基于AGAST-BRIEF的图像匹配融合算法

针对传统算法AGAST在图像处于复杂场景条件下进行图像检测时,造成图像匹配结果精度低和实时性差等问题,提出一种基于AGAST-BRIEF的图像匹配融合算法。首先,利用高斯滤波对图像进行预处理,实现去除图像噪声干扰,保留图像边缘信息的效果,通过AGAST与尺度空间理论相结合进行特征提取;然后,使用BRIEF描述子对图像中的关键点进行描述,提高特征匹配效率;最后,采用FLANN算法得到初次匹配对,使用GMS与改进的RANSAC算法对初次匹配结果进行二次筛选,得到图像特征精匹配。实验结果表明:所提算法相较于SIFT、AKAZE、KAZE算法匹配准确率提高,匹配运行时间最短,具有良好的鲁棒性。

基于AGAST角点域特征的条烟快速识别算法

为提高烟草物流中心自动化分拣效率,基于视觉技术提出了一种与高速自动化条烟分拣线相匹配的快速条烟识别算法。将穹形光源和同轴光源相结合设计了一种新型打光方式,使用高速彩色相机获取条烟图像信息,提出一种基于AGAST(Adaptive and Generic Accelerated Segment Test)角点域的特征描述方法。根据提取的特征建立条烟图像数据库,并使用极端学习机(Extreme Learning Machine,ELM)进行训练与识别,实现条烟的快速识别。将本文算法与SIFT和SVM算法的识别效果进行对比,结果表明:本文算法的识别率和实时性均为最优,识别率达到100%,识别耗时在3种算法中最少,能够满足自动化分拣线10帧/秒的要求。该算法为有效提高条烟异常情况检测的精度提供了参考。

改进的均匀化AGAST特征提取算法

为了实现对图像特征的均匀化提取,改善传统角点检测算法的特征点局部聚集问题,提出一种改进的AGAST特征提取算法。通过对图像构建高斯金字塔,实现特征点的尺度不变性;之后采用四叉树方法对特征点进行划分、筛选,获得均匀化的特征点分布,自适应四叉树深度提高运算效率;使用灰度质心法计算特征点方向实现旋转不变性。与其他算法进行对比实验,结果表明,改进后算法有效提高了特征点提取的速率和均匀性,较其他算法,提取速率提升12.31%、均匀度提升7.8%,具备较好的性能。

基于改进AGAST角点域特征的障碍检测算法

针对目前仓储物流系统中运送货物的小车在运动过程中对前方障碍物识别慢、误识别等问题,提出了基于改进角点域特征的障碍检测(AGAST)算法。将AGAST角点检测算法与图像金字塔理论相结合,将图像进行金字塔分层后提取出特征点后对每一层图像进行特征点提取和非极大值抑制,并加入了距离评价机制从而提高该算法的匹配精度,提出了一种特征点相似度的描述增加了算法的匹配速率。以某仓储仓库的实验为例,结果表明,与传统的FAST算法与AGAST算法相比,其正确识别率分别提高了34.78%和31.86%,并在高速运行提高系统帧率的同时,识别率高达90%以上。

基于AGAST角点域特征的垃圾识别算法

为了提高垃圾自动分类回收再利用的效率,提出了一种快速匹配识别垃圾的算法。采用一款自带摄像头,具有图像识别作用的机器视觉开发组件Open MV,基于AGAST(Adaptive and Generic Accelerated Segment Test)角点域的特征匹配算法,以塑料瓶为研究对象,对算法进行了检验。该算法能够有效识别特定垃圾,一定程度上实现了垃圾分类的功能,为有效提高垃圾利用率提供了参考。

