采用改进的尺度不变特征变换算法计算物体旋转角度

改进了传统的尺度不变特征变换(SIFT)算法,使其在进行图像匹配的同时,可以求取出物体的旋转角度。首先,利用SIFT特征对旋转保持不变的特性,按照原算法提取出旋转前后两幅图像的SIFT特征,分析特征点主方向的计算过程,记录每个特征点主方向的角度值进行特征匹配。然后,计算出每对匹配的SIFT特征点的主方向角度之差,得到特征点的旋转角度;采用迭代自组织聚类的方法分析得到的特征点旋转角度数据,依据类内方差和类内样本数目,选取正确的样本类。最后,选用该样本类的均值作为物体的最终旋转角度。实验结果表明,该方法在图像畸变不大时的误差在3°以内,即使在部分遮挡的情况下,也能较好地计算出旋转角度。在时间复杂度增加不大的情况下,使SIFT算法具有了计算旋转角度的功能,拓宽了应用方向。

基于PCA-SIFT特征匹配的图像拼接算法

针对传统基于尺度不变特征变换（SIFT）的特征匹配图像拼接算法中数据量过大、耗时较长的问题,提出一种基于主成分不变特征变换（PCA-SIFT）的图像拼接方法。该方法使用主成分分析（PCA）法减少了传统SIFT特征描述符的维数,降低了特征点描述符数据复杂度。在提取PCA-SIFT特征的基础上,利用最近邻近算法建立特征点对之间的初次匹配,采用具有鲁棒性的随机抽样一致性算法（RANSAC）去除错误匹配,最后运用渐入渐出加权融合算法进行图像融合。40组拼接仿真实验中,图像拼接速度相较于传统的基于SIFT算法提高了46%~49%。实验结果表明,该方法在保证具有良好的拼接质量的前提下,提高了图像拼接速度。

一种基于SIFT的仿射不变特征提取新方法

图像局部特征提取是图像理解及机器视觉领域一个非常关键的问题,其中SIFT特征因具有良好的显著性和鲁棒性而得到广泛应用。但是,SIFT采用DOG检测子,定位的特征区域为各向同尺度变化的圆形区域,故其只具有尺度不变性,并不具备仿射不变性。此外,SIFT采用128维特征向量表示,当在图像特征点较多情况下进行匹配实验时,存在存储空间大、匹配耗时多等缺点。针对这两个问题,本文提出一种新的仿射不变特征提取方法,即HA-DR-SIFT(Hessian Affine-DimensionalityReduction-SIFT)。首先,用Hessian-Affine检测子代替DOG检测子,使提取的椭圆图像区域满足仿射不变性需求;其次,用PCA或NLPCA方法对128维特征向量进行降维处理,提高后续运算效率。实验表明,新方法不仅具有良好的仿射不变性,而且在匹配时间和存储空间上优于SIFT算子。

一种面向图像拼接的改进PCA-SIFT算法

针对图像拼接中尺度不变特征变换(SIFT)算法没有充分考虑特征点的分布情况且计算复杂、耗时较长等问题,提出了一种基于改进的PCA-SIFT算法.该算法首先在空间极值点检测阶段引入改进的非极大值抑制法对初始特征点进行优选,得到分布更加均匀的特征点集;然后在构建描述符阶段基于圆形领域提取64维SIFT描述符,并使用主成分分析(PCA)法对描述符进一步降维,减少描述符的数据复杂度;最后在特征匹配阶段引入基于KD树的BBF搜索策略,采用随机抽样一致性(RANSAC)算法剔除误匹配点,从而提高了匹配速度与匹配精度.在10组图像拼接实验中,本文算法的拼接速度是传统SIFT算法的1.6～2.2倍.实验结果表明,本文算法具有较高的精度、较好的鲁棒性,较强的实时性.

足球机器人视觉目标识别的PCA-SIFT算法

针对Robocup类人组比赛的特殊环境,为了识别比赛双方机器人,并克服光照变化、图像扭曲等问题给识别目标带来的干扰,选用尺度不变特征变换(SIFT)算法进行特征提取。由于SIFT算法的实时性差,提出改进的PCA-SIFT目标识别算法,将主成分分析法(PCA)用于对经典SIFT算法中的128维描述子进行降维,并用最近邻法进行特征点的匹配。通过实验发现,经过PCA改进的描述子不仅提高了运算速度,匹配度也保持在较好的状态。

一种改进的SIFT-PCA算法在图像检索中的应用

针对SIFT算法(尺度不变特征)提取出的图像特征点向量维数较多造成计算量较大、检索效率低等问题,提出一种SIFT和改进的主成分分析(Principal Component Analysis,PCA)相结合的SIFT-PCA算法。该算法首先采用SIFT算法提取图像特征点向量,然后利用改进的PCA算法把特征点向量变换到另一个空间,得到最具有代表性的特征参数,实现对特征点向量的降维。此算法在保证原SIFT算法鲁棒性的同时减少了计算量,增强了实时性。实验结果说明了该算法具有尺度、平移、旋转、光照不变性,在图像检索中应用切实可行且效果良好。

