基于MSCR与CS-LBP的鱼眼图像特征区域匹配方法

相比普通镜头,鱼眼镜头拥有更大的视场角,甚至可以直接获取半球域的图像信息,在立体视觉领域,应用鱼眼镜头来采集全景图像可减少镜头及图像采集模块数目,简化系统、提高运算速度、降低成本。但同时鱼眼镜头图像也存在一定程度的畸变,越靠近边缘畸变越严重。因此,在光轴正交或是角度更大的立体视觉系统中,进行相关图像的特征点匹配存在困难,直接影响立体视觉系统的应用效果。然而采用一种具有仿射不变性的图像匹配算法即可解决这个问题,首先提取原始图像的MSCR特征区域,其次引进CS-LBP算子对各个MSCR区域进行特征描述,应用特征权重的卡方距离比较法进行唯一匹配,最后进行椭圆拟合及连线标记使得匹配结果可视化。且通过实验验证了此方法的稳定一致性,可应用于大旋转角度的鱼眼图像的特征匹配。

基于MSCR和ASIFT的鱼眼图像立体匹配研究

鱼眼镜头在具有大视场优点的同时,存在成像失真大的缺陷,特别在边缘区域更为严重,因而在光轴正交或大视场条件下的立体视觉系统中,难以实现对图像的特征匹配。常规立体视觉匹配方法多基于小孔成像模型进行构建,直接用于鱼眼镜头图像的匹配存在较大误差,会影响图像间匹配的准确度。针对此问题,建立了一种具有仿射不变性的联合匹配算法。先提取鱼眼镜头图像的彩色图像最大稳定值区域（MsCB）特征区域,接着采用仿射尺度不变特征变换（ASIT）算子对该区域进行逐一描述,从而获取鱼眼图像间的最佳匹配。通过试验验证,该方法具有稳定一致性,能够完成未经失真校正鱼眼镜头图像的立体匹配。

结合MSCRs与MSERs的自然场景文本检测

目的目前,基于MSERs(maximally stable extremal regions)的文本检测方法是自然场景图像文本检测的主流方法。但是自然场景图像中部分文本的背景复杂多变,MSERs算法无法将其准确提取出来,降低了该类方法的鲁棒性。本文针对自然场景图像文本背景复杂多变的特点,将MSCRs(maximally stable color regions)算法用于自然场景文本检测,提出一种结合MSCRs与MSERs的自然场景文本检测方法。方法首先采用MSCRs算法与MSERs算法提取候选字符区域;然后利用候选字符区域的纹理特征训练随机森林字符分类器,对候选字符区域进行分类,从而得到字符区域;最后,依据字符区域的彩色一致性和几何邻接关系对字符进行合并,得到最终文本检测结果。结果本文方法在ICDAR 2013上的召回率、准确率和F值分别为71.9%、84.1%和77.5%,相对于其他方法的召回率和F值均有所提高。结论本文方法对自然场景图像文本检测具有较强的鲁棒性,实验结果验证了本文方法的有效性。