改进仿射尺度不变特征变换算法的图像配准

为了更好地处理匹配效率、重复纹理匹配和仿射不变性匹配等问题,对完全仿射不变特征变换(ASIFT)算法进行两方面改进。匹配框架中特征提取的改进提高了ASIFT算法的匹配效率;利用优化随机采样算法(ORSA)结合以单应矩阵为几何线性约束模型的随机抽样一致性(RANSAC)改进匹配算法,提高了匹配精度和重复纹理结构的适应能力。实验结果表明,提出的改进算法能较好地匹配高度相似纹理,计算量小,计算速度快且精度高。

改进的抗全仿射尺度不变特征变换图像匹配算法

针对现有匹配算法难以解决图像发生仿射变换特别是发生大视角变换时的有效匹配问题,本文对匹配稳定性较好的尺度不变特征变换(SIFT)算法进行了深入研究和改进。借鉴其模拟和归一化相结合的思想对相机光轴的经度角和纬度角进行模拟并采用SIFT算法进行匹配。结果显示,提出的算法不仅保留了SIFT原有的对仿射变换的抵抗能力,而且对视角变换也有很好的鲁棒性,实现了完全的抗仿射变换。实验结果表明,与传统的SIFT算法相比,本文算法对仿射变换尤其是有大视角改变时有更好的适应性。

基于仿射尺度不变特征变换的掌纹识别

相比传统接触式采集方法,非接触采集是目前掌纹识别的趋势和主流,但其低约束性可能导致人手和图像传感器平面不平行,从而使掌纹产生仿射变形。传统的尺度不变特征变换(scale invariant feature transform,SIFT)对此识别效果不佳。针对这个问题,提出一种改进方案,即基于仿射尺度不变特征变换(affine scale invariant feature transform,ASIFT)的掌纹识别方法,建立了变形掌纹的仿射模型,模拟了相机光轴的经度角和纬度角,在仿射空间内提取图像特征。通过基于实际环境所建立的掌纹库———SUT图库验证算法性能,与SIFT算法及目前典型的掌纹识别方法进行对比。结果表明,ASIFT方法具备良好的抗掌纹仿射变形性能,等误率仅为0.6%,证明了该方法能够成功解决掌纹变形问题,鲁棒性和稳定性强,具备优越性。

基于区域分块与尺度不变特征变换的图像拼接算法

针对图像匹配算法计算量大,实时性差的问题,提出了一种基于区域分块与尺度不变特征变换(SIFT)相结合的图像拼接算法。该算法利用图像能量的归一化互相关系数快速分割出匹配图像与待匹配图像间的相似区域,利用SIFT算法在重叠区域中搜索出能用于匹配的图像特征点并实现快速精确配准。然后,通过对图像进行了几何校正和图像融合来实现图像序列间的无缝拼接。实验结果表明,该算法减少了传统SIFT算法的大量无用搜索,改善了图像的几何失真,降低了算法复杂度,提高了图像匹配的速度,在保证90%以上的匹配准确率的基础上,计算时间较传统SIFT算法减少了近50%。提出的算法可准确、快速地实现有形变和尺度变换图像的无缝拼接。

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CUDA的尺度不变特征变换快速算法

针对尺度不变特征变换(SIFT)算法耗时多限制其应用范围的缺点,提出一种基于统一计算设备架构(CUDA)的尺度不变特征变换快速算法,分析其并行特性,在图像处理单元(GPU)的线程和内存模型方面对算法进行优化。实验证明,相对于CPU,算法速度提升了30～50倍,对640×480图像的处理速度达到每秒24帧,满足实时应用的需求。

基于改进的尺度不变特征变换特征点匹配的电子稳像算法

针对传统尺度不变特征变换(SIFT)算法运算量大的问题,提出了一种改进的SIFT特征点匹配算法。首先介绍了SIFT特征向量的提取过程,并对算法进行了改进,在单尺度空间内提取目标的关键点,并形成34维特征向量,来代替传统SIFT算法生成的128维特征向量,使算法的实时性得到较大的提高,同时又保持了配准精度,最后将提出的改进SIFT特征应用于电子稳像中的全局运动估计中,并通过实验验证了算法的性能。

