High speed robust image registration and localization using optimized algorithm and its performances evaluation

Local invariant algorithm applied in downward-looking image registration,usually computes the camera＇s pose relative to visual landmarks.Generally,there are three requirements in the process of image registration when using these approaches.First,the algorithm is apt to be influenced by illumination.Second,algorithm should have less computational complexity.Third,the depth information of images needs to be estimated without other sensors.This paper investigates a famous local invariant feature named speeded up robust feature（SURF）,and proposes a highspeed and robust image registration and localization algorithm based on it.With supports from feature tracking and pose estimation methods,the proposed algorithm can compute camera poses under different conditions of scale,viewpoint and rotation so as to precisely localize object＇s position.At last,the study makes registration experiment by scale invariant feature transform（SIFT）,SURF and the proposed algorithm,and designs a method to evaluate their performances.Furthermore,this study makes object retrieval test on remote sensing video.For there is big deformation on remote sensing frames,the registration algorithm absorbs the Kanade-Lucas-Tomasi（KLT） 3-D coplanar calibration feature tracker methods,which can localize interesting targets precisely and efficiently.The experimental results prove that the proposed method has a higher localization speed and lower localization error rate than traditional visual simultaneous localization and mapping（vSLAM） in a period of time.

基于IB-SURF算法的无人机图像拼接技术研究

针对传统SURF算法(speeded up robust features)在拼接高分辨率无人机航拍图像时运行速度慢、特征匹配率低的特点,提出了一种基于IB-SURF(image block-SURF)技术的无人机图像拼接算法。结合无人机定位定姿系统(position and orientation system,POS)求取图像重叠区域;构造掩模在无人机图像重叠区域检测特征点,减少特征提取时间;借助图像分块(image block,IB)的思想对图像划分网格,精简筛选特征点;引入Neighborhood-KNN(neighborhood-K nearest neighbors)进行特征点匹配,提高图像匹配效率。实验结果表明,IB-SURF算法有较快的运行速度和较高的特征匹配率,平均特征匹配率达到84.3%,特征匹配正确率超过95.1%,为图像高质量拼接提供了技术基础。

基于SURF-OKG特征匹配的三维重建技术

为了解决结构光三维重建中传统立体匹配存在的特征点匹配错误、匹配缺失和匹配重复等问题,本文将SURF算法中高斯滤波改进为自适应中值滤波结合小波变换,并提出了一种基于OKG算法的二次特征匹配方法。该算法首先使用自适应中值滤波结合小波变换算法对图像进行平滑和降噪处理,再进行初步特征点提取和匹配,然后将构建的尺度空间划分成多个网格,在每个网格内使用FAST算法提取尺度空间特征点,使用ORB算子提取左右图像的特征点,用BRIEF描述子对其进行描述,采用K-D树最近邻搜索法限制特征点选取,通过GMS算法剔除误匹配点。最后,将本文SURF-OKG算法与传统特征匹配算法进行对比分析,并对阶梯块进行三维重建来验证本文算法的有效性。实验结果表明:SURF-OKG算法的正确匹配率为92.47%;对阶梯宽度为40 mm,精度为0.02 mm的阶梯块进行三维重建,实验测得阶梯宽度的误差均值为1.312 mm,最大误差值不超过1.72 mm,基本满足结构光三维重建系统的实验要求。

基于双目立体视觉数据的波浪场重构研究

为及时准确地获取波面信息,建立了基于双目立体视觉的波面重构流程,从二维波面图像中快速获取三维波面分布。使用双目相机拍摄的波面图像对作为原始数据完成相机参数标定,基于加速鲁棒性特征算法、金字塔搜索法和极线约束完成波面特征点的提取和立体匹配。最后通过立体矫正、视差图分析及图片后处理优化流程实现波浪场的三维点云重构,并选取重构区域作线性插值划分均匀网格,将三维点云投影至二维波面原始图像完成可视化。研究结果表明,在光照条件良好、风浪等级相对较大的情况下,双目立体视觉模型能够准确提取波面特征点,重建的三维点云能够再现波面,具有使用便捷且成本较低的特点,为后续做波浪等级分析及波高预报的相关研究奠定了基础。

