基于改进快速鲁棒特征的图像快速拼接算法

针对快速鲁棒特性(SURF)算法实时性、鲁棒性等无法满足实际应用需求的问题,提出了一种对SURF的改进算法,实现图像快速拼接。改进的算法采用机器学习的方法,建立一个二进制分类器,识别出SURF提取的特征点中的关键特征点,并剔除非关键特征点。此外,采用Relief-F算法将改进的SURF描述子降维简化来完成图像配准。图像融合阶段采用带阈值的加权融合算法,实现了图像无缝拼接。实验结果表明,改进的算法具有较强的实时性和鲁棒性,并且提高了图像配准的效率,加快了图像拼接的速度。

快速鲁棒特征算法的CUDA加速优化

提出一种基于统一计算设备架构(Compute Unified Device Architecture,CUDA)的快速鲁棒特征(Speed-up Robust Feature,SURF)图像匹配算法。分析了SURF算法的并行性,在图像处理单元(Graphics Processing Unit,GPU)的线程映射和内存模型方面对算法的构建尺度空间、特征点提取、特征点主方向的确定、特征描述子的生成及特征匹配5个步骤进行CUDA加速优化。实验表明,相比适用于CPU的SURF算法,文中提出的适用于GPU的SURF算法在处理30MB的图片时性能提高了33倍。适用于GPU的SURF算法拓展了SURF算法在遥感等领域的快速应用,尤其是大影像的快速配准。

基于地面快速鲁棒特征的智能车全局定位方法

针对目前视觉定位方法大多基于地面语义特征(如车道线、停车线等)容易受到其他地面语义特征(如箭头、斑马线等)的影响,提出了一种基于地面快速鲁棒特征(SURF)点的全局定位方法.该方法首先在鸟瞰图中检测SURF点,结合高精度GPS构建地面SURF地图.然后在此基础上,使用迭代最近点算法,将在线检测结果与地图匹配获得车辆全局定位,并通过扩展卡尔曼滤波将定位结果与惯导和里程计数据进行融合,提高全局定位精度.实验结果表明,所提出的方法可获得分米级定位结果,能满足智能车的定位需求.

基于快速鲁棒特征的CamShift跟踪算法

为了解决CamShift算法由于对颜色敏感导致的跟踪效果变差或失效的问题,提出一种基于局部特征匹配的CamShift跟踪算法。采用快速鲁棒特征(SURF)方法在多通道图像的目标区域和搜索区域提取包含图像信息的局部特征点,并利用近似最近邻搜索对特征点进行匹配;使用提纯后的匹配结果得到特征点的位置、尺度及方向信息,对CamShift方法进行约束和更新,以提高跟踪精度和稳定性。实验结果表明,与经典CamShift算法和同类的改进算法相比,该算法能够较好地实现对复杂背景下旋转和放缩运动目标的实时跟踪。

基于快速鲁棒特征的眼底图像自动配准与拼接

针对眼底图像对比度低、光照不均匀、视场局限及不同视场间存在几何畸变等特点,提出一种基于快速鲁棒特征(SURF)的眼底图像自动配准与拼接算法。该算法分别提取各视场眼底图像同态滤波增强后有效视场的SURF,特征匹配后得到匹配点对,结合透视变换模型和RANSAC算法去除误匹配点对,周围视场依次与中央视场匹配计算变换矩阵,配准、融合后得到眼底全景图像。对项目中实际的眼底照相机获取图像的自动配准与拼接表明,该算法可以快速、高精度地实现不同视场眼底图像的自动配准与拼接,精度达到像素级,具有很好的鲁棒性。

