基于稀疏和稠密图像匹配与对极约束的树高提取改进算法

树高是监测森林状况的重要参数,摄影测量法具有低成本、灵活的特性,是树高采集的重要方法之一.作为一种被动遥感方式,传统的摄影测量方法往往需要数量较多,重叠率较高的图像数据,这与传统图像特征的稀疏性有关.为了提高图像数量受限条件下的树高提取精度,提出将稀疏特征匹配和稠密像素匹配相结合,并使用对极约束过滤外点的方法,得到稠密且精度较高的匹配结果,并通过三维重建算法得到森林场景点云.该方法在少量图像的情况下就可以较为完整地重建森林场景并提取树高,将提取的树高与机载激光雷达(light detection and ranging,LiDAR)点云的结果进行对比,相关系数为0.91,最大误差为1.64 m.该算法只需要少量的重叠图像,这表明了该算法在处理高分辨率卫星图像方面具有一定潜力.

对极约束下的相位相关图像匹配算法

针对经典相位相关匹配算法(POC algorithm)因计算量过大不适合应用在高分辨率稠密匹配场合的问题,提出了一种新型的相位相关稠密匹配算法。在稠密匹配策略基础上将对极几何约束引入相位相关函数,实现二维函数拟合到一维函数拟合的转变,达到了在保持匹配精度的同时大幅缩短算法运行时间的目的。实验表明,本算法在匹配精度和算法运行时间上都优于采用相似匹配策略的基于灰度的匹配算法,具有很强的实用性。

动态场景下基于YOLOv5和几何约束的视觉SLAM算法

目的移动智能体在执行同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)的复杂任务时,动态物体的干扰会导致特征点间的关联减弱,系统定位精度下降,为此提出一种面向室内动态场景下基于YOLOv5和几何约束的视觉SLAM算法。方法首先,以YOLOv5s为基础,将原有的CSPDarknet主干网络替换成轻量级的MobileNetV3网络,可以减少参数、加快运行速度,同时与ORB-SLAM2系统相结合,在提取ORB特征点的同时获取语义信息,并剔除先验的动态特征点。然后,结合光流法和对极几何约束对可能残存的动态特征点进一步剔除。最后,仅用静态特征点对相机位姿进行估计。结果在TUM数据集上的实验结果表明,与ORB-SLAM2相比,在高动态序列下的ATE和RPE都减少了90%以上,与DS-SLAM、Dyna-SLAM同类型系统相比,在保证定位精度和鲁棒性的同时,跟踪线程中处理一帧图像平均只需28.26 ms。结论该算法能够有效降低动态物体对实时SLAM过程造成的干扰,为实现更加智能化、自动化的包装流程提供了可能。

基于对极约束的双目立体视觉标定精度评价方法

为解决现有利用左右图像总残差的均值来评价双目立体视觉标定不够精确的问题,提出一种基于对极约束的双目立体视觉标定精度评价方法。该方法充分考虑双目立体视觉中左右图像特征的约束关系及相机标定参数的全局性特征。遵循最小匹配代价原则,该方法利用尺度不变特征变换立体特征匹配法来进行角点检测和匹配。通过左右图像平面上实测角点与其在相对图像平面上对应极线的匹配程度来评价双目立体视觉标定精度,并将这种算法加入到标定算法中,实现了在标定实验过程中对相机标定精度的实时评价。实验表明,该方法比总残差均值法精度更高,精度最高提高了54.0%。

利用共线性和对极约束实现匹配扩展

结构化场景图像的纹理较为单一,可提取的局部特征较少。在宽基线情况下,基于图像局部特征的匹配方法很难获取正确匹配,导致匹配精度降低。为此,提出了一种以图像局部特征匹配为基础进行配扩展的方法。匹配扩展时,将图像中线段的两端点作为匹配的基元,利用线段两端点在不同视点间的共线性和对极约束限定候选匹配的搜索空间,剔除错误匹配,进行匹配关系的传播。实验结果表明:当图像存在一定的尺度和视点变化以及明显的光照变化时,该方法能够有效地增加匹配的数目,为精确的极线几何估计和三维重建奠定了良好的基础。

对极几何约束下的粒子滤波目标协同跟踪算法

为了提高双视角条件下的粒子滤波目标跟踪算法的性能,提出了对极约束下的粒子滤波目标协同跟踪算法.利用对极几何约束,一方面对协同跟踪过程中的目标检测区域进行限制,减少检索空间;另一方面对粒子滤波目标跟踪算法的状态转移模型进行改进,减少目标在监控重叠区域时,每个摄像头跟踪所需的粒子总数.最后,从帧率、中心误差及覆盖率上,对算法的性能进行分析比较.实验结果表明,算法在时间性能上能满足实时性要求,准确度上较之经典粒子滤波目标跟踪算法,有了明显的提高.