基于双边滤波和AGAST-BEBLID的图像匹配算法

针对传统AGAST特征匹配算法存在精度差、鲁棒性低等问题,提出一种基于双边滤波和AGAST-BEBLID的图像匹配算法。首先使用双边滤波进行去噪和增强图像边缘细节效果。其次使用BEBLID算法在特征提取阶段创建高效二进制描述子,来产生更好的局部特征描述。然后使用GMS算法结合汉明距离来筛选KNN匹配后的图像,达到特征粗匹配。最后使用GC-RANSAC算法在误匹配剔除阶段进行局部最优模型拟合,得到图像特征精匹配。实验结果显示:改进后的算法在复杂环境下的总体平均准确率较AKAZE,BRISK和SIFT分别提高了10.57%,17.20%和19.45%。

基于自适应的AGAST特征均匀化提取算法

特征点的提取速率和均匀程度对视觉SLAM的性能具有重要影响。为了提高传统视觉SLAM系统的特征提取速率,实现对图像特征的均匀化提取,提出了一种基于自适应阈值的AGAST特征均匀化提取算法(QOARB)。首先,通过构建图像金字塔,实现特征点的尺度不变性;其次,根据图像灰度值与方差计算AGAST角点的初始提取阈值,提高算法在不同图像上的特征提取速率;接着,用改进的四叉树方法来均匀筛选特征点;最后,采用灰度质心法,实现特征点的旋转不变性。实验结果表明,相较于ORB-SLAM2中的特征提取方法,本文提出的QOARB算法在保证特征点均匀程度的同时,特征提取速率提高了10.65%,匹配正确率和正确匹配数分别提升1.01%和6%。

AGAST项目对语义技术的研究

AGAST（Advanced Grid Authorisationthrough Semantic Technologies）项目研究的内容是：语义技术能在多大程度上为方便的授权访问提供灵活多变机制。虽然已经有一些成熟的技术支持身份认证，但是对于一些零散的授权问题（如“允许用户做什么？”）处理得并不好。

改进视觉前端的视觉/惯导融合定位算法

针对移动机器人在GNSS拒止环境下的高精度定位问题,提出了一种自适应通用角点检测(adaptive and generic accelerated segment test,AGAST)算法改进移动机器人视觉/惯导融合定位系统的视觉前端.该算法通过局部直方图均衡化和自适应阈值检测改进视觉里程计(visual odometry,VO)算法,改善特征点提取的质量,提高VO在复杂环境中的定位精度和稳定性;基于因子图优化(factor graph optimization,FGO)算法融合VO和惯性导航系统(inertial navigation system,INS),实现移动机器人的高精度定位.分别采用公开室内、室外数据集进行测试,结果表明:改进算法相比VINS-Mono主流算法室内数据集定位精度平均提升22.8%,室外数据集定位精度平均提升59.7%.

基于快速视网膜局部特征的遥感图像目标识别

针对目前航天遥感图像信息复杂、数据量大,导致目标识别中特征检测准确度低、特征匹配识别时间长的问题,提出了一种基于差分加速分割角点检测算法(AGAST-Difference)和快速视网膜关键点描述算法(FREAK)相结合的目标识别方法。在特征检测阶段,建立AGAST-Difference特征检测算子,将尺度空间理论融合到加速分割角点检测算法(AGAST)中,生成具有强仿射不变性的特征点;再利用简化的FREAK采样模型描述局部特征,并构建二进制特征向量,通过计算向量间的汉明距离,完成特征匹配及目标的快速识别;最后选用美国Quick Bird卫星的遥感图片进行验证,实验结果表明,所提特征检测算子仿射不变性能较强,不仅提高了检测的可重复率,而且特征描述符区分性较强,平均匹配正确率提高了9.91%,识别用时仅为35 ms。该方法识别效率高、速度快,能够满足遥感图像实时识别的需求。

