基于改进ORB算法的遥感图像匹配

针对遥感图像匹配中存在的误匹配率高、匹配速度慢等问题,结合相似图像局部结构一致的思想,提出一种将ORB特征提取算子与BRISK特征描述算子相结合的遥感图像匹配算法。首先使用ORB算法的特征点提取算子对特征点进行检测,再使用BRISK算法的特征点描述算子对检测到的特征点建立特征描述符,然后基于汉明距离使用暴力匹配完成特征点匹配,最后使用LPM算法剔除错误匹配点。实验结果表明:本文算法提取的特征点数量、匹配精确度和运行速度都满足遥感图像匹配的要求;相较于ORB、BRISK算法,做到了速度和精度的较好平衡,展现出了良好的匹配性能。

基于改进ORB算法的特征检测与匹配研究

针对传统ORB算法中阙值选取不具有普适性,易受光照影响,纹理信息提取能力弱且特征点易产生富集情况的缺陷,提出改进的ORB特征提取与匹配算法。首先以待检测点为中心进行区域划分,其次利用自适应阙值判断待检测点,并使用自适应范围的非极大抑制算法解决特征点富集问题,提高均匀性。然后使用各项异性扩散滤波提高纹理信息提取能力,最后结合双边滤波改进描述子点对,结合PROSAC算法消除误匹配。实验结果表明,改进后的算法对光照有较强的适应能力,提高了纹理特征提取的能力,特征点分布均匀,改善了富集效应,光照条件下的匹配精度得到提高,具有更好的适应能力。

基于双目深度筛选的ORB-SLAM3算法

针对ORB-SLAM3算法中特征点存在易丢失、精度低,进而导致双目在复杂场景下运动轨迹误差大的问题,本文设计了一种改进的ORB-SLAM3算法。首先,在ORB特征匹配算法中引入自适应角点检测技术,增加特征点的采集数量,并采用光流法跟踪图像特征,提高关键帧的创建成功率;其次,以特征点为中心,作区域搜索,提高实时性;然后,采用双向左右一致性检验筛选最优视差,应用Prosac算法去除误匹配点对;最后,结合深度信息对关键帧进行筛选,提高关键帧的质量,优化相机位姿。采用KITTI和EuRoc数据集进行了试验,验证了改进算法在绝对轨迹误差上具有良好的优化效果。

基于改进ORB的复杂场景煤矸石匹配算法

在煤矸石分拣过程中,传统方法通过视觉识别与胶带速度预测煤矸石实时位姿,然而,由于煤矸石随胶带高速长距离运输过程中常发生打滑和跑偏现象,预测位姿与分拣区域实际位姿不一致,导致机械臂空抓、误抓,影响分拣效率。针对这一问题,提出了一种改进的ORB匹配算法用于煤矸石在分拣区域的二次定位,首先引入局部自适应伽马校正的oFAST特征检测,提高低光照下的匹配准确率;此外,针对矸石在高速移动中由于动态干扰产生的较多误匹配点,结合BEBLID描述子和GMS算法进行快速特征匹配,并运用随机抽样一致性算法优化匹配点选择,增强算法鲁棒性;最终,通过得到的匹配点计算最小外接矩形完成位姿获取。实验结果显示,所提算法相较于传统ORB算法在尺度、光照、视角变化下煤矸石匹配正确率分别提升了16.7%、36%和22%,平均误差为1.29 mm,平均匹配耗时在40 ms以内,适用于复杂场景下煤矸石的匹配定位。

一种基于改进ORB特征匹配的无人机视觉导航方法

为了解决在全球导航卫星系统(Global Navigation Satellite System)拒止情况下无人机导航能力缺失等问题,提出了一种基于改进快速提取旋转描述子(Oriented FAST and Rotated Brief,ORB)图像特征匹配的无人机视觉导航方法。首先,为了实现无人机的绝对定位,提出了一种特征图像基准数据库构建方法;其次,为提取图像数据集的特征点,采用了一种结合尺度不变特征变换(Scale Invariant Feature Transform,SIFT)的尺度空间优化ORB特征提取算法;最后,为了将图像特征与图像基准数据库快速匹配并提高其匹配精度,提出了一种改进ORB特征匹配算法——ORB+GMS+PROSAC算法。通过在ArcGIS中分割图像构建基准数据库并进行实验分析,结果表明,基于ORB+GMS+PROSAC特征匹配算法性能显著提升,其中匹配准确率上升5.05%,匹配时间减少41.61%,明显优于其他传统特征匹配算法。

