基于分层区域的自适应图像配准算法

针对SIFT(尺度不变特征变换)算法提取的特征点不纯、易受噪声等因素干扰的问题,提出在SIFT算法提取特征点之前对图像进行预处理,排除部分外界干扰。针对SIFT算法中128维的高维度特征描述符导致匹配速度降低,提出一种基于分层区域的方法降低描述符维度,缩短算法运行时间。针对SIFT算法匹配过程中选取固定阈值不具有广泛适用性的问题,提出一种自适应阈值的方法,解决设置固定阈值不能适用所有图像的问题,提高匹配准确率。实验结果证明,改进的算法能提高匹配准确率和匹配效率,增强算法的鲁棒性和可靠性,并且适用性广泛。

基于YOLOv3和ASMS的目标跟踪算法

为了解决传统算法在全自动跟踪过程中遇到遮挡或运动速度过快时的目标丢失问题,本文提出一种基于YOLOv3和ASMS的目标跟踪算法。首先通过YOLOv3算法进行目标检测并确定跟踪的初始目标区域,然后基于ASMS算法进行跟踪,实时检测并判断目标跟踪效果,通过二次拟合定位和YOLOv3算法实现跟踪目标丢失后的重新定位。为了进一步提升算法运行效率,本文应用增量剪枝方法,对算法模型进行了压缩。通过与当前主流算法进行对比,实验结果表明,本算法能够很好地解决受到遮挡时跟踪目标的丢失问题,提高了目标检测和跟踪的精度,且具有计算复杂度低、耗时少,实时性高的优点。

融合边缘保持与改进代价聚合的立体匹配算法

目的立体匹配是计算机双目视觉的重要研究方向,主要分为全局匹配算法与局部匹配算法两类。传统的局部立体匹配算法计算复杂度低,可以满足实时性的需要,但是未能充分利用图像的边缘纹理信息,因此在非遮挡、视差不连续区域的匹配精度欠佳。为此,提出了融合边缘保持与改进代价聚合的立体匹配。方法首先利用图像的边缘空间信息构建权重矩阵,与灰度差绝对值和梯度代价进行加权融合,形成新的代价计算方式,同时将边缘区域像素点的权重信息与引导滤波的正则化项相结合,并在多分辨率尺度的框架下进行代价聚合。所得结果经过视差计算,得到初始视差图,再通过左右一致性检测、加权中值滤波等视差优化步骤获得最终的视差图。结果在Middlebury立体匹配平台上进行实验,结果表明,融合边缘权重信息对边缘处像素点的代价量进行了更加有效地区分,能够提升算法在各区域的匹配精度。其中,未加入视差优化步骤的21组扩展图像对的平均误匹配率较改进前减少3.48%,峰值信噪比提升3.57 d B,在标准4幅图中venus上经过视差优化后非遮挡区域的误匹配率仅为0.18%。结论融合边缘保持的多尺度立体匹配算法有效提升了图像在边缘纹理处的匹配精度,进一步降低了非遮挡区域与视差不连续区域的误匹配率。

自适应的图像在线字典学习超分辨率重建算法

提出一种参数自适应的在线字典学习图像超分辨率重建算法。在经典的稀疏表示算法框架下,运用在线字典学习方法来提高字典学习的精度。通过参数自适应方法灵活调整稀疏重建阶段的正则化参数,并依据每个图像块的特点自适应确定正则化参数,以此克服人为设定参数的单一性和非最佳参数值的缺点。实验结果表明,与传统算法相比,所提算法可有效降低测试图像对训练图像集的依赖程度,同时克服图像在重建过程中存在的局部模糊或失真,进一步提高重建图像的质量。

基于边缘加权的跨尺度局部立体匹配算法

针对局部立体匹配算法中边缘区域易造成误匹配的问题,提出一种基于边缘加权的跨尺度局部立体匹配算法。在代价计算阶段,根据边缘点的数量和结构信息提出一种边缘相似度测量方法,并对满足约束条件的点进行两种策略的"奖励"加权,以提高目标图和参考图中对应点的辨识度;在代价聚合阶段,引入多尺度模型,并采用引导滤波进行聚合;通过视差计算、视差精化得到最终视差图。在Middlebury立体视觉测试平台下对4组标准立体图像对和27组扩展立体图像对进行测试。实验结果显示,在未加入任何精化步骤的情况下,非遮挡区域的平均误匹配率为7.88%,说明本文算法有效改善了边缘区域的匹配精度。