基于边缘感知的点云配准算法

在使用深度学习方法进行点云配准时,直接利用特征相似性作为采样依据,往往会导致采样过于集中且大量分布在平面等非显著区域内,不利于变换矩阵的推导.针对此问题,提出一种边缘感知的点云配准算法.首先通过分析点云中每点与其邻域点的空间分布对边缘区域进行检测;然后针对现有的特征描述子和联合学习框架,将对应关系和关键点的采样区域限定在边缘区域,提高特征的匹配能力;最后将特征相似性和显著性作为采样概率,得到一组分布良好的对应关系或关键点并用于配准.在真实数据集和合成数据集上的大量实验结果表明,所提算法可以使现有的特征描述符达到与现有联合学习框架相当的性能,对于现有联合学习框架,在低重叠点云场景(3DLoMatch)中,边缘区域采样关键点可以平均提高约5%的配准召回率.

基于CenSurE-star特征的无人机景象匹配算法

针对传统局部不变特征的景象匹配算法冗余点多、实时性差、抗几何变换不突出的情况,提出基于CenSurE-star的无人机(UAV)景象匹配算法。首先采用Cen Sur E特征星型滤波器(CenSurE-star)提取基准图和实时图中的特征点,并生成FREAK二进制描述符;然后将汉明距离作为特征点的相似性判定度量,采用K近邻距离比值的方法提取匹配点对;最后利用基于RANSAC的定位模型得到空间几何变换关系,实现图像匹配并获取定位点经纬坐标。算法性能评价实验表明,本文算法不仅相对于SIFT、SURF、ORB算法,对各种变换具有更好的鲁棒性,而且相对于改进的SIFT、SURF算法处理时间有更大程度的缩短,算法定位误差在0.8个像素内,尺度误差在0.02倍内,旋转角度误差在0.04°内。基于算法进行外场飞行实验,实验证明算法定位精度较高,可以适应地貌信息较少的环境,并能满足无人机视觉辅助导航的需求。

一种基于分层学习的关键点匹配算法

关键点匹配技术是计算机视觉中的一项重要技术,其最主要的问题是寻找一种快速鲁棒的关键点匹配算法。该文提出了一种基于分层学习的二值描述符匹配算法。该方法将二值描述符学习过程分为粗细两个层次,结合了固定点抽样模式和随机抽样模式的优点,提高了学习效率;另外,该方法建立了更加合理的点对辨识模型并将其应用到关键点匹配算法中,提高了匹配精度。实验结果表明,在低计算复杂度下,该方法的匹配精度仍优于其它经典的二值描述符匹配算法。

基于FAST关键点的增强现实跟踪注册算法

介绍了一种基于FAST关键点的无标志点增强现实跟踪注册算法.算法在标定关键帧图像的基础上,对获取的视频图像,使用FAST角点探测算法提取特征点并建立相应点的SURF描述.经过RANSAC算法消除外点后,将这些点与关键帧图像中的FAST关键点进行匹配,获取摄像机的姿态,完成系统的自动跟踪注册.实验结果表明,算法实时性好、鲁棒性强、跟踪定位精度高,有效推动了AR在智能终端的应用.

基于优化采样模式的紧凑而快速的二进制描述子

进一步挖掘图像补丁特征信息,提出了一种鲁棒性更高的二进制描述子.针对传统的二进制描述子对旋转和视角变化鲁棒性差的问题,本文通过优化采样模式和分解图像补丁对其改进.首先,通过对最新提出的采样模式特点的分析、测试,发现采样点密度和平滑重叠度对产生的描述子独特性有重要影响;据此,调整这两个影响因子,设计出一种优化的采样模式.其次,利用像素点灰度值排序方法分解图像补丁,产生多个对应不同灰度段的亚补丁.最后,将优化的采样模式映射到亚补丁上,随机提取样本点进行灰度值比较测试.所得到的二进制描述子不仅包含了补丁像素的灰度比较信息,而且包含了灰度排序信息.通过对比实验看到本文的二进制描述子对特征识别匹配效果最好.本文的特征描述方法可应用于实时性要求高、内存紧凑的高质量目标识别.

对光照变化鲁棒的快速关键点提取与匹配

利用积分图像提出一种对光照变化鲁棒的快速关键点提取与匹配方法.首先,对基于黎曼积分的对比度拉伸响应,利用积分图像进行多尺度上采样滤波,快速提取光照鲁棒的局部特征,并在多分辨率框架下基于局部极大值检测多尺度显著特征关键点.然后,使用积分图像方法对以特征点为中心对称的矩形区域快速构造协方差描述,并采用对数欧氏距离,测度2个匹配场景中所提取的关键特征点周围区域的协方差矩阵之间的差异;最后,根据稀疏匹配策略,完成2个特征点集之间的自动匹配.实验结果表明,该方法结构简单,计算快速高效,准确性较高,且对于光照变化具有较好的适应性.