基于自适应阈值ORB特征提取的果园双目稠密地图构建

针对果园阴暗光照条件下图像特征点匹配数量少、易丢失以及点云稀疏问题,对ORB-SLAM2算法进行了改进,提出了基于自适应阈值ORB特征点提取的果园双目三维地图稠密建图算法。首先在跟踪线程中提出一种自适应阈值的FAST角点提取方法,通过计算不同光照下图像平均像素求解阈值,对左右目图像提取ORB特征,增加了不同光照条件下的特征点匹配数量;然后根据特征点估计相机位姿完成局部地图跟踪,对跟踪线程产生的关键帧地图点进行BA优化完成局部地图构建。在原有算法基础上添加了基于ZED-stereo型相机双目深度融合的稠密建图模块,对左右目关键帧进行特征匹配获得图像对,利用图像对求解深度信息获取地图点,经过深度优化获取相机位姿,根据相机位姿进行局部点云的构建与拼接,最终对获得的点云地图进行全局BA优化,构建果园三维稠密地图。在KITTI数据集序列上进行测试,本文所改进的ORB-SLAM2算法的绝对轨迹误差更加收敛,轨迹误差标准差在00和07序列分别下降60.5%和62.6%,在其他序列上也有不同程度下降,表明本文算法定位精度较原始算法有所提高。不同光照环境下进行算法性能测试,结果表明本文算法较原始算法能更好地适应不同光照条件,在较强光照、正常光照、偏弱光照和阴雨天气下特征点平均匹配数量增加5.32%、4.53%、8.93%、12.91%。进行果园直线和稠密建图试验,结果表明直线行驶偏航角更加收敛,定位精确度高,关键帧提取数量较原始算法下降2.86%、平均跟踪时间减少39.3%;稠密建图效果好,能够很好地反映机器人位姿和果园真实环境信息,满足果园三维稠密点云地图构建需求,可为果园机器人导航路径规划提供支持。

改进ORB-SLAM在嵌入式系统中实现

针对飞行载体的实时ORB-SLAM实现问题,提出一种在嵌入式系统实现的改进ORB(oriented FAST and rotated BRIEF)单目视觉里程计算法。算法首先对输入图像进行灰度化、高斯滤波预处理实现简化运算和图像去噪,考虑到算法移植及在嵌入式系统实现,将图像预处理和ORB图像特征提取与匹配等功能封装为IP(intellectual property)核,布置到硬件系统中,提高特征提取与匹配的速度和正确率,保证位姿估计实时性。搭建ZYNQ嵌入式系统,开展对比实验,实验结果表明:改进后的算法特征点匹配率提高了3.78倍,特征提取与匹配的耗时缩短为原来的1/8,处理图像的帧率可以达到19 fps,满足实时性要求。

利用改进ORB算法的无人机影像匹配

针对ORB算法面对光照变化时提取特征点数量不稳定及特征点定位精度仅有像素级的问题,本文设计了一种基于前背景对比的自适应阈值方法,且结合现有的亚像素定位方法对ORB算法进行了改进。同时为了避免RANSAC算法因需人工设置阈值导致误差的问题,将MAGSAC++算法引入特征匹配过程,用于误匹配剔除。试验结果表明,改进算法能够获取数量较多的匹配数目,对光照变化具有更好的稳健性,且匹配精度提高了7%以上。

实时CORBA中ORB核心的优化

本文以加州大学Irvine分校用实时Java规范(RTSJ)开发的实验性实时CORBA———ZEN为研究对象,分析了它在ORB核心中的缓冲器管理和配置策略方面所采用的优化机制,并给出了相关的实验结果。

改进ORB提取匹配算法的SLAM应用研究

由于传统的ORB特征点提取匹配方法在图像纹理信息不丰富或者光照变化剧烈时极易产生特征点丢失、分布不均等问题,不利于SLAM系统的定位与建图。为此本文提出了一套较为鲁棒、精度较高的提取匹配算法。首先基于ORB特征点对其提取算法进行改进,计算自适应阈值并基于网格模型提取特征点,可提高特征点提取的鲁棒性并使其分布均匀。此外还提出了G-R图像匹配算法,基于网格特征计算邻域支持估计量来区分正误匹配点,再结合引入评价函数的RANSAC算法进一步剔除误匹配点,相比ORB-SLAM2原始匹配算法提高匹配精度9.36%,并减少时间消耗约13.6%。最后将本文提出的特征点提取匹配算法加入到ORB-SLAM2算法框架,经数据集与实际场景验证本文方法能有效提高ORB-SLAM2系统定位精度36.6%以上,使系统更具鲁棒性。

