基于SIFT特征点提取的ICP配准算法

为解决传统迭代最近点(ICP)算法对点云配准的起始点对选择不佳而导致配准时间长、效率低的问题,提出一种基于尺度不变特征变换(SIFT)特征点提取的ICP点云配准算法(ST-ICP)。首先使用SIFT算法进行原始点云与目标点云的SIFT特征点提取,根据提取特征点完成快速点特征直方图(FPFH)特征运算,通过采样一致性初始配准算法(SAC-IA)搜索对应点对、求解变换矩阵,再进一步运用ICP算法进行点云精细配准。实验结果表明:与ICP算法相比较,ST-ICP算法的配准误差在迭代次数为5次时减小了1.019 cm,迭代次数为10次时减小了0.443 cm;在配准误差达到10^(-2) cm级别时,ST-ICP算法所用时间比传统ICP算法减少了12.829 s。ST-ICP算法优化了对应点对的选择,提升了配准精度和配准效率。

基于特征点和SAR-SIFT算法的林权测绘地形图像几何配准

目前常规的测绘地形图像几何配准主要通过对单应性矩阵进行求解,从而实现图像配准,由于对待配准图像的灰度化处理程度较低,导致配准精度较差。对此,本文研究基于特征点和合成孔径雷达(SAR)-尺度不变特征变换(SIFT)算法的林权测绘地形图像几何配准方法。首先对SAR图像成像机理进行分析,在此基础上采用滤波算法对图像进行处理,并采用加权平均法对红、绿、蓝三原色(RGB)通道分量进行灰度化处理。然后结合SAR-SIFT算法,构建多层次的尺度空间,并结合海森矩阵对像素梯度值进行计算,生成特征描述子。最后通过对特征描述子的相似度进行计算,结合匹配阈值,实现图像特征点的匹配。实验结果表明:采用基于特征点和SAR-SIFT算法的林权测绘地形图像几何配准方法对图像进行几何配准时,算法的均方根误差值较小,具备较为理想的几何配准精度。

SIFT算法在机器视觉轨道交通变形监测中的应用分析

针对传统人工测量方法不能满足轨道交通结构变形监测精度要求高、实时性要求强等问题,本文提出一种尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)算法,基于该算法可实现机器视觉对轨道交通结构变形实时监测,同时基于MATLAB语言构建机器视觉轨道交通变形监测系统,并对该系统监测结果进行精度评估。结果表明,基于SIFT算法构建的机器视觉轨道交通变形监测系统与传统测量结果有较好的一致性,总体精度优于1mm。总之,SIFT算法可较好地匹配特征点信息,能够用于实现机器视觉轨道交通结构变形监测,同时机器视觉轨道交通结构变形监测系统在自动化程度、实时性、成本方面具有显著优势,拥有广阔的应用前景。

基于尺度不变特征的配网施工偏差分析方法研究

随着我国城市化进程不断深入,电力负荷呈现逐年递增的形式,配网新建工程数量增加,出现严重的配网设计和施工偏差问题。为解决上述问题,工作人员提出基于尺度不变特征的配网施工偏差分析方法。在配网设计阶段,根据配网施工实际情况,构建配网建设时空分布模型,将配网施工工期、网架设计、施工质量等信息相互结合;在配网施工阶段,按配网施工现场图像特征,应用尺度不变特征算法,建设图像时空重构分析算法,全面加强配网施工质量,实现自动偏差警报。经过实践研究表明,该种方法偏差分析准确率达98.5%,能准确识别配网设计和施工中存在的偏差问题,并及时进行偏差预警操作。

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。

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。

基于多尺度SIFT特征的SAR目标检测

提出一种用于SAR图像目标检测的多尺度SIFT特征提取及降维方法。针对在单一尺度下无法完整描述SAR目标的问题,采用高斯尺度空间和多组种子点的方式实现多尺度SIFT特征描述,并对同一尺度和不同尺度间的描述冗余和结构冗余分别采取稀疏编码和特征统计的降维方式实现去冗余处理。在多尺度因子和尺度层数的选择上,通过定量计算选取最优描述参数,使得代表目标特征的向量既包括目标整体轮廓信息又包含图像细节描述。与传统双参数恒虚警率、单尺度SIFT特征、多尺度SIFT-PCA等方法进行对比测试,验证了该方法的有效性。

