAN(small univalue segment assimilating nucleus)算子作为特征检测器;然后改进尺度不变特征变换(scale-invariant feature transform,SIFT)描述子的采样邻域,减少远离特征点的梯度信息因视点和视角差异带来的匹配误差,保留靠近特征点的主要梯度信息;随后对输入图像建立多尺度结构,在不同尺度上计算同一特征的主要梯度信息;最后利用平方根核比较梯度信息的相似性,生成多尺度描述子,增强描述向量的独特性。实验采用多种评价指标分别对提出的多尺度描述子和整体算法进行评估,并与经典的SIFT、SURF(speeded up robust features)、Root-SIFT等算法和先进的BEBLID (boosted efficient binary local image descriptor)、SuperGlue、DFM等算法进行对比。结果表明:提出的多尺度描述子能够提高边缘特征点的匹配准确率,并对光照变化具有更强的适应能力,体现出更好的匹配稳定性;与其他算法相比,本算法具有更高的匹配准确性。

多算法融合的高性能稀疏特征点匹配研究型实验设计

影像间特征点匹配是图像处理领域的基础问题,是实现目标识别、影像拼接、三维重建、机器视觉等功能的基础。针对基于深度学习的SuperPoint特征点匹配算法具有很强的特征描述能力但特征点检测精度不高的问题,提出将SIFT亚像素特征点检测算法与SuperPoint特征描述相结合,改进SuperPoint提取的特征点精度,同时保留其强大的特征描述能力,最后通过SuperGlue特征匹配网络实现特征点的匹配筛选,从而得到多算法融合的高性能稀疏特征点匹配算法。实验测试结果表明,新方法获得的匹配点对数量是SIFT匹配算法的2.04倍,且对称极线距离小于等于10^(-4)的匹配点对比例较SIFT匹配算法提高了7.2%,对比其他ORB、SuperPoint等经典算法,新算法总体性能有一定提升。

基于多层次自注意力网络的人脸特征点检测

人脸特征点检测是人脸图像处理的关键步骤之一,常用检测方法是基于深度神经网络的坐标回归方法,具有处理速度快的优点,但是用于回归的高层次网络特征丢失空间结构信息,且缺乏细粒度表征能力,导致检测精度降低。针对该问题,提出一种基于多层次自注意力网络的人脸关键点检测算法。为提取更具有细粒度表征能力的图像语义特征,构建基于自注意力机制的多层次特征融合模块,实现高层次高语义信息特征和低层次高空间信息特征的跨层次特征融合。在此基础上,设计一种多任务学习人脸特征点检测定位与人脸姿态角估计的训练方式,优化网络对人脸整体朝向姿态的估计,以提升特征点检测的准确性。在人脸特征点主流数据集300W和WFLW上的实验结果表明,与SAAT、AnchorFace等方法相比,该方法有效提升网络的检测精度,标准平均误差指标分别为3.23%和4.55%,相较于基线模型降低0.37和0.59个百分点,在WFLW数据集上错误率指标为3.56%,相较于基线模型降低了2.86个百分点,能够提取更具鲁棒性和细粒度的表达特征。

一种特征点权重自适应优化的动态SLAM算法

针对传统的同步定位与地图构建(SLAM)在动态场景中位姿估计准确率低、鲁棒性差的问题,提出一种基于特征点权重自适应优化的动态视觉SLAM算法。首先,利用掩膜区域卷积神经网络(Mask R-CNN)对输入图像进行语义分割并获取动态特征点掩码,在此基础上对静态特征点进行帧间匹配得到位姿变换初值;然后利用运动一致性检测算法和多视图几何算法处理图像并分别得到对应的动态特征点掩码,进而依据得到的3种动态特征点掩码信息构建特征点权重函数,利用最小化重投影误差自适应调整特征点对位姿优化的影响程度,降低场景中的动态目标对SLAM精度的影响;最后使用慕尼黑工业大学动态数据集进行仿真测试,在室内高动态场景中,绝对轨迹误差(ATE)的均方根误差值(RMSE)仅为尺度不变特征变换同步定位与地图构建(ORB-SLAM2)的3.1%。与DS-SLAM、DynaSLAM等动态SLAM系统相比,绝对轨迹误差分别为DS-SLAM的52%、DynaSLAM的86.1%。结果表明,该算法可以显著提高SLAM系统在高动态环境下的定位精度和鲁棒性。