基于关键点密度优化的ORB算法

在立体视觉检测系统中,特征匹配技术至关重要,其用于识别和对齐不同图像间的相似特征,实现图像对比、物体识别、三维重建等多项任务。特征匹配的质量直接影响整个立体视觉检测系统的精度,特征点提取是特征匹配的基础,这些点的质量直接决定了匹配的准确性和算法的鲁棒性。ORB算法因具有高效性,被广泛应用于特征匹配任务,但在处理复杂场景时,特征点在数量和分布均匀性方面存在不足。对此,提出了一种改进的基于关键点密度的自适应抽样方法,通过结合图像的局部对比度和梯度信息,优化ORB算法中关键点的分布,以实现整个图像中关键点的均匀选取,提高特征点提取性能。利用Middlebury立体视觉数据集进行的实验结果表明,改进后的算法相比传统方法,在关键点数量和分布均匀性上有显著提升,同时保持了接近原ORB算法的运行效率。此项研究不仅针对ORB算法在复杂场景处理中的不足提供了有效的解决方案,也为计算机视觉领域特征点提取和匹配的优化开辟了新的途径。

基于改进多尺度ORB的图像配准算法

针对现有多尺度ORB算法精确度不高、运算时间长的问题,提出一种改进算法。首先以下采样加滤波的方法建立多尺度空间提取ORB特征点;采用最近邻法匹配特征点,利用匹配点邻域灰度分布相似性,将特征点的显著性引入余弦相似度筛选匹配点;结合图像的局部熵改进了K-means算法,只在特征点密集区域内检测初始类中心点,使特征点根据图像内容更合理地分类;再使用高效的改进PROSAC算法计算图像间的变换矩阵,在保证变换矩阵准确性的情况下,进一步减少运算量;最后通过两组实验验证了算法性能。

基于改进的ORB算法的机械臂识别定位及抓取研究

针对采用传统面向快速与旋转的二进制鲁棒独立基本特征(Oriented Fast and Rotated BRIEF,ORB)算法难以实现搭载双目立体视觉的机械臂对目标的实时、精准抓取等问题,提出一种基于改进的ORB算法的机械臂识别定位及抓取方法。首先,利用改进的ORB算法对目标进行识别,根据双目立体视觉光轴平行模型对目标实施定位;随后,运用标准D-H参数法建立机械臂的数学模型并进行逆运动学求解;最后,将获得的机械臂各关节驱动角传输至系统控制端,驱使机械臂末端执行器完成对目标的抓取作业。结果表明,提出的改进的ORB算法较传统ORB算法提高了目标识别定位的速度与准确度,有效提升了机械臂实施抓取时的实时性与精确性。

基于改进ORB-SVM的工件识别方法研究

针对传统的图像识别算法识别多品种工件,存在运行时间长、识别率低等问题,提出基于改进ORB-SVM的工件图像识别方法。在传统ORB算法的特征点检测基础上,采用SIFT算法获得具有旋转尺度不变性的图像特征描述,并利用词袋模型将图像特征转化为特征直方图,进而构建支持向量机(SVM)的分类模型,实现对工件的识别分类。试验结果表明:改进的ORB-SVM在应对旋转变换、光照变换、尺度变换时更具鲁棒性,且工件识别准确率高达98.89%,单个工件的识别时间低于0.43 s,具有良好的高效性和实用性。研究为多领域的工件识别提供参考。

基于特征增强的局部动态阈值的ORB算法

ORB(oriented FAST and rotated BRIEF)特征检测算法,在模糊场景和光照变化剧烈的环境中,容易使提取的特征点的数量和匹配的正确率出现巨大的差异,同时,在图像物体的拐角处也容易出现特征点的堆叠。针对这一情况,提出了一种改进的ORB特征检测算法。首先使用多尺度视网膜增强(multi-scale retinex,MSR)算法对图像进行特征增强,然后对图像进行网格划分,针对每个网格的灰度分布情况调整特征点检测时的阈值,之后采取动态区域非极大值抑制方法筛选最佳特征点。实验结果表明,相较于原ORB算法,改进后的算法提取的特征点在图像上的分布更加均匀,当亮度在80%的范围内变化时,特征点的重复率稳定在75%以上,匹配正确率平均提高了22%。

基于ORB-SLAM3的温室环境下番茄植株三维重建方法

针对当前生产环境下难以对植物进行精细三维重建的问题,提出一种基于ORB-SLAM3的番茄植株三维重建方法,利用深度相机采集RGB-D图像信息,根据前后帧图像特征点信息进行位姿估计,设计点云稠密重建模块,实现温室环境下番茄植株三维重建。结果表明,该方法在轨迹估计上整体表现较好,估计的轨迹没有重大漂移,较Elasticfusion方法、BadSlam方法估计的轨迹更贴合实际轨迹,位姿跟踪具有一定鲁棒性,且使用的关键帧数量较少,降低了冗余信息对算法的干扰;该方法重建的点云果径与实际果径平均绝对误差为1.48 mm,与实际情况十分接近,点云还原度高,重建品质较好,滤波算法没有对果实表型信息造成破坏,信息保留完整;该方法能够在温室环境下获取准确的位姿信息,并生成番茄植株三维模型,三维重建精度高,可以满足温室环境下番茄植株三维重建及番茄采摘机器人目标定位需要。