基于颜色矩的改进尺度不变特征变换的移动机器人定位算法

针对基于图像外观的移动机器人定位中图像特征提取与匹配实时性和准确性差的问题,提出基于颜色矩的改进尺度不变特征变换分级图像匹配算法。该算法先由颜色矩来排序图像序列,再由改进尺度不变特征变换特征与排序后图像序列精确匹配实现定位。其中,改进的尺度不变特征变换算法以基于采样的迭代搜索算法检测极值点,由Sobel算子计算特征点的梯度方向和幅值,提高尺度不变特征变换算法速度及匹配精度。实验结果表明：改进的尺度不变特征变换算法降低误匹配率约9.2%,特征提取与匹配耗时减少约25.8%;分级图像匹配算法减少尺度不变特征变换特征计算代价约70%,减少总体耗时约43.3%。

仿射变换下基于凸包和多尺度积分特征的形状匹配方法

针对在仿射变换下的形状匹配问题,提出基于凸包的特征点提取方法、基于各向异性高斯核的多尺度积分特征和基于两者的匹配方法.首先提取形状的凸包,根据最大面积原则对凸包相邻顶点之间的曲线进行演化,获取的点和凸包顶点形成仿射不变的特征点;其次对特征点按顺序编组,根据特征点之间的仿射变换关系构造多尺度积分特征向量;最后使用动态规划算法计算形状之间的相似度.实验结果表明,该方法对局部形变和噪声敏感度小,并适用于复杂形状的匹配.此外,特征点提取方法和多尺度积分特征也可与其他方法结合进行形状分析.

基于特征匹配与仿射变换的视频防抖算法

本文提出了一种利用提取尺度不变的特征点的算法,根据视频图像的特点,建立独特的快速视频防抖的仿射变换模型,从而实现视频图像的高可靠性防抖的算法。由这种算法编写的软件可以达到消除摄像机随机抖动带来的运动噪声的效果。另外,本文还提出了用来提高处理速度的实用方案。实验表明该算法具有良好的防抖效果,能够用于视频图像的实时处理。

基于OpenCL的尺度不变特征变换算法的并行设计与实现

针对尺度不变特征变换（SIFT）算法实时性差的问题,提出了利用开放式计算语言（Open CL）并行优化的SIFT算法。首先,通过对原算法各步骤进行组合拆分、重构特征点在内存中的数据索引等方式对原算法进行并行化重构,使得算法的中间计算结果能够完全在显存中完成交互;然后,采用复用全局内存对象、共享局部内存、优化内存读取等策略对原算法各步骤进行并行设计,提高数据读取效率,降低传输延时;最后,利用Open CL语言在图形处理单元（GPU）上实现了SIFT算法的细粒度并行加速,并在中央处理器（CPU）上完成了移植。与原SIFT算法配准效果相近时,并行化的算法在GPU和CPU平台上特征提取速度分别提升了10.51~19.33和2.34~4.74倍。实验结果表明,利用Open CL并行加速的SIFT算法能够有效提高图像配准的实时性,并能克服统一计算设备架构（CUDA）因移植困难而不能充分利用异构系统中多种计算核心的缺点。

视觉单词优化仿射尺度不变特征变换的视频人脸识别

针对视频人脸识别中由于光照、表情、姿态等变化而影响识别性能的问题,提出一种基于视觉单词优化仿射尺度不变特征变换的视频人脸识别算法。首先从兴趣点提取仿射尺度不变特征变换的图像描述符,将其作为人脸图像表示法;然后,由高斯差分检测,使用视觉单词的索引取代这些描述符;最后,计算视觉单词之间的巴氏距离,并利用最大相似性原则完成识别。在两大通用视频人脸数据库Honda及Mo Bo上的实验验证了该算法的有效性。实验结果表明,相比其他几种较为先进的视频人脸识别算法,该算法明显提高了识别率,并且大大降低了计算复杂度,有望应用于实时视频人脸识别系统。

基于尺度不变特征变换优化算法的带遮挡人脸识别

在带遮挡的人脸识别中,由于人脸图像呈现出较大差异性,使得特征关键点之间产生错误匹配,对人脸识别率造成很大影响。对基于尺度不变特征变换(SIFT)的人脸识别算法进行优化,提出一种全新的匹配策略,能够减少错误匹配的特征关键点对,并将其应用于带遮挡的人脸识别中。实验结果表明,该优化算法比以往的一些带遮挡人脸识别算法都具有更好的识别结果。