一种改进PCA-SIFT和粒子群优化的图像匹配算法

图像匹配里传统的尺度不变特征变换(SIFT)因为存在数量与维数相对较多,导致出现计算量大匹配时间长的问题。故提出了一种基于PCA-SIFT的改进算法。该算法采用了一种圆形描述符对SIFT降维,同时利用主成分分析(PCA)法对描述符进一步降维,以此来减少描述符的维度带来的大量数据;在匹配时通过分层粒子群算法优化欧式距离与余弦相似度函数,根据粒子的差异性进行分阶层处理,寻找函数的极值,以此找到匹配点;通过实验对比发现特征点减少了5%~10%,时间也相对减少,改进的PCA-SIFT匹配算法可以有效地提升匹配的准确率。

基于PCA-二叉树的大规模图像索引技术研究

针对大数据数据库中图像索引中维度灾难问题,该文提出一种基于云的大规模图像检索技术,该方法创新性地将主成分分析法和二叉树引入到图像检索技术中,首先采用尺度不变特征变换和加速鲁棒特征描述符作为帧特征,面对大规模维度特征,将主成分分析法对帧特征进行降维,并使用二叉树表示降维后的特征,以加速研究阶段并减少存储空间,最终实现图像检索.实验表明:该文方法在降维70%的条件下,搜索精确率/召回率(Precision/Recall,PR)值能够达到传统方法20%降维条件下的PR值,并且在搜索时间上,该文方法与正常搜索相比,搜索速度得到30%~50%的提升.

基于SIFT稀疏表示的人脸识别算法

为了提高人脸识别的准确率,提出基于尺度不变特征变换(scale invariant feature transform,SIFT)的稀疏表示人脸识别算法。根据SIFT特征对光照、表情、姿态的鲁棒性和稀疏表示对噪声因子的稳健性及其优越的分类性能,提取人脸图像多尺度空间的SIFT局部特征;再利用Fisher Vector(FV)方法对图像特征进行编码,用似然函数的梯度向量来表达图像,使其包含更深层次的信息;最后用融合的SIFT-FV特征构造稀疏表示字典矩阵,主成分分析方法降低数据维度,用稀疏表示分类算法对人脸进行识别。将该算法应用到Yale、Orl和AR人脸库上,识别率均有所提高。

面向火灾图像的特征提取与识别方法研究

提出了一种针对火灾图像进行处理的特征提取及识别方法。首先,通过建立颜色直方图提取火灾图像与非火灾图像的颜色特征;然后,利用尺度不变特征变换算法计算两类图像的局部特征,并利用主成分分析法对两类图像特征进行降维处理,再针对降维处理后的图像特征采用K均值聚类算法进行计算;最后,针对测试图像库中的图像数据,经过颜色直方图初判、局部特征与聚类中心对比等步骤获得识别结果。该方法能够将火灾图像有效、快速地识别出来,以达到及时报警的效果。

改进PCA-SIFT算法的立体匹配系统

针对双目视觉测量中的立体匹配问题,提出了一种基于主成分分析(PCA)算法和尺度不变特征变换(SIFT)匹配算法相结合的双目视觉立体匹配新方法。该系统以GSI编码点为特征点,利用双目相机对以散斑为背景的编码标识板进行成像,利用PCA算法与SIFT算法结合的新算法对采集的图像进行特征提取与匹配解算。可实现对GSI编码点特征的准确提取和立体匹配,并测量出不同位姿下特征点之间的精确位移。实验验证部分引入GSI编码技术并在行程为1000 mm×1000 mm二维高精度平移台上进行,实际测得位移的绝对误差在5×10-2mm之内,验证了该系统的高精确性。

基于SIFT和PCA的图像感知哈希方法

提出了一种新颖的基于尺度不变特征变换(SIFT)和主成分分析(PCA)的感知哈希方法。SIFT特征在通常的图像处理中具有很强的稳定性,并具有尺度和旋转不变性,通过对哈希生成两阶段框架的详细分析,SIFT算法用来提取图像的局部特征点,PCA用来对特征数据的信息压缩。每个特征点的PCA基的叠加构成图像哈希,在叠加中采用了伪随机处理,增强了算法安全性,图像之间的相似度通过哈希的归一化相关值来确定。实验分析表明该方法对各种复杂攻击,如图像旋转、光照变化、图像滤波等具有较好的稳健性,对比基于非负矩阵分解的图像哈希方法在图像识别应用中具有更好的性能。