快速鲁棒性非线性尺度不变的特征匹配算子

提出了一种快速鲁棒性非线性尺度不变的特征匹配算子(speeded up robust nonlinear scale invariant feature,SURNSIF),通过检测子非线性尺度空间的快速求解去除了噪声,同时保证了图像边缘细节,并将自适应选取尺度空间组数、adaptive and generic corner detection based on the accelerated segment test(AGAST)与框状拉普拉斯滤波器去除边缘响应相结合,兼顾了检测的准确性与实时性;描述子交叠带的构建、规范微分响应与非线性尺度空间约束的引入增强了描绘准确性。通过与scale invariant feature transform(SIFT)、speeded up robust features(SURF)、KAZE、binary robust invariant scalable keypoints(BRISK)、AGAST以及快速海森(fast-Hessian)的实验对比,SURNSIF的5种变换鲁棒性均较强,同时速度也更快,综合性能较KAZE提高约10.87%,速度提高约47%。

基于改进的加速鲁棒特征的目标识别

为了提高加速鲁棒特征(SURF)算法的实时性和准确性,本文提出了一种结合AGAST角点检测和改进的SURF特征描绘算法。首先利用AGAST角点检测模板检测特征点,再使用增加对角信息的哈尔小波响应来生成特征点的描述子,之后利用特征袋对产生的描述子进行编码并生成新的特征向量,最后利用支持向量机(SVM)对特征向量进行分类,完成识别。本文以SIFT和SURF算法为对照,分别进行不同视角、光照和尺度的识别实验。实验结果表明,本文算法的平均识别率为98.0%、96.9%、97.1%,平均时间分别为66.1 ms、79.3 ms、41.0 ms,在识别率上较优于SURF算法,所耗时间约是SURF算法的1/3。

基于加速分割检测的移动增强现实跟踪注册算法

传统的移动增强现实算法易受光照条件的影响。针对这一问题,提出一种新的基于自适应通用加速分割检测(adaptive and generic accelerated segment test,AGAST)与快速视网膜关键点(fast retina keypoint,FREAK)的移动增强现实跟踪注册算法。首先建立尺度空间,使得AGAST算法具有尺度不变性;接着采用强度中心的方案为AGAST特征检测提供方向,使其形成旋转不变性;然后对FREAK模型进行简化,并采用扫视搜索的方法对图像进行分析,形成特征描述;最后采用RANSAC算法剔除误匹配并进行虚实注册。实验结果表明,提出的算法能高效而可靠地在移动设备上实现增强现实应用。

基于景象匹配的无人机侦察视频快速配准方法

为了改善无人机侦察视频配准效果与速度,提出一种基于景象匹配的无人机侦察视频快速配准方法。首先提出基于AGAST-Difference与FREAK的特征匹配算法对视频帧之间配准,然后提出匹配区域搜索方法在数字卫星地图上找到视频帧匹配区域,最后将视频帧与匹配区域配准,根据匹配区域二维关系计算单应矩阵完成拼接。实验结果表明,基于AGAST-Difference与FREAK的特征匹配算法在尺度、旋转、视点等变化及运行速度上存在很大优势,匹配区域搜索方法避免了定位定向系统带来的误差与引入控制点,提高了纠正精度与速度。本配准方法对像素大小为810×612的视频拼接速度达到25帧/s,在离地约1000 m的空中,二维定位精度可达7.87 m。

基于点面特征融合的RGB-D SLAM算法

传统的视觉SLAM算法主要依赖于点特征来构建视觉里程计,而在人造环境中通常存在一些点特征不足但结构特征丰富的场景,此时基于点特征的视觉里程计方法容易出现跟踪失败或位姿估计精度降低的问题。提出一种融合点面特征的RGB-D SLAM算法,利用人造环境中的平面特征提高SLAM算法定位与建图的精度与鲁棒性。使用AGAST特征点提取算法并采用四叉树的方式进行改进,使特征点在图像中均匀分布以减少点特征提取的冗余度。同时,在传统点特征方法的基础上添加平面特征,使用连通域分割算法从点云中获取平面特征,并构建伪平面特征,结合AGAST特征点构建点面特征融合的结构约束因子图,添加多重约束关系用于图优化。实验结果表明,该算法AGAST特征点提取效率优于ORB-SLAM2算法,融合的点面特征使其在室内环境下的定位和建图精度更高,绝对轨迹误差减小约20%,相对轨迹误差减小约10%,单帧跟踪耗时减少约7.3%。