基于尺度不变特征变换和SVM的人脸检测算法

模糊支持向量机的提出克服了过学习问题和减少了多类问题分类时存在的不可分区域,被成功地应用在分类检测问题中。在人脸的特征提取和检测实验中,使用变分的测地活动轮廓模型对人脸分割定位,通过尺度不变特征变换算法提取人脸图像的数字特征,然后用一种改进的紧密度模糊支持向量机进行人脸检测。改进的紧密度模糊支持向量机通过交叉确认来获取较好的隶属度函数的参数,提高了算法的执行效果。实验表明改进算法有较好的分类精度和鲁棒性。

改进尺度不变特征变换算法的图像配准

为了提高尺度不变特征变换(SIFT)算法的配准精度和适应性,对匹配框架和匹配方法进行改进。匹配算法优化为初始匹配、中间匹配及精确匹配三个阶段,首先利用最近邻值、最次近邻比值对SIFT特征点进行分离得到两类初始匹配点集;中间匹配阶段对Ⅰ类匹配点集进行初步提纯并将一对多、多对一及双向匹配不一致点对归入Ⅱ类匹配点集;为提高匹配效率改进对极几何约束匹配方法来剔除误匹配点对完成精确匹配。结果表明,提出的改进算法在抗几何变形和配准精度等方面具有优越性。

基于分数阶微分的尺度不变特征变换图像匹配算法

利用分数阶微积分运算处理图像信息,有利于强化和提取图像的纹理细节,使图像得到增强,更有利于对图像特征的提取。为了提高图像匹配的正确性,用基于分数阶微积分图像处理方法,提出了改进的尺度不变特征变换(SIFT)匹配算法,将高斯滤波和分数阶微分滤波相结合,用分数阶微分对图像特征进行强化,检测出更加稳定的尺度空间极值点,然后筛选出更多和更准确的匹配特征点,最后进行图像匹配。实验表明,在SIFT中引入分数阶微积分的应用,能够得到更多的特征关键点,提高图像匹配的正确性。

基于图像深度信息的尺度不变特征变换算法误匹配点对剔除

特征点匹配是基于特征点的图像配准技术中的一个重要环节。针对现有基于尺度不变特征变换(SIFT)图像配准技术特征点匹配不理想,也无法较客观、快速地筛选正确匹配点对的问题,提出结合图像深度信息进行特征点误匹配筛选剔除的方法。该算法首先根据模糊聚焦线索和机器学习算法估计出待配准图像的深度信息图,再提取SIFT特征点,并在特征点匹配环节利用随机抽样一致性(RANSAC)算法迭代循环,结合深度局部连续性的原理来进一步提高匹配精度。实验结果表明,该算法具有很好的误匹配点对剔除功能。

基于尺度不变特征变换特征点应用于印刷检测的快速匹配算法

基于机器视觉的质量检测在印刷行业的应用日益重要,而图像匹配算法是其中的关键步骤。针对此问题提出一种应用于印刷行业的快速高精度匹配算法。首先利用尺度不变特征转换(SIFT)算法精确稳定地提取关键点,然后通过基于灰度相关系数的模板匹配算法在定位图像与模板图像的关键点之间找到匹配关系,并结合随机抽样一致(RANSAC)方法剔除错误匹配,从而使得整个快速匹配算法高效、稳定、准确。与SIFT算法比较,该算法不仅在时间上快很多,能够满足实时应用的要求,并且极少出现错误匹配。

以分数阶微分为基础的尺度不变特征变换图像匹配算法分析

进行数字图像处理主要是为了进一步提高图像质量以及其中特征等,以此有助于人或计算机进行识别与分析。在人类多元化需求不断提高的新形势下,进行图像处理在各个行业和学科都有涉猎,并且对精确度要求也非常高。图像特征提取在成功描述图像纹理、匹配图像、分割图像等领域都十分关键。分数阶微积分在信号处理中具有明显优势,其不仅可以有效增强图像,还可以保留图像的纹理细节。本文主要对以分数阶微分为基础的尺度不变特征变换图像匹配算法进行了深入探究,以期能够进一步提高图像质量。

基于OpenStack云架构的尺度不变特征变换算法

在OpenStack计算架构基础上,部署并解决了尺度不变特征变换(SIFT)特征提取在单一计算节点中计算效率的低下的问题。在保持计算结果精度的前提下,降低了系统计算资源负载,对大量SIFT计算请求进行实现,通过Nova以及Swift项目实现动态规划计算节点和面向对象存储,保证了原算法计算的精度,同时降低20%以上的系统负载,达到预期效果。