面向弱纹理空间目标的特征点匹配方法

特征点提取与匹配是遥感图像处理中关键的一环,目前成熟的算法大多面向对地成像类型的遥感图像,对于空间目标的遥感图像,没有考虑成像条件与探测平台的影响因素,特征点匹配质量较差。针对空间目标的匹配精度不高这一问题,文章提出了一种基于聚类的特征点匹配算法。首先,根据空间目标的重复弱纹理进行特征点提取与描述,再利用特征点的空间位置进行聚类,并对特征点簇进行匹配;之后将特征点的主方向减去目标整体方向,利用特征点主方向对每一个点簇进行再分组,并完成特征点匹配;最后利用最近邻次近邻比率方法和随机样本一致算法(RANSAC)剔除外点。采用该特征点匹配方法进行的模拟成像数据实验结果表明,对于空间目标图像,基于聚类的特征点匹配较直接匹配,匹配数量的提升最高可达50%,重投影误差优于1/4个像元。文章提出的这一方法使用目前通用的各种特征描述子,能够大幅度提高空间目标图像特征点匹配的数量与精度。

薄板小间隙对接焊焊缝特征点的识别

针对薄板小间隙对接焊焊缝特征点检测问题,应用了一种基于Labview的Shi-Tomasi角点检测算法,根据线激光照射到焊缝表面形成间断的激光条纹,采用图像预处理以及图像形态学变换的方法得到便于进行焊缝角点检测的焊缝图像,然后运用Shi-Tomasi角点检测法对焊缝图像进行角点检测,从而确定出焊缝特征点的位置。通过Labview进行了焊缝特征点识别程序的编写,并在厚度为2mm,焊缝间隙分别为0.3mm、0.4mm、0.5mm、0.6mm的铝合金薄板上进行了特征点识别检测,误差范围不超过0.15mm。结果表明,Shi-Tomasi角点检测算法相较于传统角点检测算法可以更加快速准确的提取到焊缝特征点的位置。

联合目标检测与深度信息的动态特征点去除方法

针对在动态环境中,视觉定位系统的定位精度和鲁棒性容易受到动态特征点影响的问题,提出了一种联合目标检测与深度信息的动态特征点去除方法.引入YOLOv7目标检测网络快速获得当前图像帧的目标类别及位置信息,加入坐标注意力(coordinate attention,CA)机制优化深度学习模型,提升网络目标检测精度.此外,提出了一种利用深度信息和对极几何约束的动态特征点优化策略.有效剔除了动态特征点,同时保留了尽量多的静态点,从而降低了动态点对系统定位精度和鲁棒性的影响.在公开的数据集TUM上进行实验验证.结果表明:与ORBSLAM2(oriented fast and rotated brief-SLAM)相比,所提方案在定位精度和鲁棒性上有明显优势.同时与动态同步定位和地图构建(dyna simultaneous localization and mapping,DynaSLAM)相比,定位精度基本持平,但在运行速度上实现了显著提升.

基于最大图像熵Gamma校正估计的图像特征点检测和匹配方法

提出一种基于最大图像熵Gamma校正估计的图像特征点检测和匹配方法。通过预处理算法来增强图像的对比度,将其应用于图像特征点的检测和匹配。在预处理阶段,首先采用对数函数对图像进行归一化,根据设定的阈值将图像分为明亮和黑暗分量;然后分别对两个分量自适应地选择不同的参数进行Gamma校正,并且确定使其熵最大化的校正参数为每个分量的最佳参数;最后将上述参数应用于Gamma校正生成对应原始图像明亮和黑暗区域的矫正图,并进行融合生成增强的图像。对预处理完的图像进行特征点检测和匹配实验。研究结果表明:所提出的算法相较于未处理算法、HE和自适应Gamma算法,特征点检测后的匹配数量在欠曝光图像上分别提升85.7%、26.4%和15.2%,在过曝光图像上分别提升59.4%、12.2%和103.8%。匹配效果也有较明显提升。

