图像特征点匹配算法下车辆行驶主动防撞预警

对于车辆行驶过程中的防撞预警,如果无法识别前车的具体行驶状态,可能使系统反应速度较慢,而不能动态变化调整本车行驶策略,导致无法有效规避潜在碰撞的危险。为了提高车辆在行驶过程中对周围环境的感知能力,防止车辆碰撞事故的发生,提出了图像特征点匹配算法下车辆行驶主动防撞预警方法。通过尺度不变特征转换(Scale-Invariant Feature Transform,SIFT)对采集到的前车图像中的特征点展开提取;利用近似最近邻搜索算法完成特征点的匹配,并将匹配点对从像素坐标系转换到图像坐标系中,以完成对前车的定位;基于单帧静态图像测距方法获得车距,并将前车的行驶状态分为静止、减速、匀速或加速三种状态,计算不同状态下的提醒报警距离和危险报警距离,动态调整本车行驶策略。当车距达到提醒报警距离或危险报警距离时,发出报警,以此实现车辆行驶过程中的主动防撞预警。试验结果表明:利用图像特征点匹配算法下车辆行驶主动防撞预警方法对前车车距展开测量,测量结果与实际车距基本一致,准确度误差在5 cm以内,相较于差异化预警方法和车联网数据预警方法而言可以更精准地测量车距;此外,所提方法的风险系数最大值为0.12,远小于差异化预警方法和车联网数据预警方法的风险系数,证实了该方法的车辆定位准确度高、防撞预警性能强。

基于改进SURF的图像特征点匹配算法

为了提升图像在三维重建过程中特征点匹配时的准确率,提出了一种基于改进SURF(speeded-up robust features)的图像特征点匹配算法。首先,将SURF的64维度描述符提升至128维度;其次,在SURF算法引入KD-Tree模块,利用BBF(best bin first)最近邻查询机制实现特征点匹配;最后,通过对同一数据集进行旋转、缩小,并利用传统算法和改进SURF算法分别对图像进行特征点匹配实验,验证改进SURF算法的有效性。结果表明:改进SURF算法的特征点匹配正确率达到了89.19%,相较于传统SURF算法提高了17.62个百分点;特征错误匹配数由85减少至31,显著降低了特征点的匹配误差;运行时间由1.956 s缩短至1.647 s,进一步提升了算法的运行速度。改进后的SURF算法具备正确率高、误差小、速度快的特点,可为三维重建特征匹配工作提供重要的参考。

多算法融合的高性能稀疏特征点匹配研究型实验设计

影像间特征点匹配是图像处理领域的基础问题,是实现目标识别、影像拼接、三维重建、机器视觉等功能的基础。针对基于深度学习的SuperPoint特征点匹配算法具有很强的特征描述能力但特征点检测精度不高的问题,提出将SIFT亚像素特征点检测算法与SuperPoint特征描述相结合,改进SuperPoint提取的特征点精度,同时保留其强大的特征描述能力,最后通过SuperGlue特征匹配网络实现特征点的匹配筛选,从而得到多算法融合的高性能稀疏特征点匹配算法。实验测试结果表明,新方法获得的匹配点对数量是SIFT匹配算法的2.04倍,且对称极线距离小于等于10^(-4)的匹配点对比例较SIFT匹配算法提高了7.2%,对比其他ORB、SuperPoint等经典算法,新算法总体性能有一定提升。

面向弱纹理空间目标的特征点匹配方法

特征点提取与匹配是遥感图像处理中关键的一环,目前成熟的算法大多面向对地成像类型的遥感图像,对于空间目标的遥感图像,没有考虑成像条件与探测平台的影响因素,特征点匹配质量较差。针对空间目标的匹配精度不高这一问题,文章提出了一种基于聚类的特征点匹配算法。首先,根据空间目标的重复弱纹理进行特征点提取与描述,再利用特征点的空间位置进行聚类,并对特征点簇进行匹配;之后将特征点的主方向减去目标整体方向,利用特征点主方向对每一个点簇进行再分组,并完成特征点匹配;最后利用最近邻次近邻比率方法和随机样本一致算法(RANSAC)剔除外点。采用该特征点匹配方法进行的模拟成像数据实验结果表明,对于空间目标图像,基于聚类的特征点匹配较直接匹配,匹配数量的提升最高可达50%,重投影误差优于1/4个像元。文章提出的这一方法使用目前通用的各种特征描述子,能够大幅度提高空间目标图像特征点匹配的数量与精度。