归一化积相关Brisk图像配准算法

首先应用归一化积的相关系数进行图像块的匹配,对匹配成功的图像运用AGAST算法提取特征点,再将提取的特征点应用Brisk描述子进行描述,最后应用汉明距离对Brisk描述子进行匹配。

基于自适应弹性网络稀疏编码的目标识别

传统稀疏编码模型特征选择能力较弱,稀疏系数向量中负系数的存在导致维数偏高、信息冗余,不利于目标识别。针对这个问题,提出了一种基于自适应弹性网络的稀疏编码模型。该模型首先利用融合尺度空间的AGAST检测子提取特征点,经过FREAK算子描述,采用能够自适应选择强相关性特征的自适应弹性网络回归模型求解稀疏系数向量,最后通过分类器实现对目标的分类识别。实验结果表明,特征检测算法对于图像中尺度、视角、光照和旋转等变换具有更强的鲁棒性,在自适应弹性网络的约束下,模型具有较好的识别性能。

基于快速尺度空间的无人机影像自适应稳像方法

为实现无人机航拍影像的实时稳像,针对稳像过程中特征检测的速度问题和运动滤波的发散现象,提出了一种改进的AGAST算法与自适应Kalman滤波相结合的实时稳像算法。对于无人机实时航拍视频序列,以当前帧的前一帧为基准进行稳像处理。改进的AGAST特征检测算法在尺度空间的基础上快速提取AGAST角点特征,用二进制描述符对其进行描述,然后用汉明距离匹配特征点。对于已获得的匹配特征点对集合,用RANSAC原则剔除误匹配点,再计算运动矢量。最后使用自适应Kalman滤波提取出运动矢量中的无人机主动扫描分量,进行运动补偿,获得稳像结果。实验数据使用标准测试图集和自己采集的无人机航拍视频,实验结果表明,所提算法在连续视频序列处理时效果显著、速度快,能够满足实时稳像的需求。

一种层次化的太阳黑子快速自动识别方法

太阳黑子的观测与识别是太阳物理学的重要任务。通过对太阳黑子的观测与分析,太阳物理学者可以更准确地分析以及预测太阳活动。随着观测仪器的不断进步,太阳全日面图像数据量也在快速增长。为了快速、准确地进行太阳黑子的自动识别和标注,本文提出了一种两层的太阳黑子识别模型。第一层模型采用深度学习模型YOLO,并使用基于交并比的k均值算法优化YOLO的参数,最终的YOLO模型能够识别绝大多数较大黑子和黑子群,仅有极少数孤立的本影较小的黑子未能识别。为进一步提高这类小黑子的识别率,第二层模型采用AGAST特征检测算法专门识别遗漏的小黑子。在SDO/HMI太阳黑子数据集上的实验结果表明,应用本文的层次化模型,各种形态的太阳黑子均能被有效识别,且识别速率高,从而能够实现实时太阳黑子检测任务。

快速稳健的自适应非线性尺度特征检测子

提出了一种快速稳健的自适应非线性尺度特征检测子(fast robust adaptive nonlinear scale feature detector,FRANSFD),通过非线性尺度空间快速求解去除了噪声同时保证了边缘细节,并将自适应选取尺度空间组数、基于加速段检验的自适应通用角点检测子(adaptive and generic corner detection based on the accelerated segment test,AGAST)与框状拉普拉斯滤波器去除边缘响应相结合,兼顾了检测的准确性与实时性。通过与尺度不变特征转换(scale invariant feature transform,SIFT)检测子、快速鲁棒性特征(speeded up robust features,SURF)检测子、风式特征(KAZE)检测子以及二进制鲁棒性尺度不变的特征(binary robust invariant scalable keypoints,BRISK)检测子的实验对比可知,FRANSFD的5种变换鲁棒性均较强,同时速度也更快。综合性能较KAZE提高约5.76%,速度提高约47%。