基于特征点位置约束的三维激光移动测量位姿改正方法

准确的导航定位信息是激光移动测量系统获取高精度点云的基础,但导航定位系统在短时段失效情况下会导致观测点位置信息不准确,从而无法获得准确的点云数据。为此,提出一种基于特征点位置约束的激光移动测量位姿改正方法,利用导航定位系统失效时段前后测量得到的少量特征点位置信息,构建基于不同时刻特征点配准的位姿改正模型,将导航定位系统失效时刻的观测点位置和姿态作为待估参数进行最小二乘解算,实现位姿参数恢复和点云重构。结果表明,采用基于特征点位置约束的位姿改正方法,导航定位系统短时段失效情况下的点云坐标中误差从米级改正到了分米级,对于提升组合导航系统稳定性和点云移动测量精度有重要的参考价值。

反射光干扰激光图像的多层次特征点识别研究

由于反射光干扰激光图像复杂性较强,噪声较多,导致反射光干扰激光图像多层次特征点识别精度和效率较低。为此,提出了一种反射光干扰激光图像的多层次特征点识别研究。根据反射光干扰激光图像的特点计算相邻点的斜率,筛选有效激光数据。采用数据曲率算法改变反射光干扰激光图像之间的距离,剔除有效反射光干扰激光图像噪声,完成滤波平滑处理。利用Mask R-CNN对滤波处理后的反射光干扰激光图像有效激光数据噪声进行检测,通过损失函数提取Mask R-CNN不同层级的特征点信息,以此完成反射光干扰激光图像多层次特征点识别。测试结果表明,所提方法的多层次特征点识别结果较好,可以识别出全部的多层次特征点,有效激光数据筛选最大误判率为0.4%,多层次特征点识别率高于95.25%,最高识别时间为22 ms。

VSLAM系统中的快速特征点匹配算法

连续图像帧之间特征点匹配是视觉同步定位与建图(VSLAM)技术的关键技术;针对VSLAM系统中连续图像帧之间特征点匹配耗时且精度低的问题,一种基于局部像素运动模型的快速特征点匹配算法(LPMM)被提出;该算法基于运动平滑约束假设,利用连续图像帧中局部区域内的像素点的运动具有一致性这一特性,将图像划分成局部网格区域后利用每个网格中的部分特征点估算该网格区域的运动向量,并以此为基础,计算下一帧匹配特征点的搜索范围的中心点;最终在计算出下一帧的中心点的局部邻域内搜索与当前帧的特征点相匹配的特征点;实验结果表明,所提出的匹配算法与广泛使用的ORB-SLAM2中的投影匹配算法相比,平均匹配速度提高50%以上,匹配精度提升了约4%。

基于复合滤波的弹箭目标特征点提取方法

为解决低信噪比条件下,小波变换难以提取雷达弹箭目标特征点时刻的难题,提出一种包含3层滤波结构的复合滤波方法。通过STFT滤波、巴特沃斯带通滤波和小波变换,滤除噪声和弹箭主目标信号,大幅提升低信噪比条件下特征点时刻在小波重构波形的可检测度,扩展了小波变换在雷达弹箭目标特征点提取的应用范围。通过实例应用和数据比对,验证了该方法的有效性。

特征点法与光流跟踪融合的视觉里程计算法

针对视觉里程计中特征点法因计算量大而导致实时效果不好的问题,提出了一种特征点法与光流跟踪融合的算法。首先,通过度量运动大小的视差阈值和地图点的跟踪衰减系数作为筛选策略选取关键帧;其次,仅对关键帧中的特征点计算描述符,而对于非关键帧中的特征点则是通过基于图像金字塔的稀疏光流法建立起关键点间的对应关系,从而降低计算量;最后,通过最小化重投影误差得到当前帧的位姿估计。通过实验测试证明,该算法的定位精度与ORBSLAM2相当,但运行速度可提高70%以上,实时性明显优于ORBSLAM2算法。