基于ASIFT与图匹配的物体识别方法

为提高物体识别对仿射变换的鲁棒性并降低误识别率,提出一种新的物体识别方法。采用仿射-尺度不变特征变换(ASIFT)方法检测图像中的关键点,提取各关键点的局部特征,包含ASIFT特征、纹理特征和颜色特征,并用三元图表示融合后的特征。采用分层匹配的思路识别物体并进行关键点匹配,匹配成功后再进行图匹配以降低误识别率。在PVOC-2007和COIL-100 2个公共测试数据集下对该方法的参数选取和识别性能进行综合评价,结果表明,该方法具有较高的识别率,可有效进行物体识别。

基于ASIFT的无缝图像拼接方法

传统图像拼接方法对尺度、视差和光照变化较大的图像配准效果不佳。为此,提出一种基于仿射-尺度不变特征转换(ASIFT)算法的无缝图像拼接方法。采用能够抵抗强仿射情况的ASIFT算法检测特征点,并对特征点进行提取与匹配。利用随机抽样一致算法反复迭代,找到精确的变换矩阵初始值,根据变换矩阵进行2幅图像之间的统一坐标变换,使用加权平滑算法完成图像的无缝拼接。实验结果表明,与基于SIFT特征的拼接方法相比,该方法的图像拼接效果较好。

基于ASIFT的离线签名认证方法

通过分析现有局部不变特征方法及含伪装签名数据集的特点,提出了一种基于具有仿射不变性的尺度不变特征变换(ASIFT)的离线签名认证方法.该方法对签名图像进行预处理(包括灰度化和放缩),对处理后的图像进行ASIFT关键点检测和特征描述符提取,对从查询签名图像和参考签名图像中提取到的描述符进行匹配,对匹配的结果采用随机采样一致性(RANSAC)方法去掉错误匹配,并计算正确匹配点的描述符之间的平均距离;通过比较平均距离及正确匹配点的个数与给定阈值的大小来判断认证是否成功.使用了含伪装签名的数据库对提出的方法进行测试,实验结果表明该方法与现有方法相比等误率降低了5%.

基于ASIFT道路交通标志的定位与识别方法

针对智能交通系统中的交通标志识别,提出了一种基于ASIFT(仿射尺度不变特征变换)算法的定位与识别方法。首先,分类道路交通标志并提取模板;然后,采用ASIFT算法选择目标图像对应的模板和交通标志集合;其次,根据匹配模板ASIFT特征点的几何分布,定位交通标志的目标区域;最后,计算目标区域和交通标志集合的特征向量欧氏距离。基于ASIFT算法,达到了准确的定位与识别效果。通过实验,验证了该方法的可行性。

基于SIFT和Affinity Propagation的遥感图像配准算法

随着传感器和光学影像测量等各种技术的快速发展,航空遥感技术已经在电力巡检、森林防火、地理测绘等领域中发挥着越来越重要的作用,而图像配准作为遥感图像的预处理步骤为图像融合等后续处理提供了参考和依据,目前已经成为遥感图像处理领域的研究热点。文中提出了一种基于尺度不变特征变换(Scale-invariant Feature Transform,SIFT)和仿射传播聚类(Affinity Propagation,AP)的图像配准算法。该算法与原有算法相比优势在于无需预先设定参数,并且实验仿真表明该算法能有效地对多源图像进行高精度的配准,与随机抽样一致算法(Random Sample Consensus,RANSAC)相比提高了正确匹配点的数目。

基于仿射尺度不变特征变换的掌纹识别

相比传统接触式采集方法,非接触采集是目前掌纹识别的趋势和主流,但其低约束性可能导致人手和图像传感器平面不平行,从而使掌纹产生仿射变形。传统的尺度不变特征变换(scale invariant feature transform,SIFT)对此识别效果不佳。针对这个问题,提出一种改进方案,即基于仿射尺度不变特征变换(affine scale invariant feature transform,ASIFT)的掌纹识别方法,建立了变形掌纹的仿射模型,模拟了相机光轴的经度角和纬度角,在仿射空间内提取图像特征。通过基于实际环境所建立的掌纹库———SUT图库验证算法性能,与SIFT算法及目前典型的掌纹识别方法进行对比。结果表明,ASIFT方法具备良好的抗掌纹仿射变形性能,等误率仅为0.6%,证明了该方法能够成功解决掌纹变形问题,鲁棒性和稳定性强,具备优越性。

基于同形变换的航空倾斜影像自动匹配方法

针对仿射尺度不变变换提取(ASIFT)算法计算效率低的问题,提出了一种大倾角航空倾斜影像自动匹配方法 H-SIFT。该方法利用影像粗略外方位元素计算两幅待匹配影像之间的单应变换矩阵,对左影像进行二维射影变换得到其纠正影像以消除两幅影像之间的几何变形、尺度和旋转问题,再对左影像的纠正影像和右影像进行尺度不变特征变换(SIFT)。匹配时,为了适当提高正确匹配点对的数量,利用不严格的比值提纯法和左右一致性检验得到粗匹配点对,并利用随机一致性检验剔除误匹配。最后将左影像其纠正影像上的匹配点反算到左影像上。通过对国产五倾斜相机平台(SWDC-5)获取的三组典型城区航空倾斜影像数据进行实验,对于三组数据,该算法获得的正确匹配点对数量分别为ASIFT算法的2.18、1.31、1.70倍,该算法匹配耗时分别为ASIFT算法的0.93%、0.88%、0.97%。实验结果表明,与ASIFT算法相比,该算法获得的匹配点对在计算效率、数量和分布情况上都得到了显著提高。

基于兴趣点特征的图像检索方法

针对全局图像特征无法刻画图像类别信息的缺陷,提出一种基于兴趣点特征的图像特征检索方法.首先对图像进行仿射-尺度不变特征转换,并利用亮度的概率密度梯度提取兴趣点;然后将兴趣点映射回原始图像,采用颜色直方图作为图像特征;最后采用相似性度量模型,实现图像检索.选择Corel图像库中的图像对算法性能进行实验分析.实验结果表明,该方法可有效提高图像的检索准确率和检索效率,快速找到用户需要的图像.