基于空间结构的图像特征匹配算法

图像二进制特征描述器比浮点数特征描述器存储容量小、计算速度更快。在对常用二进制特征描述器进行分析的基础上,利用图像特征点之间的空间结构信息改进FREAK描述器的采样模式,提出MPFREAK描述器,提高特征描述能力;针对特征匹配时最近邻算法运行较慢的缺点,改进LSH算法,减少候选集列表空间,提出了海明空间的二进制特征快速匹配算法MLSH。实验表明,MPFREAK描述器描述能力优于其他算法,特征匹配算法效果明显、速度更快。

一种新的图像关键点描述子

目前图像特征匹配的主流方法是检测图像中的关键点,通过对关键点的唯一表述来生成关键点描述算子。通过对图像进行分析,提出了一种新的图像关键点描述算子,对图像关键点邻域像素进行编码,得到二进制编码标签,同时根据幅值大小,生成8维的关键点方向描述算子,通过比较不同图像的关键点描述算子,实现图像的匹配。实验证明:该方法能获得很好的匹配效果。

基于ResNet和RF-Net的遥感影像匹配

针对Receptive Fields Network(RF-Net)中存在网络较浅、缺乏深层语义信息的问题,提出了一种基于Residual Network(ResNet)和RF-Net的改进网络用于遥感影像匹配。首先,通过对真实遥感影像进行裁剪、光照变换和仿射变换处理,得到图像对并计算同一序列中不同图像间的单应性矩阵,构建了一个遥感影像数据集。然后,提出了一种双通道的网络结构用于关键点检测,该双通道网络由Receptive Fields Detection(RF-Det)和ResNet构成,前者提取含有细节信息的浅层特征图,后者提取含有语义信息的深层特征图。此外,采用特征描述子提取网络L2-Net,得到128维特征向量用以描述关键点。最后,分别采用最近邻、带阈值的最近邻和最近邻距离比的策略对特征描述子进行匹配。实验结果表明,该网络在仅含光照变换、仅含仿射变换和同时包含这两种变换的遥感影像数据集上的匹配得分,比RF-Net分别提高了0.002,0.117,0.104,在关键点检测和匹配精度方面具有更优的性能。

基于关键点的由粗到精三维人脸特征点定位

提出了一个基于关键点由粗到精的三维人脸特征点定位算法,该算法将人脸特征点定位分为关键点检测和标记两个独立的子问题。为了更好地在三维人脸上提取关键点,该算法提出了一个关键点检测方法：1）使用深度图和监督下降算法得到三维人脸特征点的粗略位置,提取特征点粗略位置的邻域作为关键点区域;2）提出了一种结合多个局部描述子的方法,对关键点区域内人脸点集的子集进行筛选,提取出关键点。在特征点标记阶段,使用关键点集生成候选特征点组合,选择与特征点模型匹配程度最高的组合,将组合中的候选点标记为特征点。基于FRGC v2.0和Bosphorus数据集对算法进行了实验评估,并与一些经典方法的结果进行了对比分析。FRGC v2.0库上的特征点的平均误差为2.85-3.81 mm,总体检测成功率为96.5%,其中中性、温和以及极端表情下检测成功率分别为97.5%、97.0%和93.3%。Bosphorus库上3种姿态下的检测成功率分别是92%、95%和88%。实验结果表明,该算法具有较好的精度和效率,对表情和小幅度的姿态变化具有较好的鲁棒性。

Robust Hierarchical Framework for Image Classification via Sparse Representation

The sparse representation-based classification algorithm has been used for human face recognition. But an image database was restricted to human frontal faces with only slight illumination and expression changes. Cropping and normalization of the face needs to be done beforehand. This paper uses a sparse representation-based algorithm for generic image classification with some intra-class variations and background clutter. A hierarchical framework based on the sparse representation is developed which flexibly combines different global and local features. Experiments with the hierarchical framework on 25 object categories selected from the Caltech101 dataset show that exploiting the advantage of local features with the hierarchical framework improves the classification performance and that the framework is robust to image occlusions, background clutter, and viewpoint changes.