基于改进的快速鲁棒特征算法的人脸检测研究

针对快速鲁棒特征(SURF)算法冗余信息多且计算速度慢的缺点,该文对SURF算法进行改进,用于人脸检测。计算特征点邻域的图像熵,并使用非极大值抑制提取图像熵高的特征点,通过减少区域描述减少冗余信息。使用扇形窗口遍历各特征点邻域,通过计算窗口内哈尔小波响应构建该点的特征描述子,从而加快计算速度。使用费舍尔矢量核将各特征描述子映射到高维空间进行人脸检测。仿真实验表明,在应用于人脸检测数据集和基准(FDDB)数据集时,与SURF算法相比,该文算法检测率提高了7.9%,特征计算时间减少了53.1%,特征点数减少了59.7%。

基于一种快速鲁棒特征描述子的图像匹配

基于一种快速鲁棒特征描述子进行图像特征点之间的匹配。此方法基于积分图像,使用快速Hessian检测子来提取图像特征点。对每个特征点,通过计算Haar小波,来寻找它的主方向。然后构造窗口区域,以主方向和与主方向垂直的方向上的小波和来描述特征点。最后以特征描述向量的距离为标准寻找不同图像之间的特征匹配。

基于快速鲁棒特征集合统计特征的图像分类方法

针对现有利用快速鲁棒特征(SURF)进行图像分类的方法中存在的效率低、正确率低的问题,提出一种利用图像SURF集合的统计特征进行图像分类的方法。该方法将SURF的各个维度及尺度信息视为各自独立的随机变量,并利用拉普拉斯响应区分不同数据。首先,获取图像的SURF向量集合;然后,分维度计算SURF向量集合的一阶中心绝对矩、带权一阶中心绝对矩等统计特征,并构建特征向量;最后,结合支持向量机(SVM)进行图像分类。在Corel 1K图像库上的实验结果表明,该方法查准率较SURF直方图方法和三通道Gabor纹理特征方法分别提高17.6%和5.4%。通过与HSV直方图特征进行高级特征融合,可获得良好的分类性能。与SURF直方图结合HSV直方图方法、三通道Gabor纹理特征结合HSV直方图方法、基于视觉词袋(Bo VW)模型的多示例学习方法相比,查准率分别提高了5.2%,6.8%,3.2%。

一种基于空-时快速鲁棒特征的视频词汇的人行为识别方法

提出了一种空-时快速鲁棒特征(SURF)描述子,并且结合视频词汇概念,应用于人行为识别.这种新的描述子在行为识别应用中能很好地体现视频的时空本质,通过词袋(Bag of Words)模型来表征视频,且在表征过程使用了非硬性权重.实验以瑞典皇家理工学院的行为识别数据集作为测试对象,使用了相关领域传统的分类策略,同时引入了包含二次判断的投票系统.实验结果证明,结合特征描述子和视频词汇的行为识别框架在速度和准确率上均优于已有的一些方法,同时该分类策略在某些行为类型上优于传统的分类方法,能有效地应用于行为识别领域.

SAR/INS组合导航中基于SURF的鲁棒景象匹配算法

在SAR/INS组合导航系统中,由于合成孔径雷达采用正侧视成像工作方式,会引起SAR图像的严重变形,而且获取的SAR图像还可能存在严重的斑点噪声。为了适应SAR图像的几何畸变和高斑点噪声影响,需要提取出的图像特征具有较高的鲁棒性。本文提出了基于SURF的导航用鲁棒景象匹配算法,算法首先针对惯性组合导航的工作特点,对SURF特征匹配进行了改进和优化设计,然后用RANSAC方法过滤掉错误和低精度的匹配点,最后,进行最小二乘精确匹配获取航向和位置偏差信息。通过仿真分析了算法对SAR图像的适应性、抗斑点噪声性能,匹配精度以及实时性,并与基于SIFT特征的景象匹配算法进行了对比。仿真结果表明,所提出算法性能优越,在匹配适应性、鲁棒性、匹配精度及匹配速度方面都优于SIFT算法,可以满足SAR/INS组合导航系统图像匹配修正的高性能要求。

