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SR-SURF的岩石显微图像拼接

岩石显微图像拼接是对岩石分析和研究的关键环节,由于岩石显微图像数量多(成百上千张)内容丰富并且包含大量相似易混淆区域,导致拼接速率和配准准确率低,并且多幅图像拼接时会产生误差累积导致拼接错位,针对此问题提出了一种SR-SURF(similar region-SURF)的岩石显微图像拼接方法.首先选用哈希指纹快速提取相似区域(similar region),然后在此区域检测特征点;之后利用改进的RANSAC(random sample consensus)算法剔除错误匹配点;再然后选用最佳模板匹配纠正错误配准图像;最后引入最小二乘法消除单应性矩阵相乘产生的累计误差;实验结果显示本文的算法消除了多幅图像拼接产生的累计误差,解决了拼接错位问题,提高了拼接速率和配准准确率,具有较高的实用价值,推动了岩石薄片的数字化存储进程.

SIFT与SURF在指纹识别系统中的性能对比

要实现指纹识别技术,必须使用图像特征的提取技术,尺度不变特征变换(ScaleInvariantFeature Transform,SIFT)和加速稳健特征(Speeded Up Robust Features,SURF)是目前运用比较广泛的两种图像特征提取算法。为验证哪种算法在指纹识别领域更适用,文章使用同一手指指纹的多张照片为图库,分别使用两种方法进行同一图自我匹配、指纹角度、范围不同图片匹配及较为模糊的图片匹配等实验。通过实验得出:虽然SIFT算法比SURF算法耗时更长,但是使用SIFT算法的运算量小于SURF算法,因此两种算法花费的时间近乎相等;在指纹对比库的创建方面,SIFT算法要优于SURF算法;在指纹匹配识别过程中,无论是同一张图片自我匹配,还是指纹角度和范围不同的图片进行匹配、指纹不清晰的图片进行匹配,SIFT算法的成功匹配点比SURF算法的成功匹配点分布更均匀,且数量相近或更多。可见,在指纹识别系统中,使用SIFT算法比SURF算法更合适。

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SURF和快速近似最近邻搜索的图像匹配算法

针对高维特征向量存在的最近邻匹配正确率低的问题,提出了一种基于SURF和快速近似最近邻搜索的图像匹配算法。首先用Fast-Hessian检测子进行特征点检测,并生成SURF特征描述向量;然后通过快速近似最近邻搜索算法得到初匹配点对,再对得出的单向匹配结果进行双向匹配;最后采用鲁棒性较好的PROSAC算法进一步剔除误匹配点对。实验证明了该算法不仅提高了SURF算法匹配的正确率,还保证了算法的实时性。

加窗灰度差直方图描述子及其对SURF算法的改进

如何构造紧凑而有效的特征描述子是机器视觉和模式识别领域重要的研究课题之一。针对SURF(Speeded Up Robust Features)算法的Haar描述子不能充分利用特征点周围信息的缺陷,该文提出了一种新的局部不变描述子——加窗灰度差直方图(Windowed Intensity Difference Histogram,WIDH),该描述子基于特征点周围邻域一个较小的核心区域,通过窗口模板的移动充分利用外围作用区域的灰度差信息,构造了一个维度低且辨识力很强,运算简单高效的描述矢量。实验表明,将WIDH用于改进SURF算法的Haar描述子时,可以用更低维的矢量获取与SURF相近或更好的辨识能力。在抗模糊性和抗噪性方面,WIDH明显优于SURF的Haar描述子,相同的错误率下查全率分别提高了大约35%和50%。

基于SURF特征跟踪的动态手势识别算法

提出了一种基于加速鲁棒特征(SURF)跟踪的动态手势识别算法.其特征在于算法无需预先检测分割人手区域,仅通过跟踪统计相邻帧间匹配SURF特征点的移动主方向来刻画手势运动轨迹.提出采用经时间规整的轨迹方向数据流来建立动态手势模型,利用基于相关分析的数据流聚类方法实现动态手势的识别,大大提高动态手势识别速度.实验使用26个英文字母作为动态手势训练和识别,手势训练集和测试集的识别率分别为87.1%和84.6%,并成功用于实验室自主研制的侦察移动机器人Hunter的运动控制中,证实了该方法的有效性.

基于SURF和最佳缝合线的车道图像序列拼接研究

为解决车辆压线行驶或发生交通事故时占用多个车道而无法采集到完整的车辆图像问题,基于SURF(speed up robust features)算法和最佳缝合线的思想,提出一种车道图像序列拼接方法。首先根据车辆运动轨迹提出寻找最优对应图像算法,用于找出近似同步拍摄图像;然后用SURF检测图像中的关键点对图像进行粗配准,用RANSAC方法去除误配准点实现精配准;最后利用最佳缝合线方法沿图像的重叠区域进行分割拼接。实验表明:利用车道图像序列拼接方法能找出近似同步拍摄图像,准确计算出图像的重叠区域,避免缝合线经过运动区域,解决了拼接过程中产生的重影、裂缝等问题,合成了质量较高的多车道图像,以此确保获得完整的车辆图像。

结合SURF算子和极线约束的柑橘立体图像对匹配

提出一种结合SURF算子和极线约束的立体匹配方法。对采集的双目视觉柑橘图像进行R-B分量的计算,在该分量上,采用快速hessian检测子进行特征点检测,并使用SURF描述子对检测到的特征点进行64维的特征描述。采用欧式距离和极线约束进行特征点匹配。实验表明,该方法对一幅图像对的平均处理时间为293ms,在果实被遮挡或光线变化的情况下均能较好地进行特征点提取和匹配。该方法为后续的深度信息计算提供了基础。

