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。

快速自适应鲁棒性尺度不变的特征检测子

为提高特征检测的可靠性与实时性,提出了一种快速自适应鲁棒性尺度不变的特征检测子(fast adaptive robust invariant scalable feature detector,FARISFD)。首先提出尺度空间组数自适应选取方法改善了检测子针对不同图像的鲁棒性,然后提出基于过渡层的尺度空间构建方法加强了尺度空间的鲁棒性,最后利用基于加速段的特征检测子(features from accelerated segment test,FAST)计算特征分数,并通过简化传统亚像素级矫正方法,提高了特征分数的计算与亚像素级矫正速度。通过复现率与耗时实验进行了验证,与5种使用广泛的检测子对比结果表明,FARISFD的鲁棒性与速度较高。

一种基于尺度不变特征点的运动目标检测算法

针对PTZ(Pan/Tiit/Zoom)摄像机的运动目标检测,提出了一种基于尺度不变(Scale Invariant Feature Transform,SIFT)特征点的运动补偿解决方案.首先,采用相邻两幅图像特征点匹配的方法获得运动补偿,从而解决了PTZ摄像机的自主运动带来的问题;然后利用时间差分法得到运动目标的区域;晟后利用形态学中的腐蚀和膨胀方法去除噪声.测试结果验证了算法的实用性和有效性.

基于尺度不变局部特征的摄像机运动检测

摄像机运动检测是自动视频分析的重要内容。提出一种基于尺度不变局部特征的摄像机运动检测方法。该算法通过帧间局部特征的匹配,通过归一化软投票的方法鲁棒地估计特征匹配对的位置、尺度的变化,并根据各变化值和投票数的特点识别出摄像机的运动类型。该方法简单、鲁棒,实验结果验证了所提方法的有效性。

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。

基于尺度不变特征的视频镜头检测

通过分析帧间的尺度不变特征点匹配数目随时间变化的性质来检测镜头边界,并提出2种帧间匹配机制——两两匹配机制和连续匹配机制.一个视频镜头内的特征点匹配数目具有平滑变化的特性,而在镜头边界处则表现出陡然变化的特性.通过将各类型的镜头切换统一于一种检测模式,可清晰地分割出镜头,避免模型选择和参数调整.

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。

基于尺度不变特征变换的快速图像拷贝检测

针对传统基于尺度不变特征变换(SIFT)特征的图像拷贝检测算法特征提取速度慢、匹配效率不高的问题,提出了一种基于SIFT特征点位置分布与方向分布特征的快速图像拷贝检测算法。首先,提取SIFT特征点二维位置信息,通过计算各个特征点与图像中心点的距离、角度,分块统计各区间的特征点数量,依据数量关系量化生成二值哈希序列,构成一级鲁棒特征;然后,根据特征点一维方向分布特征分块统计各方向子区间特征点数量,依据数量关系构成二级图像特征;最后,拷贝检测时采用级联式过滤框架作出是否为拷贝的判断。仿真实验结果表明,与传统SIFT以128维特征描述子为基础构建哈希序列的图像拷贝检测算法相比,所提算法在保证鲁棒性与独特性不降低的同时,特征提取时间缩短为原来的1/20,匹配时间也缩短了1/2以上,可满足在线拷贝检测的需求。

基于尺度不变特征金字塔的输电线路缺陷检测

针对现有目标检测算法在高压电力复杂巡检场景下电力部件与巡检缺陷检测精度较低的问题,提出一种基于尺度不变特征金字塔的输电线路缺陷检测方法。将主流目标检测方法用于该场景,对比得出RepPoints v2网络模型的检测精度最高。针对RepPoints v2中FPN结构不能有效提取跨层次间语义信息及角点验证过程中忽略尺度归一化的问题,结合高效通道注意力模块(ECA)与尺度均衡金字塔卷积(SEPC)提出了一种尺度不变特征金字塔结构SI-FPN(scale-invariant feature pyramid networks)。其中ECA注意力模块对FPN的特征进行通道级别的增强,之后SEPC从FPN中提取尺度不变特征并对跨层次的金字塔特征进行融合。通过在自建的包含绝缘子、防震锤、悬垂线夹、绝缘子自爆、防震锤脱落与鸟巢六类对象的数据集上进行训练测试表明,该方法在RepPoints v2的基准上提升1.9个百分点,mAP达到96.3%,检测精度远超当前基准检测模型,且所设计的SI-FPN模块可作为一种独立的结构改善其他检测模型,具有一定的通用性。