一种基于快速鲁棒特征匹配算法的类脑SLAM导航

类脑导航是模拟鼠类感知环境机制提出的一种同步定位与构图(Simultaneous localization and mapping,SLAM)的导航算法。针对复杂环境如室内光线变化导致类脑SLAM导航产生误差的问题,本文提出了基于特征匹配(Speeded up robust features,SURF)算法的优化类脑SLAM导航模型。该模型通过一套移动视觉系统采集环境信息,构建的局部场景细胞通过SURF特征匹配算法获取到载体在环境中的方向与位置信息;头朝向细胞与位置细胞通过连续吸引子神经网络共同表示载体当前的位姿。利用所获取的位姿与时间信息,通过路径积分计算当前载体在坐标系中所处的位置;最后,构建基于认知点的拓扑经验地图。此外,在局部场景细胞获取环境信息的同时,通过SURF特征匹配算法来进行闭环检测,判断是否需要对当前位置进行修正。本文提出的优化类脑SLAM模型很大程度改进了原有模型在有光线变化的室内情况下易产生场景误匹配的问题,并通过实验验证了本文提出方法的有效性。

基于SURF算法的雪地图像特征提取与配准

设计了一种针对雪地图像特征提取与配准的方案,首先基于SURF算法提取图像特征点,然后通过MSAC算法进行匹配点对提纯,并通过SVD分解实现矩阵的求解,最后依据求解结果进行了图像的配准,并从重投影误差、转换矩阵、不同算法匹配性能对比等方面对设计方案进行了验证、分析。实验结果表明:SURF算法提取的内点数分别占2幅图像提取特征总数的16.03%和20.03%;在相同的像素阈值下,投影变换由于考虑了图像的旋转、平移、缩放、切变和射影等参数,与仿射变换和相似变换相比,能够比较全面地反映倾斜摄影图像间的内在变换关系;本方案获得的拼接图像无明显错位,色彩过渡自然,无拼接缝。

一种基于SURF的图像特征点快速匹配算法

针对传统图像匹配算法计算量大、耗时长等缺陷,提出一种基于SURF(speeded up robust features)的图像特征点快速匹配算法.首先对图像采用SURF算法提取特征点;然后通过Haar小波变换确定特征点的主方向和特征点描述子,使用优化的最近邻搜索算法(best bin first,BBF)进行特征点匹配;最后根据实际需要选取相似度最高的前n对匹配点进行对比实验.实验结果表明:该算法鲁棒性强,速度快,匹配准确性高,具有较大的应用价值.

基于改进SURF算法的交通视频车辆检索方法研究

针对传统车辆检索方法中存在准确性和区分度较低的问题,提出了一个基于改进SURF(speeded up robust features)算法的视频车辆检索方法。在车辆视频关键帧提取的基础上,根据改进SURF算法完成车辆图像的特征提取及匹配,其中包含改进FAST(features from accelerated segment test)特征点检测、SURF特征向量提取以及最近邻查询方法来进行特征点的匹配;通过计算比较待检索车辆图像与数据库车辆图像的相似度,算法完成图像筛选并反馈检索结果。实验结果表明:针对交通监控视频中待检索车辆,该方法能够较为准确地进行检索并反馈结果。

基于改进快速鲁棒特征的图像快速拼接算法

针对快速鲁棒特性(SURF)算法实时性、鲁棒性等无法满足实际应用需求的问题,提出了一种对SURF的改进算法,实现图像快速拼接。改进的算法采用机器学习的方法,建立一个二进制分类器,识别出SURF提取的特征点中的关键特征点,并剔除非关键特征点。此外,采用Relief-F算法将改进的SURF描述子降维简化来完成图像配准。图像融合阶段采用带阈值的加权融合算法,实现了图像无缝拼接。实验结果表明,改进的算法具有较强的实时性和鲁棒性,并且提高了图像配准的效率,加快了图像拼接的速度。