基于改进ORB-FLANN算法的工件图像识别方法

针对传统图像识别算法匹配正确率低、运行时间较长等问题,文中提出了基于改进ORB-FLANN(Oriented FAST and Rotated BRIEF-Fast Library for Approximate Nearest Neighbors)的工件图像识别方法。对ORB算法特征描述、图像特征匹配算法进行修改,解决传统图像识别算法在图像存在尺度和旋转变换情况下存在的弊端并降低误匹配率。该方法对ORB算法检测到的特征点采用SURF(Speeded Up Robust Features)算法添加方向信息并完成特征描述,得到旋转尺度不变性的特征点,结合FLANN算法并引入双向匹配策略进行特征点粗匹配,最后利用渐进采样一致算法进一步剔除误匹配点对完成精匹配。实验结果表明,与其他方法相比,改进算法在处理尺度、旋转等变换图像时,匹配正确率分别提高了2.6%~18.8%和29.5%~43.9%,运行时长均在4 s以内,提高了对工件图像的识别效率和精准性。

基于改进ORB-SLAM2矿井救援机器人空间构建方法研究

矿井安全事故发生后,矿井救援机器人需在矿井环境采集视觉数据,进行应急区域的空间构建等功能。利用RGB和RGB-D的ORB-SLAM2算法进行扩充性优化研究,选用OCTOMAP优化地图,使用矿井救援机器人在室内真实场景中实验,验证该方法效果。结果表明:得到的空间构建效果比实时点云构建的应用性更强,降低处理内存空间,为矿井救援移动机器人空间构建提供方法,对后续矿井机器人移动定位的研究具有重要的实际意义。

基于改进ORB算法的油水两相流油泡匹配方法

ORB算法能够快速匹配油水两相流中的油泡。相比SIFT算法和SURF算法,ORB算法拥有无可比拟的速度优势。然而,ORB算法匹配油泡的过程中,存在油泡匹配准确率低、角点提取速度慢、角点数量少等缺陷,降低了油速测量的准确度。为提升油泡匹配准确率和油速测量准确度,对ORB算法进行如下改进:角点提取方面,通过Shi-tomasi角点响应算法替代Harris角点响应算法,加快角点提取速度;通过对角点之间最小距离d值的探索优化,确定最佳d值,使Os区域,即油水两相流图像中不明显油泡所在的区域,能有效提取到角点,增加角点数量,同时优化角点分布。油泡匹配方面,在RANSAC算法基础上,融入GMS算法,进行RANSAC-GMS双重去除误匹配对,提高油泡匹配准确率,最大限度保留正确匹配对,提升正确匹配对数量。实验结果表明:改进的ORB算法在提取角点耗时上缩短至原始ORB算法的37%;角点数量是原始ORB算法的1.9倍;正确匹配对数量是原始ORB算法的2.3倍。改进的ORB算法提高了油泡匹配准确率。最后,基于改进的ORB特征点匹配的PTV算法对油速进行测量,实验结果表明油速测量准确度达94.0%,提升26.5%,能够用于实际油速测量。

基于YOLOv4的室内动态场景下ORB-SLAM3优化方法

近年来,视觉同步定位与建图(simultaneous localization and mapping,SLAM)技术成为机器人和计算机视觉领域的研究热点。现有的主流算法通常只针对静态环境设计,当场景中出现动态物体时其算法的定位精准度和稳定性显著降低。本文提出一种改进的ORB-SLAM3(oriented FAST and rotated BRIEF SLAM3)方法。首先,在跟踪线程中采用了轻量化的YOLOv4(you only look once version 4)目标检测网络,对图像金字塔中的每一层图像进行处理,识别并移除动态特征点,进而提升位姿估计的精确度;其次,融合惯性测量单元的积分数据,提取关键帧中的相机内外参数信息,将深度图转换为三维彩色点云,通过拼接形成完整的场景点云地图;最后,进行验证评价。结果表明:本方法在室内动态场景中能有效排除动态特征点,增强相机定位的精度与稳定性;在实际测试场景中,平均距离误差在1.5 cm以内,可成功构建无动态物体干扰的激光点云地图。