基于对极几何约束的SIFT匹配

以系统图像三维重构的对极几何约束和SIFT匹配为主要研究内容,给出了SIFT特征匹配算法。分析基于对极几何约束的SIFT匹配点检测的基本原理;研究了图像二维平面间的射影变换,并建立了相应的数学模型;通过应用某两幅灰度数字图像进行仿真验算,证明了对极几何约束的SIFT匹配的可行性;为相机系统识别目标在不同方位的特征信息提出了一种新的研究思路。

基于SIFT特征和对极几何约束的图像配准算法

基于SIFT（尺度不变特征变换）特征匹配思想，提出了一种应用对极几何约束的图像特征配准算法。首先对图像提取SIFT特征点，然后通过欧氏距离估算对SIFT特征描述子进行初始匹配得到预匹配点集；采用基于单应矩阵的抽样算法计算初始基础矩阵，通过RANSAC算法计算精确的基础矩阵和匹配点集，进而实现图像配准。实验表明，该算法可以获得更准确的匹配点，得到精度较高的图像配准效果。

多目鱼眼视觉SLAM特征点误匹配的剔除优化

为了解决由于鱼眼图像显著失真和明显的视角差异而导致的定位精度下降的问题,提出了一种去除多目鱼眼视觉SLAM系统中误匹配特征点的策略。该策略采用从粗到细的误匹配特征点去除过程,在粗匹配阶段,使用阈值为0.6的匹配算法获得粗匹配阶段的初始点集。在精细去除阶段,采用预校准的多摄像机模型将匹配的特征点转换为同一坐标系,并将其作为承载向量投影到单位球上,利用球上的外极约束去除不匹配的特征点。在去除不匹配的特征点后,在投影球面上建立重投影误差函数,对初始姿态点和映射点进行非线性优化。该策略在24 000张鱼眼图像上进行了测试,结果表明,该剔除策略显著降低了失配率,提高了初始化和定位精度,有效地提高了系统的定位精度和性能效率。

不同分布下红外主动目标特征点配准方法研究

视觉测量中经常需要用到特征匹配来计算位姿信息,但尚无针对红外主动目标设计特征匹配可用的算法,为实现对不同分布红外主动目标的匹配,本文提出了一种通用的两阶段特征点匹配方法。第一阶段为粗配准,首先检测图像特征点集的凸包,获取最外围点;通过构建三角形特征集,并使用马氏距离进行相似三角形计算搜索实现快速粗配准。第二阶段为精匹配,首先通过粗匹配特征计算欧拉角避免匹配结果的180°旋转对称;针对粗配准后的可能存在的特征点缺失问题,采用极线约束精匹配策略,充分利用已匹配特征点的几何信息,有效实现对剩余点的精确匹配。理论分析与实验表明,在13个红外发光点组成的旋转对称点集及非旋转对称点集下,该方法在绝对大小0°~40°的旋转范围内能高效匹配,实验测试极限性能能够达到50°,并对实际场景下特征点的遮挡等情况具有较好的鲁棒性,实验结果验证其适应性与稳定性,具有较高的实用价值。

场景无关约束下的特征匹配算法

鉴于对极约束是立体图像中完全不依赖于场景的重要几何约束,因此在特征匹配中起着很重要的作用,而且由于同形映射描述了平面场景的立体图像之间的对应关系,故大量文献中利用它对平面场景的立体图像对进行特征匹配。为了提高立体图像匹配精度和速度,提出了一种改进的场景无关约束下的特征匹配算法,该算法针对用对极约束和同形映射来进行曲面场景匹配的过程中同形估计容易出现降阶的情况,通过引入区域面积检测法来避免降阶情况的发生,以改善匹配结果;同时,由于在同形矩阵估计中,通过加入基础矩阵和同形矩阵本质上的约束关系,可使得原本独立的同形约束和对极约束关系很好地融入到匹配的整个过程中,从而快速有效地抑制了错误匹配的发生。对真实图像的实验分析证明,该改进算法具有迭代次数少、速度更快和匹配精度高的良好性能。

基于公垂线约束的立体视觉建模方法

为了解决实际测量中立体视觉的重建问题,本文提出了基于公垂线约束的立体视觉建模方法。该方法包含两个过程:首先,根据视觉测量系统的需要,使得空间点到两图像点对应的反投射线距离最短,确定空间点在两反投射线的公垂线段上的约束;然后以公垂线段中点为初始值,采用LM迭代算法,通过最小化空间点在两像平面上的投影误差求得空间点的最优解。该方法不仅保证了所求空间点到两条反投射线之间的距离最短,而且还消除了图像点误差以及空间点距两相机位置不同而造成的影响,快速、有效地收敛到空间点的最优解。仿真和实际测量数据的对比实验表明,该方法优于其它重构算法,在图像误差为0.04个像素的范围内,测量精度能达到0.023 mm。

一种改进的视图几何基本矩阵估计法

多视图几何中的基本矩阵估计需要利用准确的对应点,但是图像噪声或光线变化会产生错误匹配,进而严重影响基本矩阵估计的准确度。为提高基本矩阵估计的准确性,文章提出了一种基于对极约束梯度的迭代方法去估计基本矩阵。该方法能在最少的迭代次数下迅速剔除两视图匹配过程中的错误匹配点。然后再加入对应点相关性的约束,可以得到最佳对应点集合用于估计基本矩阵。通过在各类不同场景的图像上实验分析可以发现,该方法相比于其他方法估计基本矩阵误差至少降低20%。