多分辨率LK光流联合SURF的跟踪方法

针对交通监控中运动目标形变、雾霾天气、高速、光照不均、部分遮挡等复杂情况导致Lucas-Kanade(LK)算法跟踪不稳定问题,提出基于多分辨率LK光流算法联合快速鲁棒性特征(SURF)的跟踪算法。所提算法构建图像多分辨率小波金字塔,解决传统LK算法中同一像素点帧间大尺度运动易丢失问题;同时联合SURF尺度不变特征变换算法,提取特征点进行光流跟踪,并制定自适应模板实时更新策略;在减少光流计算量的同时增强运动目标抗复杂环境的能力。实验结果表明,新方法中特征点匹配准确快速,自适应性强,在交通复杂化境中跟踪稳定。

序列图像特征提取与匹配算法的改进

在计算机视觉领域中特征点匹配是一个重要课题。针对ORB(ORiented Brief,方向描述符)算法缺少尺度不变性的特点,将SURF(Speeded-Up Robust Features,快速鲁棒特征)算法与ORB相结合,提出了基于算法组合的改进算法SUORB(Speeded-Up ORiented Brief,快速方向描述符)。组合算法的基本思路是利用SURF算法建立多尺度空间,然后通过ORB算法为检测出的特征点建立描述符,最后根据生成的二进制描述符实现特征点匹配。实验结果表明,SUORB算法基本弥补了ORB算法的不足,若图像尺度发生变化,SUORB匹配算法比ORB匹配算法的准确度明显提高;同时SUORB算法保留了ORB算法的快速性。

动态视角下自主目标识别与跟踪

针对动态视角下由于相机高频率晃动导致的常用目标识别及跟踪算法准确率较低的问题,提出了一种基于Canny和GrabCut的自适应窗口式目标跟踪算法。首先使用加速稳健特征(SURF)算法学习图片库并记忆图片特征,设计基于SURF算法的记忆库目标识别算法;然后,对上述目标区域采用GrabCut的自适应优化算法进行感兴趣区域分割,实现目标粗略跟踪;最后,设计基于Canny算法的窗口式算法进行目标精确追踪。实验结果表明,所设计的算法能快速地识别目标、精确地勾勒出其轮廓并且稳定跟踪目标,相比其他算法,算法在实时性和精确性方面有显著提高。

基于改进的颜色和SURF特征的粒子滤波目标跟踪

针对视频中运动目标的准确跟踪问题,提出了一种改进的颜色直方图特征和SURF特征的粒子滤波跟踪算法。采用SURF算法提取特征点,利用分层迭代的KLT算法对特征点进行稳定跟踪。将SURF特征与改进的视觉显著性颜色特征进行乘性融合,作为粒子滤波的观测概率。针对跟踪过程中SURF匹配数下降和不稳定的现象,设计了SURF特征模板集的更新策略。与传统特征的跟踪进行多组对比实验,其结果证明了该方法对光照和遮挡具有很好的鲁棒性,对目标跟踪的准确率更高。

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换(SIFT)算法的精度和稳定性都不够,而加速鲁棒特性(SURF)算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFT算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。

基于二进制鲁棒不变尺度关键点-加速稳健特征的自然特征虚实注册方法

针对基于视觉的增强现实(AR)中虚实注册的准确率和实时效果受光照、遮挡和视角变化影响大,易导致注册失败的问题,提出一种基于二进制鲁棒不变尺度关键点-加速稳健特征(BRISK-SURF)算法的自然特征虚实注册方法。首先,利用加速稳健特征(SURF)特征提取算子检测特征点;然后,采用二进制尺度旋转不变鲁棒(BRISK)特征描述算子对特征点进行二进制描述,结合汉明距离实现准确高速的特征匹配;最后,根据图像间的单应性关系实现虚实注册。从图像特征匹配和虚实注册两方面进行实验,结果显示BRISK-SURF算法的平均准确率与SURF算法基本保持一致,比BRISK算法提高了约25%,平均召回率提高了约10%;基于BRISK-SURF的注册方法的结果接近参考标准数据,精度较高,实时性较好。实验结果表明,所提方法对于光照、遮挡和视角情况不同的图像具有较高的识别准确度、注册精度和实时效果。另外,使用此方法实现了基于AR的交互式旅游资源呈现与体验系统。

