基于RANSAC的PCA-SIFT立体匹配方法研究

针对传统的SIFT (Scale-Invariant Feature Transform)匹配算法数据量大,耗时长的问题,采用主成分不变特征变换PCA-SIFT (Principal Component Analysis, PCA)匹配算法。PCA-SIFT匹配算法将传统SIFT算法中的直方图法换做主元分析法,降低了传统SIFT特征描述符的维数,减少了数据量,提高了匹配效率。首先提取出两幅待匹配图像中的所有特征描述子,其次将提取出的特征描述子采用距离比阈值筛选出匹配点对,再采用RANSAC (Random Sample Consensus)法消除错配,最后得到精确的匹配结果。实验结果表明,PCA-SIFT + RANSAC算法较稳定、精确、快速。

双目实时目标三维测量实现方法的研究

为了解决目标匹配困难、匹配效率低等问题,提出了一种基于双目立体视觉的实时目标特征匹配算法——绝对窗口误差最小化(CAEW).首先,在研究摄像机基本原理后利用张氏标定法解决摄像机的标定,并对最终标定数据采用Bouguet算法进行双目立体校正;然后,利用Ada Boost迭代算法训练目标检测器实现目标检测.将CAEW算法与常用的尺度不变性的特征点检测和匹配(SURF)的效果评估进行比较分析,结果显示CAEW算法的效果评估能达到90%以上,这一指标有明显提高,可以很好地满足双目实时目标匹配的需求.通过CAEW与SURF算法实验对比,进一步说明了减少不必要的全局性图像像素点处理可以提高匹配速度.