仿人眼双目图像特征点提取与匹配方法

模仿人眼的视觉特性已成为机器迈向智能感知、智能认知的研究热点和难点。图像边缘蕴含着丰富的信息,因此人眼对场景中物体的边缘更加敏感。为在机器上实现这一视觉特性,提出了一种仿人眼双目图像特征点提取与匹配方法。首先选择边缘特征提取能力突出的SUSAN(small univalue segment assimilating nucleus)算子作为特征检测器;然后改进尺度不变特征变换(scale-invariant feature transform,SIFT)描述子的采样邻域,减少远离特征点的梯度信息因视点和视角差异带来的匹配误差,保留靠近特征点的主要梯度信息;随后对输入图像建立多尺度结构,在不同尺度上计算同一特征的主要梯度信息;最后利用平方根核比较梯度信息的相似性,生成多尺度描述子,增强描述向量的独特性。实验采用多种评价指标分别对提出的多尺度描述子和整体算法进行评估,并与经典的SIFT、SURF(speeded up robust features)、Root-SIFT等算法和先进的BEBLID (boosted efficient binary local image descriptor)、SuperGlue、DFM等算法进行对比。结果表明:提出的多尺度描述子能够提高边缘特征点的匹配准确率,并对光照变化具有更强的适应能力,体现出更好的匹配稳定性;与其他算法相比,本算法具有更高的匹配准确性。

融合渐进式策略的轻量化特征点提取与匹配方法

针对基于SuperPoint网络的特征匹配方法在光照、姿态、角度等挑战下,特征点提取准确率低、计算参数量大的问题,提出了一种融合渐进式策略的轻量化特征点提取与匹配方法。首先,利用深度可分离卷积对SuperPoint网络进行结构调整,以降低模型参数计算量;其次,在特征提取部分搭建注意力模块增强网络在空间上的特征提取能力,并设计渐进式多尺度特征融合模块捕获目标细节,增强特征的表达能力;最后,利用SuperGlue算法对所得到的特征点进行匹配。在Hpatches数据集上进行实验分析,实验结果表明,所提算法在光照变换场景下匹配平均准确率(mAP)和特征点重复度(Rep)达到了86%和70%,在视角变换场景下mAP和Rep达到了78%和68%。所提算法不仅在特征匹配中表现出一定的优势,同时将其应用于视频拼接中也获得了较好的效果。

基于多类别特征点匹配的紧耦合激光惯性里程计

针对现有的激光SLAM在室外动态场景建图时,LiDAR数据存在运动畸变、地面采样数据稀疏造成激光里程计精度低的问题,提出了一种基于多类别特征点匹配的IMU紧耦合里程计方法。首先,从原始点云数据入手,通过IMU数据对每一帧LiDAR数据进行线性插值校正畸变点云,以提高LiDAR数据的质量;其次,对畸变校正后的点云进行2D网格投影,根据每个网格与其相邻网格的最小高度平均值大小,利用双阈值将网格中点云划分为地面点和非地面点,再根据局部特征的线性度、平面度、曲率等,将非地面点进一步划分得到多类别特征点;再次,对多类别特征点匹配的IMU紧耦合进行建模,考虑到原本的LiDAR观测误差无法提供高精度的重力矢量估计,引入IMU状态估计,构建里程计误差函数,使得重力矢量估计得到进一步约束,抑制了重力矢量方向上的漂移,有效提升了激光里程计的精度;最后,基于LeGO-LOAM框架设计了基于多类别特征点匹配的IMU紧耦合激光里程计,并完成了验证系统的搭建。实验结果表明,该方法能有效抑制重力矢量方向上的漂移,提高激光里程计的精度。