基于分水岭分割和尺度不变特征点的多目标全自主跟踪算法

该文针对多目标的鲁棒跟踪问题,设计了一种基于图像分水岭分割和尺度不变特征变换(SIFT)特征点的多目标全自主跟踪算法。为规避图像平坦区域,提出在原图上叠加规则坡度图的思想,并在浮点域进行一定尺度高斯模糊处理,将区域极小值点作为种子点完成分水岭分割,并将极值点作为目标特征点,通过前后帧分水岭映射生成特征点短时轨迹,自动检测运动目标。之后依据目标所处状态(是否发生遮挡)和分水岭分割图建立、更新目标SIFT特征池,结合分水岭映射、SIFT特征池匹配完成对目标的鲁棒跟踪。实验结果表明,该算法能有效完成视频中多目标的持续跟踪,并对目标遮挡有较好的鲁棒性。

应用尺度不变特征变换的多源遥感影像特征点匹配

针对多源遥感影像之间灰度值非线性变化导致特征点匹配率大幅度下降的问题,提出了一种利用光谱信息的多源遥感影像特征点匹配算法。首先,以光谱信息对遥感影像波段进行线性拟合,使待匹配影像与参考影像之间的灰度值由非线性转变为线性或者近似线性变化。接着,在拟合的遥感影像上采用改进的尺度不变特征变换(SIFT)算法进行匹配。最后,采用随机抽样一致性算法剔除误匹配点对。与常用特征点检测算法(SIFT,梯度位置朝向直方图(GLOH),RS-SIFT)的对比实验结果表明,本文所用的ETM+影像全色与多光谱影像的特征点匹配率提高了4%左右,CBERS-02B和HJ-1B卫星多光谱影像的正确特征点匹配个数增加了8对。因此,在多源遥感影像特征点匹配中,本文所提算法优于其它检测算法,可以极大地改善匹配效果。

基于Gabor滤波器组的多特征尺度不变特征提取方法

提出了一种多特征尺度不变特征提取方法,简称GIFT(Gabor scale-Invariant Feature Transform).该方法首先利用2D Gabor滤波器组模拟生物视觉感知计算模型进行特征点检测,符合生物视觉感知特性,得到具物理直观性、稳健的特征点.其次采用基于Gabor核函数的特征尺度选择方法对所检测的特征点选择多个特征尺度,得到高可区分性的多特征描述子.最后,通过设计面向多特征尺度的特征匹配策略,提高特征匹配的可靠性.基于标准数据集的对比实验结果表明,GIFT方法在特征匹配率和稳健性上均优于SIFT.

采用改进尺度不变特征变换在多变背景下实现快速目标识别

提出一种改进的尺度不变特征变换(SIFT)算法,用于实现多变背景下的快速目标识别。首先,构建目标图像尺度空间,提取SIFT特征点并将其按大小分类,目标识别时只需比较同一类型的特征点。然后,由SIFT特征点子区域方向直方图计算得到4个新角度用于代表特征点的方向信息,并且在目标识别时根据角度信息限制特征点匹配范围,从而提高SIFT算法的运算速度。最后,计算目标图像和待识别图像之间的尺度因子,在尺度因子约束条件下进行目标特征点匹配,从而有效地保证正确匹配数量,提高目标识别的鲁棒性。实验结果表明:当目标在待识别图像中发生局部遮挡、旋转、尺度变化或者弱光照等情况下,改进的SIFT算法能够完成多变背景下快速目标识别任务,平均识别速度提升了40%。

基于Harris尺度不变特征的图像匹配方法

文章针对图像自相似或具有对称性时SIFT匹配稳定性不高的问题,研究基于Harris尺度不变特征的图像匹配方法。为了获取更稳定的特征点,将SIFT特征描述方法引入到Harris尺度不变特征描述中,改进了基于Harris特征的匹配算法;结合简单高效的基于欧氏距离的双向匹配算法,去除了大部分的错误匹配,明显提高了匹配的稳定性。实验结果表明,改进的算法不仅对图像具有平移、旋转以及尺度不变性,且对于具有自相似或对称性的图像之间的匹配稳定性更高。

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。

基于旋转不变特征的SIFT描述子在图像配准中的应用

针对尺度不变特征变换(SIFT)算法中描述子维度高造成配准过程中计算量过大的问题,提出了一种改进的SIFT算法。该算法利用圆形的旋转不变性,以特征点为中心,在近似大小的圆形特征点邻域内构造特征描述子,以每个圆环作为一个子环,每个子环内只有像素位置发生了改变,像素之间其他相对信息是保持不变的。当图像发生旋转时,统计每个圆环内元素的梯度累加值进行排序,生成特征向量描述子,降低了算法的维度及复杂度,把特征描述子的维数从128维降低到48维。实验结果表明,改进算法旋转配准重复率在85%以上;在图像旋转、缩放和光照变化情况下,与SIFT算法相比,平均配准准确率提高5%,平均配准耗时降低30%左右,有效实现了对SIFT的改进。