基于改进目标检测的动态场景SLAM研究

针对单目SLAM在动态场景下存在的对极约束误匹配问题,提出一种基于目标检测的动态特征点选择方法,通过在特征提取时剔除SLAM系统前端图像帧中动态特征点,提高SLAM的定位精度。提出了一个改进的目标检测网络,利用重叠面积、距离相似度和余弦相似度构建描述边界框的回归损失函数,实现目标的准确定位,获得当前图像帧中物体特征点范围。判断物体类别,对于标记为动态的物体根据目标检测结果剔除前端图像帧中的动态特征点。根据静态特征点,采用对极约束进行两帧图像间的特征匹配估计位姿,对单目相机运动进行跟踪、建图与闭环检测。通过对目标检测网络的主干进行结构重参数化改进,提升推理过程的速度,保证整体系统运行的实时性。在公开数据集KITTI的11个序列上的实验结果表明:改进后的系统比ORB-SLAM3系统定位精度提升了23.4%,帧率可以达到30帧/s以上,在保证实时运行的条件下能有效提高动态场景下单目SLAM系统定位精度。

基于RANSAC方法对极稠密匹配的三维重构

本文在系统图像三维重构的对极几何约束以及SIFT算法基础上,通过RANSAC方法剔除错误匹配点,研究了对极几何关系与SIFT匹配点检测的基本原理并建立了相应的数学模型;通过Quasi稠密匹配来处理高精度的曲面图像,进而采用稀疏的匹配点求取相机参数,然后用稠密匹配点对已标定好的图像进行三维重构。

一种基于速度预测的双目视觉跟踪混合算法

视觉跟踪技术作为计算机视觉研究的重要方向,得到了广泛应用。其根据目标表征方式可分为生成式方法和判别式方法。传统生成式方法虽然有较好的实时性,但容易受到复杂背景和遮挡影响,所以逐步被判别式方法所取代。针对传统生成式方法的缺点,结合双目成像系统空间定位的优势,提出了一种基于速度预测的双目视觉跟踪混合算法。通过帧间差分法发现视野中运动目标,采用双目定位确定其运动速度,并根据速度预估物体的下一帧位置;同时,使用ORB特征匹配、双目视觉极线约束和Mean-Shift进行验证和速度修正。试验证明,该算法能够准确地识别运动物体并对其进行跟踪,克服了生成式方法容易受到环境干扰的缺点,保留了其实时性的优势,具有较高的实用价值。

同形映射下的曲面场景的匹配算法的性能分析

针对移动机器人在曲面场景的匹配问题中,同形约束用于解决极约束产生的匹配模糊性问题和发现新的匹配点。实际上是平面块对曲面进行近似逼近的过程。逼近程度和逼近性能需要有指标进行定性和定量的衡量。故提出了两种性能评价指标:平均映射误差和平均映射匹配对。仿真实验结果的分析证明,场景深度变化或者场景距离摄像机的距离变化,对立体匹配算法性能本身不受影响,但映射和建立匹配关系时所需要的同形矩阵的数量不同。而且,随着特征点的稠密度提高,曲面场景的稳定性降低,可随着迭代过程的进行,算法本身结果还趋于稳定。

手持数码相机获取场景三维点云的实现

利用计算机视觉进行三维点云获取是一种实用方便的三维信息提取方法,在工业检测和三维建模等领域应用广泛。鉴于传统固定相机方法中存在着灵活性差,适用范围小的问题,提出了一种手持单相机的三维点云获取方法。实验结果表明,该方法在室外场景点云获取应用中较传统方法在灵活性方面具有非常明显的优势。

一种基于角点检测的图像密集匹配算法

提出了一种鲁棒的图像自动立体匹配算法。利用Sobel算子对图像中的像素点进行检测,若是边缘点,则使用最小同值分割吸收核方法判断该点是否为角点。在两幅待匹配的图像间计算角点的梯度大小、梯度方向及灰度等的相似度,去除无法对应的角点,建立起待匹配图像中角点的对应关系,并计算基础矩阵。对基础矩阵进行迭代,去除误配点,计算出较精确的基础矩阵。由对极几何约束,采用动态规划方法,寻找左右两幅图像在对应极线上的所有像素点之间的对应,从而建立起两幅图像间像素点的密集匹配对应关系。试验结果表明,算法效果满意。

基于局部类别一致k均值聚类的目标识别方法

针对复杂背景下的目标识别,提出了一种同时检测目标位置和区分目标类别的识别方法.该方法首先从图像中提取丰富的兴趣点,通过图像之间的对极几何约束,过滤出精确匹配的图像兴趣点;然后在兴趣点特征空间用局部类别一致k均值聚类方法生成特征码本;最后,对于给定的测试兴趣点集,通过投票得到表示目标类别的局部特征,采用最大化目标类别和目标位置的联合概率得到前景目标.在Caltech-101数据库和实际场景图像上的实验表明,该方法的识别精度大约提高了8%.