基于重叠区域改进SURF的无人机影像快速匹配算法

针对无人机影像匹配算法因影像信息量大、视场大和地物纹理复杂而导致匹配精度及效率低的问题,以加速稳健特征(Speeded Up Robust Features, SURF)算法为基础,提出了一种基于重叠区域改进SURF算法的无人机影像快速匹配算法。算法主要分为3步:(1)利用无人机影像重叠率计算影像特征点检测提取区域,并在区域内进行SURF特征点检测提取,避免无效特征点影响匹配精度与效率;(2)采用同心圆环8区域模板替换原SURF算法矩形模板,并引入影像色彩信息构建34维的特征描述符,进行特征匹配;(3)采用M估计抽样一致性(M-estimator Sample Consensus, MSAC)算法剔除误匹配点,实现影像的精匹配。实验分析表明,所提算法能够有效提升无人机影像特征匹配正确率及算法运行时间效率。

基于加速稳健特征算法的监控摄像头视频融合技术

视频监控摄像头在现代安防中起到了不可替代的作用,为适应更多环境,摄像头技术也一直在不断发展。本文提出了一种可实现多摄像头画面实时拼接的技术设计方案:基于加速稳健特征算法,实现对视频单帧画面间的特征点进行提取及拼接;使用FFmpeg(Fast Forward Mpeg)媒体处理库进行视频摄像头媒体流文件的分解及最终融合视频的呈现;使用Qt框架实现程序开发及效果展示。经测试表明,该设计方案能在保证不降低画面分辨率的前提下,实现多摄像头的视频画面融合,画面扭曲程度低,为摄像头画面融合提供了一些参考。

基于二进制鲁棒不变尺度关键点-加速稳健特征的自然特征虚实注册方法

针对基于视觉的增强现实(AR)中虚实注册的准确率和实时效果受光照、遮挡和视角变化影响大,易导致注册失败的问题,提出一种基于二进制鲁棒不变尺度关键点-加速稳健特征(BRISK-SURF)算法的自然特征虚实注册方法。首先,利用加速稳健特征(SURF)特征提取算子检测特征点;然后,采用二进制尺度旋转不变鲁棒(BRISK)特征描述算子对特征点进行二进制描述,结合汉明距离实现准确高速的特征匹配;最后,根据图像间的单应性关系实现虚实注册。从图像特征匹配和虚实注册两方面进行实验,结果显示BRISK-SURF算法的平均准确率与SURF算法基本保持一致,比BRISK算法提高了约25%,平均召回率提高了约10%;基于BRISK-SURF的注册方法的结果接近参考标准数据,精度较高,实时性较好。实验结果表明,所提方法对于光照、遮挡和视角情况不同的图像具有较高的识别准确度、注册精度和实时效果。另外,使用此方法实现了基于AR的交互式旅游资源呈现与体验系统。

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。

基于SURF的UAV快速目标识别算法

针对UAV(Unmanned Aerial Vehicle)侦察目标识别中的实时性和鲁棒性的要求,提出一种基于SURF(Speeded Up Robust Features)的快速目标识别算法。对UAV侦察图像进行预处理,采用不变矩构造遗传算法的适应度函数,利用遗传算法的全局搜索能力快速地提取可能包含目标的RO(IRegion Of Interesting)区域。在ROI区域和模板图像中提取SURF特征点,采用最近邻的匹配算法搜索匹配对,从而精确确定目标的位置。仿真结果显示,该算法可以明显地提高目标识别的实时性并具有相当的鲁棒性。

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。

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换(SIFT)算法的精度和稳定性都不够,而加速鲁棒特性(SURF)算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFT算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。

直方图均衡化与SURF重构的图像特征提取方法

针对SURF算法提取图像特征点较少的问题,提出了一种经直方图均衡化处理,重构SURF尺度空间(R-SURF)的图像特征提取方法。该方法能提高图像特征点检测数目,同时保持较高的匹配率,并且继承SURF算法的良好特性。将算法与SURF和C-SURF算法进行比较实验,结果表明R-SURF具有更好的特征检测能力。

融合颜色信息与特征点的镜头边界检测算法

针对新闻视频镜头检测算法在高效和准确两个方面的要求很难平衡的问题,提出了一种融合全局特征与局部特征的融合算法。首先介绍了镜头边界检测的相关理论知识。接着,分别对基于H-S颜色直方图这一全局特征,以及尺度不变特征变换(SURF)特征点这一局部特征的镜头边界识别算法进行分析,并应用于新闻视频中进行相应的步骤设定;在此基础上,将两类典型的算法融合形成一种新的镜头边界检测算法。通过构建视频镜头检测软件平台,对其有效性进行验证。实验结果表明:融合算法能够充分发挥两类算法各自的优势,使新闻视频镜头的查准率和查全率指标得到平衡,同时大幅降低程序的运行时间,提高算法的效率和准确性。最后,对该算法进一步优化的方向作了展望。