基于SURF的图像配准改进算法

针对传统的加速鲁棒性特征(speeded-up robust features,SURF)算法在图像配准中的应用现状,结合图像分块策略和相对距离理论,提出一种基于SURF的图像配准改进算法。通过图像分块策略改善提取特征点分布的均匀性;在SURF算法初匹配基础上,引用相对距离理论剔除异常匹配点,从而提高特征点匹配的精度和可靠性。选取覆盖重庆市沙坪坝实验区的Quick Bird卫星数据,以特征点正确匹配率和均方根误差RMSE为量化指标,对所提出的SURF改进算法的图像配准效果进行验证。实验结果表明,改进后的SURF算法的特征点正确匹配率达到88%以上,高于传统SURF算法的76%。通过相对距离剔除误匹配点后,最终配准结果的RMSE达到2.69个像元,符合图像配准的基本需求(RMSE在2个像元左右),具有一定的应用推广价值。

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。

基于SURF和全局特征融合的图像分类研究

针对SURF对图像局部特征具有极好的描述能力,但对于全局特征描述能力不强的缺点,提出将SURF和全局颜色特征相融合的图像分类算法,提取图像的SURF特征向量集,并利用随机直方图算法将该向量集进行数据归约成单一高维特征向量;提取图像HSV颜色直方图;分别利用支持向量机(SVM)对这两种特征进行分类;将两个分类结果进行高层特征融合得到最终分类结果。实验结果表明,该算法显著提高了图像分类的准确率。

基于FAST和SURF的遥感图像自动配准方法

提出了基于加速分割检测特征(features from accelerated segment test,FAST)和加速鲁棒性特征(speeded-uprobust features,SURF)的遥感图像自动配准方法。首先对参考图像与待配准图像进行HSI变换和高斯金字塔建立;然后检测并提取FAST角点,计算各角点的SURF描述子,用K-D树匹配搜索策略得到2幅图像的匹配点对;再使用最小二乘迭代法剔除错误匹配点并拟合几何变换系数;最后执行几何变换,得到配准后的图像。将该方法分别与基于SURF自动配准方法和ENVI软件中自动获取配准点的方法进行对比实验,结果表明,利用该方法能够获得更多的匹配点对,具有更高的几何配准精度,但在尺度不变性方面略逊于SURF算法。

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。

一种基于SURF的全景图像配准算法

传统的全景图像配准多采用基于SIFT的方法,该方法数据量大、时间效率低。提出了一种基于SURF的全景图像快速配准方法。运用SURF提取特征点,计算特征描述符;运用低时间复杂度的K-D树最近邻搜索法实现特征点快速匹配;利用RANSAC算法剔除误匹配点;最后估计出两幅全景图像的变换矩阵。测试表明:算法具有较高的时间效率和良好的鲁棒性。

Gradual-SURF算子的角点提取

SURF算子为了改善SIFT的计算复杂度高的问题,简化和近似了DoH(Determinant of Hessian),这样不仅保证了算法结果的稳定性,也提高了计算效率。但是SURF这样的近似简化过程,损失了图像中的一些渐变信息。对SURF算子进行了改进,在其处理过程中加入了渐变的信息。实验结果表明,提出的G-SURF(Gradual-SURF)算子可以获得更稳定的效果,并且同时计算复杂度也有所改善。

图像多尺度配准的小波域SURF算法

针对SURF描述子仅利用特征点的局部邻域信息而对于局部场景发生变化的图像容易产生误匹配的现象,提出了图像多尺度配准的小波域SURF算法。该方法对图像进行小波分解,利用低分辨率上得到的变换参数剔除高分辨率上的错误匹配,得到精确匹配点对,对图像进行配准。实验结果表明,该方法能有效地剔除误匹配点,提高图像配准的精度。

融合Hu矩与BoF-SURF支持向量机的手势识别

基于尺度不变特征变换的特征包(BoF-SIFT)支持向量机的分类方法具有较好的手势识别效果,但是计算复杂度高、实时性较差。为此,提出了融合Hu矩与基于快速鲁棒特征的特征包(BoF-SURF)支持向量机(SVM)的手势识别方法。特征包模型中用快速鲁棒性特征(SURF)算法替换尺度不变特征变换(SIFT)算法提取特征,提高了实时性,并引入Hu矩描述手势全局特征,进一步提高识别率。实验结果表明,算法无论是实时性还是识别率都要高于BoF-SIFT支持向量机方法。

基于FAST和SURF的图像配准算法

尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)方法在进行角点检测和特征点匹配时的时间较长。为此,提出一种改进的图像配准算法。建立参考图像与待配准图像的高斯图像金字塔,在金字塔各层图像进行检测,得到具有不同尺度的加速分割测试特征(FAST)点,采用SURF算法为各特征点分配方向,并计算各特征点的描述向量,使用快速近似最近邻搜索算法获取图像间的初始匹配点对,用随机抽样一致性算法剔除误匹配点对,同时得到2幅图像之间的几何变换矩阵。实验结果表明,与SURF算法和SIFT算法相比,该算法的特征检测速度和匹配速度较快,匹配正确率较高。