复杂环境下尺度不变特征的检测与匹配技术研究

针对农业机器人复杂的工作环境,引入了一种新的鲁棒特征点检测算法——SURF算法,其对光照变化、旋转、尺度变化等具有很好的鲁棒性,精度能达到亚像素级别;在此基础上,利用最近邻法则结合BBF(best bin first)搜索算法,对SURF特征点进行精确匹配,实验表明,所提出的方法鲁棒性或实时性较目前常用的Harris算法和SIFT算法更好,可应用在机器人视觉定位、地图构建、智能导航等方面,具有一定的理论和应用价值。

基于尺度不变特征变换的钢轨蠕变检测研究

针对钢轨现有定点蠕变检测技术的不足,提出一种基于尺度不变特征变换及图像配准的非接触式实时观测方法。通过安装于轨侧观测桩上的相机对待检钢轨进行拍摄,提取图像中轨腰附近预定义的感兴趣区域,而后基于尺度不变特征变换,与同一视场中钢轨未蠕变图像的对应感兴趣区域进行配准,得到定场环境下多关键点在像素坐标系中的轨向及高低位移集。根据相机的内外及畸变参数将像素位移集映射到世界坐标系,对轨向及高低位移集分别求均值,得出钢轨的轨向及高低蠕变量。为验证方法的有效性,搭建试验平台并采用OpenCV开发了仿真系统。研究结果表明:高低和轨向蠕变的相对测量误差均值分别低于0.606%和1.170%。

基于深度信息与尺度空间的仿射不变特征检测

介绍了一种利用深度信息的仿射区域检测器。这种方法在视角变换的情况下能自动检测出图景中同一物理区域,为后续的识别算法提供了坚实的特征检测基础,在计算机视觉领域有广阔的应用前景。该方法是基于尺度空间理论,这个理论已经在自动尺度选择中有较成熟的应用。提出了利用深度信息估计出3D物体模型的算法,并生成相应的仿射不变的高斯尺度空间,并给出从3D到2D的投射变换的高精度估计方法,以补偿投射变换造成的扭曲形变。因此对特征检测的可靠性将有明显的提高。为了评估本算法的鲁棒性,进行了不同视角的真实图片与合成图片的实验,并与其他现有的仿射不变检测器进行了比较。

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。

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。

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。

SIFT特征匹配和差分相乘融合的运动目标检测

针对运动目标检测的难点问题,提出了一种结合尺寸不变特征变换(SIFT)和差分相乘算法的运动目标检测方法。首先,用SIFT特征匹配算法配准运动图像的旋转、缩放和平移量,利用SIFT匹配的稳定性和准确性,精确补偿运动摄像机下的背景图像。然后,用差分相乘方法,准确分割出运动目标的轮廓。最后,通过实拍视频序列的试验,证明算法的有效性和可行性。系列实验显示,连续4帧图像差分相乘的方法即能够较好地满足应用要求。实验结果表明,SIFT特征匹配和差分相乘融合的方法具有较好的鲁棒性和抗噪能力,对于摄像机运动、亮度变化、遮挡等影响因素具有较强的适应能力。

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。

一种改进的SIFT特征点检测方法

尺度不变特征变换(SIFT)图像匹配算法采用高斯差分算子(DoG)进行特征点检测,计算上使用相邻尺度高斯平滑后图像相减。在实践中,检测出的特征点遍布整个图像,造成后续计算量大且误配率高,降低了SIFT算法的实时性。针对以上问题,采用一种优化后的区域检测方法对SIFT特征点检测进行改进。首先利用优化后的区域检测方法检测出目标物体,然后运用DoG算子提取特征点,使特征点集中在目标物体上,从而简化计算,提高SIFT算法的实时性。最后,给出改进算法的实验结果和应用前景。

尺度不变局部特征检测算法研究

尺度不变局部特征以其良好的尺度、旋转和光照不变性，在计算机视觉、目标识别、三维图像重构等领域中得到了广泛的应用。本文在大量试验数据的基础上，总结了目前常用的几种尺度不变特征匹配算法的性能，比较得出各种算法的优缺点及其适用领域，并指出尺度不变局部特征检测算法的研究和发展趋势。

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。