基于SVD-SURF的宽基线鲁棒景象匹配算法

提出一种基于SVD-SURF的宽基线鲁棒景象匹配算法。首先,在实时图与基准图奇异值分解的基础上构建SURF尺度空间,运用快速Hessian矩阵定位极值点;然后,计算出图像的64维SURF描述子;最后,通过Hessian矩阵迹进行特征点匹配,并利用RANSAC参数估计方法剔除出格点,从而实现位置参数的精确估计。实测航空图像序列位置估计实验表明了该景象匹配算法对图像的旋转、尺度变换及噪声不敏感,具有较强的实时性、精确性和鲁棒性。

序列图像特征提取与匹配算法的改进

在计算机视觉领域中特征点匹配是一个重要课题。针对ORB(ORiented Brief,方向描述符)算法缺少尺度不变性的特点,将SURF(Speeded-Up Robust Features,快速鲁棒特征)算法与ORB相结合,提出了基于算法组合的改进算法SUORB(Speeded-Up ORiented Brief,快速方向描述符)。组合算法的基本思路是利用SURF算法建立多尺度空间,然后通过ORB算法为检测出的特征点建立描述符,最后根据生成的二进制描述符实现特征点匹配。实验结果表明,SUORB算法基本弥补了ORB算法的不足,若图像尺度发生变化,SUORB匹配算法比ORB匹配算法的准确度明显提高;同时SUORB算法保留了ORB算法的快速性。

基于SURF和全局特征融合的图像分类研究

针对SURF对图像局部特征具有极好的描述能力,但对于全局特征描述能力不强的缺点,提出将SURF和全局颜色特征相融合的图像分类算法,提取图像的SURF特征向量集,并利用随机直方图算法将该向量集进行数据归约成单一高维特征向量;提取图像HSV颜色直方图;分别利用支持向量机(SVM)对这两种特征进行分类;将两个分类结果进行高层特征融合得到最终分类结果。实验结果表明,该算法显著提高了图像分类的准确率。

基于多重特征和SURF算法的车牌定位研究

针对利用SIFT算法进行车牌精确定位时执行时间较长的问题,提出一种基于多重特征和SURF算法的车牌定位算法。在HSL颜色空间得到车牌候选区域,结合车牌几何特征与纹理特征筛选候选区域并按设定的规则标号;按序提取车牌标号候选区域,并用SURF算法对候选区域精确定位。实验结果表明,SURF算法与SIFT算法相比,在定位准确率相同情况下减少了运行时间,能满足实时性需要。

一种改进的基于SURF特征匹配的图像拼接算法

针对快速鲁棒特征(SURF)算法的拼接结果图像,会出现明显的拼接线与过渡带的问题,提出一种改进的基于SURF特征匹配的图像拼接算法。在剔除误配点时,采用改进的随机抽样一致(RANSAC)算法调整采样概率,以更少的时间获取正确模型,提高算法效率。在图像融合时,先对输入图像进行亮度均衡预处理,然后再使用加权平滑算法进行融合,从而消除结果图的拼接线和过渡带,提高图像拼接质量。实验表明,改进算法能保持SURF算法的优良特性,进一步提高SURF算法匹配效率,并能有效消除拼接线和过渡带,使图像拼接质量得到显著提高。

基于SURF的抗重复特征干扰图像配准方法

针对基于加速鲁棒特征(SURF)的图像配准算法的配准精度易受重复特征干扰的影响这一问题,提出一种基于SURF的抗重复特征干扰的图像配准方法。使用SURF算法提取图像特征点;针对重复特征干扰,提出一种特征点分类匹配方法以取代传统的全局匹配,在不显著增加计算量的情况下有效的降低误配率;使用随机抽样一致(RANSAC)算法进一步筛除误配,并计算出图像转化矩阵以完成配准。实验结果表明,该方法能有效抑制实验图像中严重的重复特征干扰,并获得较高的配准精度。