惯性组合导航系统中基于BRISK的快速景象匹配算法

针对景象匹配/惯性组合导航系统对景象匹配算法精确性、实时性和鲁棒性的要求,提出惯性组合导航用基于二进制鲁棒不变尺度关键点(BRISK)特征描述符的高精度快速景象匹配算法。首先,结合惯性导航的误差特性设置BRISK特征检测子及描述子参数,提取参考图和实测图的BRISK特征和描述符;然后,根据最近邻汉明距离准则获取匹配的BRISK特征点对;最后,利用RANSAC方法和最小二乘算法(LSA),求得位置和航向参数。实验结果表明,本算法具备亚pixel级精度、ms级实时性以及优越的抗噪声、抗光照变化和抗旋转尺度变换能力。

一种旋转不变特征描述符

提出一种基于图像梯度旋转直方图(RHG,rotation histogram of gradients)的快速计算旋转不变特征描述符算法。RHG描述符使用直方图旋转的方法获得旋转不变性,采用直方图加权合并的方法降低边界效应引起的描述符统计矢量的突变。RHG描述符将特征点主方向的计算与描述符的计算合并,提高了计算效率。RHG描述符在图像存在尺度改变、3维视角变化引起的变形、旋转变化、照度改变和噪声等因素的影响下,具有较强的鲁棒性。RHG描述符的性能与尺度不变特征变换(SIFT,scale invariant feature transform)描述符相近,但计算速度提高2倍以上。

像素聚类改进二进制描述子鲁棒性

目的通过挖掘图像局部区域特征信息,提出了一种鲁棒性更高的二进制描述子。针对BRIEF(binary robust independent elementary features)关于旋转和视角变化鲁棒性差的问题,通过图像补丁分层处理、增加关键点图像补丁个数来捕获更多的局部特征信息,对BRIEF描述子改进。方法首先,根据灰度序列对补丁内所有像素点分类,像素的一个聚类形成了一个亚补丁,然后在每个亚补丁上进行类似BRIEF的随机测试。其次,由于原图像补丁大小、尺度大小影响补丁的像素点成分,从而影响像素聚类的效果,所以在原图像关键点周围分割出多个不同大小的图像补丁,或是将原图像补丁根据尺度金字塔确定几个尺度大小不同的补丁,然后再对图像补丁进行分层、测试。所构建的描述子不仅包含了补丁像素的灰度比较信息,而且包含了灰度排序信息和像素群聚信息,提高了描述子的鲁棒性。结果通过性能对比实验,发现所提的描述子的性能提高了,而且好于对比的浮点描述子。结论挖掘图像补丁的特征信息能提高二进制描述子的鲁棒性。

对数极坐标系下尺度不变特征点的检测与描述

目的当前国际流行的SIFT算法及其改进算法在检测与描述特征点时基于高斯差分函数,存在损失图像高频信息的缺陷,从而导致图像匹配时其性能随着图像变形的增加而出现急剧下降。针对SIFT算法及其改进算法的这一缺陷,本研究提出了一种新的无图像信息损失的、在对数极坐标系下的尺度不变特征点检测与描述算法。方法本研究提出的尺度不变特征点检测与描述算法首先将直角坐标系下以采样点为中心的圆形图块转换为对数极坐标系下的矩形图块,并以此矩形图块为基础对采样点进行特征点检测与描述符提取;该算法使用固定宽度的窗口在采样点的对数极坐标径向梯度图像的logtr轴上进行移动以判断该点是否为特征点并计算该点的特征尺度,并在具有局部极大窗口响应的特征尺度位置处提取特征点的描述符。该算法的描述符基于对数极坐标系下的矩形图块的灰度梯度的幅值与角度,是一个192维向量,并具有对于尺度、旋转、光照等变化的不变性。结果本研究采用INRIA数据组和Mikolajczyk提出的匹配性能指标对SIFT算法、SURF算法和提出的尺度不变特征点检测与描述算法进行比较。与SIFT算法和SURF算法相比,提出的尺度不变特征点检测与描述算法在对应点数、重复率、正确匹配点数和匹配率等方面均具有一定优势。结论提出了一种基于对数极坐标系的图像匹配算法,即将直角坐标系下以采样点为中心的圆形图块转换为对数极坐标系下的矩形图块,这样在特征点的检测过程中,可以有效规避SIFT算法因为采用DoG函数而造成的高频信息损失;在描述符提取过程中,对数极坐标系可以有效地减少图像的变化量,从而提高了匹配性能。

结合局部关键点集与测地线的三维人脸识别

为了克服面部表情变化导致的三维人脸识别精度不高的问题,提出了一种结合局部关键点集与测地线的三维人脸识别算法。首先,根据表情变化对人脸识别具有分区域影响的特性,将三维人脸划分出刚性区域和非刚性区域;然后将由鼻部和眼部组成的区域作为刚性区域,进行有效关键点检测,提取多种几何特征,构成局部描述子,进行相似度匹配;接着在非刚性区域提取测地线环带并进行相似度匹配;最后将两个区域的匹配程度进行加权融合,得到最终的匹配结果。该算法分别在Bosphorus和FRGC v2.0数据库上进行了实验验证,结果表明算法识别率分别达到了97.01%和98.63%,由此证明本文算法对三维人脸的表情变化有较强的稳健性。