Harris-Laplace结合SURF的遥感图像匹配拼接方法

在遥感图像的处理和应用中,为了更好地解译、分析和研究图像信息,往往需要把两幅或多幅遥感图像拼接为一幅图像,文章针对遥感图像在旋转及受噪声影响时匹配困难的问题,提出了将Harris-Laplace(哈里斯-拉普拉斯)检测和SURF(快速稳健特征)算法相结合的匹配拼接方法。利用Harris-Laplace算法对遥感图像进行多尺度特征点检测,该特征点对光照变化、图像噪声和尺度改变具有不变性;然后,利用SURF算法确定特征点主方向并对特征进行描述;使用比值法进行初始匹配,接着用RANSAC(随机抽样一致性)算法剔除错误匹配点,并对匹配的图像进行拼接。试验结果表明,文中方法不但具有很好的抗旋转性能和抗噪声性能,而且较经典的SIFT(尺度不变特征变换)算法提高了匹配效率,能够为遥感图像的实时配准拼接以及几何定位精度评价提供有力的技术支持。

基于小波域改进SURF的遥感图像配准算法

为了进一步加快遥感图像配准速度,同时使其配准精度有所提高,提出了一种基于小波域改进加速鲁棒特征(speeded up robust features,SURF)的遥感图像配准算法.首先采用小波变换将基准图像和待配准图像分别分解获得其低频和高频分量;然后对低频分量提出改进SURF以得到粗配准点对:采用主成分分析(principal component analysis,PCA)对描述子降维,依据双向配准准则实现特征点的粗配准;接着利用两次距离阈值不同的随机抽样一致(random sample consensus,RANSAC)算法分级筛选出精配准点对;最后运用最小二乘法拟合几何变换参数完成配准.实验结果表明,与尺度不变特征变换(scale invariant feature transform,SIFT)算法、SURF算法、多尺度配准小波域SURF算法、基于NSCT(non-subsampled contourlet transform)和SURF的算法相比,本文算法不仅配准速度大大加快,同时配准精度也得到提高.

基于改进的加速鲁棒特征算法的工件定位方法

为了解决传统的图像处理算法识别现场获得的工件图像速度慢且匹配效果较差等问题,通过对工件图像的识别方法进行研究,提出了一种改进的加速鲁棒特征(SURF)算法可以实现工件准确、实时的定位。该算法基于加速分割测试特征检测器(FAST)对SURF算法的特征提取方式进行改进,首先利用FAST提取特征点,然后通过SURF算法生成特征点描述子,使用主成分分析算法(PCA)对描述子进行降维。随后以欧式距离作为相似性度量进行粗匹配,再采用随机抽样一致算法(RANSAC)剔除误匹配点。最后结合双目视觉技术得到工件空间位置坐标。实验结果表明:本文提出的算法在运行时间上相比传统SURF算法减少80%,同时提高了匹配的精度。达到了准确、实时的工件定位目的。

基于双目立体视觉的目标识别与定位

为从不同角度识别目标物体以及解决左右两幅图像中目标轮廓中心不匹配的问题,将SURF(Speeded Up Robust Features)算法与Grab Cut算法相结合,离线采集目标物体不同角度的图像,生成目标模板图片库。利用SURF算法完成目标物体的识别;利用SURF算法自动初始化Grab Cut算法,实现目标轮廓的提取;利用基于灰度相关的区域匹配算法完成目标轮廓中心点的匹配,结合三维重建原理实现目标定位。实验结果表明,该方法可以成功识别目标物体并对目标物体进行准确定位。

基于多重特征和SURF算法的车牌定位研究

针对利用SIFT算法进行车牌精确定位时执行时间较长的问题,提出一种基于多重特征和SURF算法的车牌定位算法。在HSL颜色空间得到车牌候选区域,结合车牌几何特征与纹理特征筛选候选区域并按设定的规则标号;按序提取车牌标号候选区域,并用SURF算法对候选区域精确定位。实验结果表明,SURF算法与SIFT算法相比,在定位准确率相同情况下减少了运行时间,能满足实时性需要。