SURF算法在小尺寸图像拼接中参数配置的优化

在图像拼接领域,SURF算法因其出众的时效性和鲁棒性,有着十分广泛的应用。针对SURF算法中特征点提取和描述过程中参数固定,对侧重点不同的图像拼接应用存在变通性较差的问题,提出了从窗口滤波器权值,特征点周围子区域的选择以及子区域内Haar小波变换的采样点范围三方面进行参数配置优化。针对目前主流的流媒体尺寸图像,利用控制变量法在不同的SURF参数配置下,对算法的时效性、准确性和鲁棒性等性能进行了分析;通过特征点匹配率和特征点匹配效率的比较,给出了SURF算法参数的选择策略。仿真结果表明该策略可以有效提高SURF算法在图像拼接中的运算速度和准确性,丰富算法在实时领域的应用。

基于MIC-SURF的快速图像匹配算法

在序列图像匹配应用中,最小亮度变化(MIC)算法存在角点漏检、对噪声敏感、不具有旋转不变性等缺点,降低了特征点检测的精确性和快速性。针对该问题,对MIC算法进行改进,并与加速稳健特征(SURF)算法相结合,提出一种快速的图像匹配算法。对图像进行自适应平滑滤波,在图像的非平坦区域运用8邻域像素相似法检测需要的几何角点,并采用SURF算法对检测到的特征点进行描述和匹配。实验结果表明,与SURF算法、最小核值相似区-加速稳健特征算法相比,该算法在图像发生旋转变化、噪声变化、亮度变化和仿射变化时都可以提高图像匹配的速度和准确率。

基于图像目标特征空间自学习分类算法

为解决图像分类过程中特征点选择的随机性对分类精度造成的影响,提出一种基于图像目标特征空间自学习分类算法。利用基于颜色和纹理特征的多通道局部主动轮廊模型找到图像的目标区域,在目标区域选取特征并对特征稀疏编码建立图像的目标特征空间。为进一步提高图像分类精度建立投票机制下基于图像目标特征空间的自学习算法。实验结果表明,该方法能避免特征选择的随机性对实验结果的影响,有效地提高图像分类的精度。

基于新SURF＿DAISY算法和反向验证随机kd树的图像配准

在SURF图像配准的基础上,用新型DAISY特征描述符替换了原SURF特征描述算子,用推荐的反向验证随机kd树实现特征匹配,进而提出了一种基于新SURF_DAISY算法和反向验证随机kd树的图像配准方法。结果表明,图像配准方法在运算时间和匹配正确率上相比于SURF图像配准方法均有所提高。

基于SURF算法的数码印花缺陷检测系统

针对数码印花生产过程中织物上出现的白丝、斑点以及褶皱等表面缺陷问题,课题组设计了基于加速鲁棒特征算法的印花织物表面缺陷检测系统。主要通过加速稳健特征算法(speeded up robust features,SURF)来进行图像配准;采用双向唯一性匹配法减少误配点,实现图像精准配准,并通过差分算法来提取缺陷信息。实验采用多幅图像对改进SURF算法的性能进行了验证。试验结果表明:新系统对印花织物表面缺陷的检测精度达到98%,达到了实际应用要求。

特定条件下SIFT与SURF图像匹配算法的性能对比

选取具有光照亮度差异和视角差异的2组图像数据,分别采用尺度不变特征转换算法和加速稳健特征算法进行特征点提取及匹配实验。通过统计运行时间及正确匹配点数的对比分析得出:尺度不变特征转换算法运行速度较慢,但特征点提取数量更多,且在图像存在光照亮度差异时具有更好的匹配效果;加速稳健特征算法特征点提取数量较少,但运行速度更快,且对具有视角差异的图像进行特征点匹配时稳定性更好。

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。

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。

基于SURF与光流法的增强现实跟踪注册

提出一种基于SURF与光流法相结合的增强现实局部跟踪注册方法。采用光流法对移动对象区域进行跟踪,利用SURF算法仿射、尺度不变性及运算速度快的优点对该区域进行特征提取与匹配,利用相邻帧之间特征点的匹配关系求得三维注册矩阵,在保持注册精确性的同时降低了系统运算时间。实验结果表明该方法达到了实时跟踪与准确注册的效果,并且在环境变化时保持了较好的鲁棒性。

“资源三号”卫星图像影像特征匹配方法研究

随着中国遥感卫星的迅速发展,要求影像几何质量评价方法可以在待评图像和参考图像间提取出精确且分布均匀的控制点信息。文章提出一种基于多源、高精度遥感图像的特征点匹配方法。该方法首先用加速稳健特征(Speeded Up Robust Features,Surf)算法对"资源三号"卫星图像和参考图像进行粗匹配以建立两幅图像间的整体几何关系,通过对相同区域进行wallis滤波增强图像纹理信息,然后用Surf算法进行特征点的提取和匹配,最后利用对极几何约束剔除误匹配点。试验结果表明,该方法可以全自动、快速和精确的提取影像控制点。

基于小波变换的新型SURF图像拼接方法

针对传统图像拼接算法特征点计算量大、耗时较长等问题,提出了一种基于小波变换的新型加速鲁棒特征算法(SURF)图像拼接方法。首先通过Haar小波函数对图像进行二阶分解以获取图像低频成分,并利用小波梯度矢量对低频图像重合区域进行特征点提取,从而实现低频图像下快速获得特征点的变换参数以指导高频图像下的特征点提取;在此基础上,提出一种SURF图像匹配改进算法,利用特征点约束的单向匹配和方向一致等性质,有效剔除误匹配点对,以提高特征点匹配精度和实时性。最后,通过两组实验验证了所提出方法的有效性和可行性。