基于FREAK特征的快速景象匹配

针对传统基于局部不变特征的景象匹配方法处理时间过长的问题,提出基于FREAK局部不变特征的快速景象配准算法。首先提出FAST-Difference特征点提取方法,分别提取参考图像和待配准图像中的特征点;接着计算其FREAK描述符,生成特征向量;随后利用级联匹配计算特征向量之间的汉明距离,提取出匹配的特征点对;最后利用RANSAC算法剔除误匹配点,利用最小二乘法估算出两幅图像之间的空间几何变换参数,实现两幅图像的配准。FAST-Difference相比以往的特征点检测方法速度更快;FREAK描述符与人类视网膜相似的结构提升了算法的时间性能和鲁棒性;使用扫视搜索,大大加速了匹配过程。实验证明相对于SIFT、SURF算法,本文算法不仅对于各种变换具有更好的鲁棒性,而且处理时间大大缩短,实现了景象匹配的实时处理。

一种新的快速局部不变特征算法

针对传统局部不变特征算子主方向提取不准确和匹配阶段过于耗时的问题,提出一种基于RI-LBP算子和混合spill树的快速局部不变特征算法。首先提出一种FAST-Difference算法,提取出模板图像和待匹配图像的稳定特征点,然后使用旋转不变的RI-LBP描述符计算特征向量,最后对特征向量集使用混合spill树进行匹配并使用RANSAC算法剔除误匹配点。RI-LBP算子自身的旋转不变性能够在一定程度上克服特征点主方向确定不准确的缺点,使特征描述符的提取更加稳定,并生成更简单的53维局部不变特征描述符。混合spill树相对于kd-tree省略了回溯过程,对于高维数据拥有更好的匹配效率。实验证明:该算法与SURF算法描述能力相近,旋转和光照条件下比SURF性能更优,并且匹配速度更快。

基于快速视网膜关键点局部不变特征的激光主动成像目标识别

提出一种基于快速视网膜关键点(FREAK)局部不变特征的激光主动成像目标识别方法,在目标的矩、几何、轮廓等特征难以提取时仍然能够准确识别。提出差分加速分割检测特征(FAST-Difference)特征点检测方法,将加速分割检测特征(FAST)与高斯差分算子(DoG)相结合,快速提取出对于各种变换均具有稳健性的特征点;使用FREAK描述子生成特征向量,最后使用级联匹配方法完成特征向量的快速匹配。所提方法具有与人类视觉类似的特性:特征点检测阶段,FAST-Difference方法使用DoG进行多尺度检测;特征向量描述阶段,FREAK描述符的拓扑结构与人类视网膜类似;特征点匹配阶段,级联匹配方法模仿人类视觉的扫视搜索。实验证明所提方法能够对激光主动成像下的部分照亮的塔形目标进行快速有效的识别,算法满足识别系统实时性的要求。