基于形状内容描述子的点特征匹配

针对两幅图像中特征点的匹配问题,本文提出了一种新的基于形状内容描述子的点特征匹配方法。该方法首先利用基于曲率尺度空间(CSS)的角点检测技术获得两幅图像中的角点及其所在的曲线;然后,计算两幅图像中每个角点的形状内容描述子,运用χ2统计检验函数得到描述子的匹配度,对该匹配度进行评估,如果高于某一个阈值,则认为初始匹配成功;最后对初始匹配成功的点对,利用半局域限制完成点集之间的最终匹配。实验结果表明,本文所提出的匹配算法具有较高的点特征匹配准确率。

结构上下文:一种新的物体类别描述符

局部描述符(如SIFT)方法能够将图像中关键点的局部表观信息作为图像的特征,具有旋转不变性、尺度变换不变性、仿射不变性等性质,被广泛应用于物体分类、物体识别、图像匹配等领域。但是,它存在一个重要缺陷:只能描述物体的局部特征,忽略了整个物体的构造,而这在表示物体时是非常重要的。设计了一个新的"结构上下文"局部描述符,通过当前关键点和其他关键点间的空间拓扑结构关系描述各个关键点的特征。实验证明这种描述符在描述相同物体种类时特别有效。

基于扫描上下文优化的紧耦合激光SLAM方法

高精度地图与定位是无人车实现自主导航作业的重要前提,针对现有松耦合融合方法对观测信息利用不充分,以及传统闭环检测方法匹配精度低等问题,提出一种基于扫描上下文优化的紧耦合激光SLAM方法—–optimized SC-LIO-SAM.首先, IMU通过预积分对点云进行去偏校正,同时为激光里程计提供初始位姿估计;激光里程计通过滑动窗口的方法将当前帧的特征点云与局部地图匹配,随后基于扫描上下文的方法对特征点云进行编码生成点云描述符,实现高效的闭环检测;基于LIO-SAM的框架,将IMU预积分因子、激光里程计因子、GPS因子以及闭环因子插入全局因子图中,通过基于贝叶斯树的增量平滑优化算法对全局点云优化更新.为了验证所提方法的有效性,采用KITTI数据集评估optimised SC-LIO-SAM的性能,并与LOAM、LEGO-LOAM以及LIO-SAM对比,结果表明, optimised SC-LIO-SAM相比于LOAM、LEGO-LOAM以及LIO-SAM等算法,定位精度显著提升.最后将算法应用在开源数据集中,验证了optimised SC-LIO-SAM能够构建全局一致的地图.

基于点上下文描述子的三维手势轨迹识别

提出了一种基于曲率窗的点上下文描述子的三维手势轨迹识别方法,该方法通过采用曲率窗选取手势轨迹的上下文点,既有效地降低了描述子的维度,又提高了对三维手势轨迹的识别率.首先,计算三维手势轨迹上所有点的U弦长曲率;然后,选取曲率最大且相互分离的点作为手势轨迹的上下文点;最后,将每个轨迹点与上下文点之间的欧氏距离作为该点的特征向量.采用上述方法提取三维手势轨迹的形状特征,支持向量机(SVM)用于分类识别.实验结果表明:该方法对澳大利亚手语数据库(ASL)中任意8类三维手势轨迹的平均识别率达到92.98%,并且识别结果具有旋转、尺度、平移(RST)无关性.

结合全局信息描述子的局部特征匹配算法

针对影像间存在相似性场景时容易出现误匹配的问题,该文提出了局部DAISY描述子与全局纹理信息相结合的算法。详细论述了DAISY描述子和全局纹理的生成过程。该算法首先提取SIFT特征;然后计算特征点的DAISY描述子与全局描述子,获得结合全局信息的DAISY描述子;最后采用卡方统计量作为度量函数进行特征描述子的匹配。实验结果表明,该文算法能得到较好的匹配结果。但是该算法在大角度旋转情况下误匹配率较大。