基于SURF算法和OpenCV的人脸特征检测技术研究

人脸检测和人脸跟踪[1]技术已成为计算机视觉领域研究的热点。针对SURF算法的优点,首先将SURF算法应用于人脸特征检测与跟踪,阐述了人脸跟踪系统设计方法,首先使用OpenCV技术实现了基于SURF算法的人脸特征跟踪系统。实验结果表明,基于SURF算法和OpenCV技术的人脸跟踪系统匹配识别效果和实时性较好,对人脸旋转、尺寸变化和环境光照变化具有较好鲁棒性[2]。

基于SURF特征的航空序列图像位置估计算法

视觉传感器在航空无人机导航和定位任务中应用越来越广泛。针对无人机位置参数估计问题,提出了一种基于SURF特征的图像配准算法,该算法能够适应航空序列图像的旋转、尺度变换及噪声干扰,实现无人机位置的精确估计。构建了SURF尺度空间,运用快速Hessian矩阵定位极值点,计算出航空图像的64维SURF特征描述子;基于Hessian矩阵迹完成特征点匹配;使用RANSAC算法剔除出格点,实现位置参数的精确估计。通过航空图像序列实测数据位置估计实验,验证了该算法的有效性。

基于特征配准的ISAR图像方位定标方法

逆合成孔径雷达(ISAR)成像利用目标相对雷达视线的姿态变化形成的合成孔径获得方位高分辨,成像方位为多普勒轴,通常需要估计目标的有效转动速度以实现ISAR图像的方位定标从而体现目标真实尺寸。现有算法通常利用信号的运动参数估计和图像整体配准。该文提出利用子孔径ISAR图像的特征提取和配对,根据特征点坐标估计目标的有效转角速度。首先利用尺度不变特征变换(SIFT)和快速鲁棒特征(SURF)对两幅ISAR图像进行特征点提取;然后分别采用最短欧氏距离和随机采样一致性(RANSAC)进行特征点的匹配和失配点的剔除;最后根据配对特征点的坐标和能量估算有效转角速度,实现ISAR图像方位定标。仿真数据和实测数据验证了该算法的精确性和稳健性。

基于图像特征匹配的煤泥浮选泡沫速度特征提取方法

煤泥浮选泡沫图像局部静态特征相似,一些较为复杂的工况判断需要用到浮选泡沫图像的动态特征,而现有的针对煤泥浮选泡沫速度动态特征的提取方法存在准确性、实时性和稳定性不足问题。针对上述问题,提出了一种基于图像特征匹配的煤泥浮选泡沫速度特征提取方法。首先,采用限制对比度自适应直方图均衡化(CLAHE)和三维块匹配滤波(BM3D)对浮选泡沫图像进行预处理,以提高图像质量,突出图像的边缘细节特征。其次,采用加速KAZE(AKAZE)算法对浮选泡沫特征进行特征点检测。然后,在利用暴力匹配(BF)对泡沫图像特征进行粗匹配的基础上,采用基于网格的运动统计(GMS)算法快速可靠地区分正确与错误的特征匹配。最后,根据特征匹配结果计算煤泥浮选泡沫速度,并以此为测量值,利用卡尔曼运动估计方法对得到的测量值进行迭代修正,得到更稳定的煤泥浮选泡沫速度特征。实验结果表明:(1) AKAZE-GMS算法较好地解决特征点簇集的同时又尽量保留了更多数量的特征点,这是因为预处理后图像受噪声影响降低、对比度增强、边缘特征更突出。(2)与SIFT(尺度不变特征转换)、SURF(加速稳健特征)、AKAZE算法相比,AKAZE-GMS算法匹配对分布更为均匀,保留了更多正确的匹配对,匹配精度达99.99%,且运行时间仅需3.73 s。(3)直接经过特征匹配结果计算得到的泡沫速度测量值波动幅度较大,测量值经过卡尔曼运动估计修正后的速度估计值较为平稳,更符合真实工况。