一种具有仿射不变性的倾斜影像快速匹配方法

提出了一种较为快速且具有仿射不变性的倾斜影像匹配方法。通过估算影像的相机轴定向参数计算出初始仿射矩阵,通过逆仿射变换得到纠正影像,对纠正影像进行SIFT匹配。首先利用比值提纯法(NNDR)、归一化互相关(NCC)测度约束和左右一致性检验得到粗匹配点对,由粗匹配点对利用RANSAC方法计算出基本矩阵F和单应矩阵H。匹配时,匹配策略采用最邻近匹配,并利用极线约束、单应矩阵约束、NCC测度约束和主方向差值一致性约束剔除误匹配。通过对三组典型的倾斜影像数据进行试验,试验表明该方法匹配准确率高,匹配点对较为密集、均匀,且效率较高。

基于ASIFT图像特征的大视角点云配准方法

点云配准是物体三维轮廓获取的重要环节。基于图像特征的点云配准方法能较快地实现这一目标。然而,这种方法对于大视角点云的配准并不理想。针对这一问题,本文提出一种基于ASIFT图像特征的大视角点云配准方法。首先,用ASIFT算法提取大视角图像间的二维匹配点对;而后,利用图像像素和点云间的对应关系得到大视角点云间的三维匹配点对;最后,提出一种改进的RANSAC算法实现点云配准。实验结果表明,该方法可成功实现大视角点云配准。

结合ASIFT和归一化的抗仿射变换遥感影像盲水印算法

针对遥感影像使用过程中,含水印影像经过仿射变换后水印与影像的同步性被破坏,导致水印无法正常检测的问题,本文提出了一种适用于遥感影像的抗仿射变换盲水印算法。首先通过ASIFT算法提取影像具有仿射不变性的特征点,根据特征尺度的大小与特征点间的欧式距离筛选适量特征点,构造对应的正方形特征区域;然后通过计算特征区域的仿射不变矩得出归一化变换函数的参数,对特征区域进行归一化处理,并以归一化特征区域的不变质心为中心提取子区域作为水印嵌入区域,对该区域进行二级离散小波变换,得到水印嵌入区域的低频信息;运用量化嵌入规则将水印嵌入到低频信息中,依次进行低频信息逆小波变换,水印嵌入前后特征区域差值图像反归一化,最后将反归一化差值图像叠加在原始影像特征区域上,完成水印的嵌入。实验选用了3000像素×3000像素的高分二号遥感影像作为载体影像,含版权信息的二值图像作为水印,实验表明:含水印的遥感影像经过旋转、平移、缩放在内的仿射变换后,仍能准确提取水印信息;算法可有效抵抗加噪、滤波、裁剪等常规水印攻击,攻击后影像提取的水印与原水印相关系数均高于0.9;水印具有良好不可感知性;在水印提取时无需原始遥感影像,属于盲水印算法。

基于“原型”的机器人开放式室内场所感知实验研究

在基于"原型"的场所感知算法基础上构建了一种场所感知实验平台.其中,硬件系统主要以双目立体相机作为环境感知传感器,以CPU-GPU(中央处理器–图形处理器)协同计算单元作为多种任务、复杂逻辑和密集数据的处理单元;而软件系统基于微软Robotics Developer Studio平台构建,双目视觉服务和场所感知服务为其中两大核心服务,前者利用RANSAC(随机采样一致性)和GPU版本ASIFT(仿射尺度不变特征变换)等算法在宽视角范围内实现物品识别和位姿估算,适用于拥挤室内环境,后者基于双目视觉结果和已有场所感知算法完成场所分类及区域感知并构建2D语义地图.在无人工标注的真实室内环境中开展实验,实验结果表明,基于本文实验平台的机器人能够在线鲁棒地感知活动空间中的开放式场所,实验也在一定程度上验证了已有场所感知算法的可实现性、有效性和实用性.

一种具有视点不变性的倾斜影像快速匹配方法

提出了一种具有视点不变性的倾斜影像快速匹配方法。首先对影像进行预处理,即通过透视投影变换得到纠正影像(近似正射影像),消除影像几何变形、尺度和旋转问题;再对纠正影像提取Harris角点并建立尺度不变特征变换(scale invariant feature transform,SIFT)描述子。匹配时,在保证匹配准确率的同时,为了使得匹配点对分布均匀且提高匹配效率,利用粗略F和H矩阵引导在局部范围内进行显著性匹配,并利用归一化互相关(normalized cross-correlation,NCC)测度约束剔除误匹配点。对三组典型的倾斜影像数据进行实验,结果表明,本文方法得到的匹配点对分布均匀且较为密集,匹配准确率和效率也较高。