基于尺度不变特征的光流法目标跟踪技术研究

针对目标跟踪问题中目标和场景动态变化的问题,提出了一种结合尺度不变特征变换(SIFT)和光流估计算法并改进模板更新策略的目标跟踪算法。SIFT特征是一种局部特征,具有尺度和旋转不变性。光流场反映的是一种全局特征,表示像素点强度的变化。SIFT特征点可以很好地满足光流估计的条件。实验结果表明这种改进后的目标跟踪算法能应用于部分遮挡的情况,并且相对于传统光流法具有更高的精确度。

基于变分模态分解和多尺度排列熵的变压器局部放电信号特征提取

局部放电类型的识别对准确掌握变压器绝缘状态和合理安排检修维护有着重要的指导意义。识别放电类型的关键在于放电特征的提取。针对目前局部放电特征识别稳定性差,识别率低的问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和多尺度排列熵(Multi-scale permutation entropy,MPE)的特征提取方法,并验证了方法的有效性。利用VMD分解算法对实验室条件下采集的4种局部放电信号进行分解,得到数个包含不同频带信息的有限带宽的固有模态分量(band-limited intrinsic mode functions,BLIMFs),分别计算相应的多尺度排列熵,并将其组合成原始特征量。在此基础之上,利用最大相关最小冗余准则(max-relevance and min-redundancy criteria,mRMR)对原始特征量进行优选降维,最后使用支持向量机分类器实现分类。实验结果表明:在染噪情况下,该方法提取的多尺度排列熵仍能准确刻画不同的放电信号时频复杂度的差异,鲁棒性强,识别率高。

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。

尺度不变特征转换算法在图像特征提取中的应用

针对尺度不变特征转换(SIFT)算法复杂度高、计算时间长,难以满足立体匹配的实时性要求以及当图像中存在多个相似区域时误匹配率较高的问题,提出了一种改进的立体匹配算法.该算法从两个方面对SIFT算法进行了改进:首先,由于圆形具有天然的旋转不变性,该算法以特征点为中心,采用近似大小的两个同心圆区域代替原算法的矩形区域,在内圆和外圆环区域内分别统计12个方向的梯度累加值,把局部特征描述符的维数从128维降低到24维,降低了算法复杂度;其次加入了12维的全局向量,使生成的特征描述符包含了基于局部信息的SIFT向量和基于全局信息的全局向量,提高了算法对图像中相似区域的分辨能力.仿真结果表明,改进后的算法实时性比原算法提高了59.5%,当图像存在多个相似区域时,误匹配率下降了9个百分点.所提算法在图像处理的实时性要求较高的场合下适用性较好.

尺度不变特征变换法在SAR影像匹配中的应用

通过几组可代表合成孔径雷达(Synthetic aperture radar,SAR)影像配准主要实际应用情景的实验,对尺度不变特征变换法(Scale invariant feature transformation,SIFT)在SAR图像配准中的应用能力进行了系统的评价.发现SIFT方法可以实现同轨获取的多时相斜距影像之间、斜距与地距影像之间、地距影像与经过地理编码的斜距影像之间的精确配准.为了利用SIFT实现整景遥感影像间的配准,提出了分块处理的方法.实验发现分块寻找特征点虽然可引起特征点总数的降低,但特征点的重复出现率仍大于76%,可满足大影像间配准的需要.同时也发现SIFT匹配过程过于耗时是阻碍其在遥感领域实际和用的技术瓶颈.本文指出了解决该瓶颈的技术方向,并对不变特征匹配法在遥感领域的应用进行了展望.

融合HU不变矩和SIFT特征的商标检索

利用商标图像的形状特征,提出了一种融合图像全局特征和局部特征的商标检索算法。其中全局特征反应了图像的整体信息,这些信息可用来较快地建立候选图像库,而局部特征则可以更准确地与候选图像进行匹配。提取图像的HU不变矩进行初步检索,按相似度排序,在此结果集的基础上对候选图像通过提取SIFT特征进行精确匹配。实验结果表明,该方法既保持了SIFT特征的良好描述能力,又减少了精确匹配需要的计算次数,降低了复杂度。