基于SCCH特征描述子的图像匹配算法

针对局部特征匹配算法面临的鲁棒性和实时性难以兼顾的问题,该文提出了一种基于带符号对比上下文直方图(SCCH)特征描述子的图像匹配算法。用Harris算子在高斯金字塔图像上提取多尺度特征点以减少所需处理的数据量,利用特征点邻域的区域灰度差异均值构建特征描述子,降低特征描述子的生成复杂度和维度,保留灰度差异均值的正负性信息以增强特征描述子的鲁棒性和可区别性,用特征描述子间的绝对值距离作为相似性度量以减少特征点匹配的计算量。实验结果表明,该文算法不仅对图像尺度缩放、旋转、模糊、亮度变化、较小视角变化保持不变性,而且匹配速度较快。

基于改进SFM的三维重建算法研究

针对现有运动恢复结构算法重建模型存在点云稀疏等问题,提出一种利用不同匹配数据进行模型重建的算法。首先通过对比上下文直方图(CCH)生成匹配数据,利用M估计抽样一致(MSAC)估算图像基础矩阵,进而分解得到平移和旋转矩阵,并根据相机内参计算投影矩阵,然后利用KLT匹配算法更新匹配数据,最后三角化生成三维点云。该算法匹配精度高,图像基础矩阵易于收敛,通过位移实现特征点匹配,弥补了图像低频区域匹配数据不足的缺陷。实验结果表明,与现有算法相比,该算法生成的点云更致密;在真实环境下,该算法可用于物体三维重建。

一种鲁棒的基于图像对比度的局部特征描述方法

该文提出一种鲁棒的基于对比度的局部特征描述方法,即独立元素对比度直方图(Independent Elementary Contrast Histogram,IECH)描述子。首先计算特征区域内各像素与被随机采样像素间的对比度值。然后,在极坐标下以特征主方向为基准,将局部特征区域分割成32个子区域,分别统计2维正负对比度直方图。最后,对统计结果进行归一化处理,产生64维的IECH特征描述向量。实验结果表明,该方法在保持与SIFT相当的匹配性能的同时,具有更快的特征生成速度与更低的特征维数。相比于具有相同时间复杂度与特征维数的对比度上下文直方图(CCH)方法,该方法描述子的性能有了明显的提高,更适合在实时应用中使用。

均值规范化对比度的局部特征描述符

目的针对SIFT(scale invariant feature transform)特征描述方法存在特征维数高,计算效率低等问题,提出一种快速的,低维数的局部特征描述方法,即MN-CCH(mean normalized contrast context histogram)。方法首先对局部特征区域内的像素进行均值规范化处理,得到局部特征区域的规范化对比度值。然后,在极坐标下以主方向为基准,将局部特征区域划分成32个子区域,统计每个子区域的正负对比度直方图。最后,对统计结果进行归一化消除线性光照的影响,得到64维的MN-CCH描述向量。结果在图像变换数据集和小型图像检索数据库上的实验结果表明,64维的MN-CCH描述子可以达到与128维SIFT相当的匹配性能和相同的检索准确率,在描述子生成和匹配效率上明显优于SIFT方法,而且与同维数的CCH相比性能有明显的提高。结论 MN-CCH描述子在保留与SIFT相当性能的前提下,具有特征维数和计算效率的优势,更适合在一些对计算和存储资源要求较高的应用(如机器人导航、视觉SLAM等)中使用。