VSLAM系统中的快速特征点匹配算法

连续图像帧之间特征点匹配是视觉同步定位与建图(VSLAM)技术的关键技术;针对VSLAM系统中连续图像帧之间特征点匹配耗时且精度低的问题,一种基于局部像素运动模型的快速特征点匹配算法(LPMM)被提出;该算法基于运动平滑约束假设,利用连续图像帧中局部区域内的像素点的运动具有一致性这一特性,将图像划分成局部网格区域后利用每个网格中的部分特征点估算该网格区域的运动向量,并以此为基础,计算下一帧匹配特征点的搜索范围的中心点;最终在计算出下一帧的中心点的局部邻域内搜索与当前帧的特征点相匹配的特征点;实验结果表明,所提出的匹配算法与广泛使用的ORB-SLAM2中的投影匹配算法相比,平均匹配速度提高50%以上,匹配精度提升了约4%。

几何约束下虚拟人脸重复视觉特征点匹配研究

为最大程度地减少虚拟人脸特征点的误匹配,文中研究几何约束下虚拟人脸重复视觉特征点匹配方法。首先,利用高斯滤波构造虚拟人脸图像的多尺度空间,结合形状变更指数检测虚拟人脸在多尺度空间的重复视觉特征点;然后,采用基于动态特征矩阵求解(DFMS)的特征点匹配方法,完成重复视觉特征点初始匹配后,依据匹配点对的连接线距离、斜率一致的特点,构建最佳几何约束,有效删除错误匹配点对;最后,经RANSAC算法进行二次过滤后,实现了虚拟人脸的重复视觉特征点最佳匹配。实验结果显示,所提方法可在虚拟人脸的关键位置检测到重复视觉特征点,并最大程度地删除误匹配点对,实现重复视觉特征点的精准匹配。

基于改进特征点匹配的三维点云数据配准算法应用探究

三维点云配准算法作为计算机辅助制造工程的重要构成,在三维重建、目标物形状检测等领域有着重要的应用。为了实现目标物体的完整测量,一方面需要从点云数据中获取精确的特征点集,另一方面需要压制噪声信息。基于特征点匹配的三维点云配准算法简化了特征提取的复杂度,提升了配准的精度和速度,能够实现目标物体的高效配准。本文就基于改进特征点匹配的三维点云数据配准算法应用展开探究。

基于几何关系约束的特征点匹配算法

特征匹配是计算机视觉中的一个基本问题,基于特征点的特征匹配方法则是其中最为常用的一种算法,有着重要的研究意义和研究价值.众所周知,特征点匹配的结果受很多因素的影响.为更好地处理视角变换的特征匹配问题,给出一种基于特征点位置关系的几何约束匹配方法.即通过引入新近发现的射影不变量——特征数,构建特征点位置间的几何信息描述子;进一步建立每个点的特征数直方图并使用巴氏系数度量几何相似度;最后在基于纹理特征描述子基础上增加文中所给出的几何信息描述子获得特征匹配的约束条件.实验结果证明,该算法可以有效的提高特征点匹配的精度,同时对视角变化较大及纹理相似的情况具有很好的匹配效果.

基于改进ORB的图像特征点匹配研究

针对ORB算法不具备尺度不变性的缺陷,结合SURF算法,将ORB算法改进为SURB(SURF-ORB)算法。首先提取具有尺度不变性的SURF特征点,然后构建ORB算法描述子,特征匹配时,先对待处理图像进行区域分块,缩减原始搜索范围,节约了无效区域的特征点匹配时间,采用汉明距离完成初步匹配,然后结合PROSAC算法对初步筛选的点去伪,获得较为精准的匹配点对。实验结果表明,图像尺度变化时,SURB算法的平均匹配准确度为93.4%,约为ORB算法的3倍;SURB算法的平均耗时约为SURF算法的80%,具有较强的实时性和可行性。

基于RANSAC的特征点匹配算法

考虑到特征点在特征维度上的有序性,通过排序配对的方法减少错误匹配点,降低错误匹配率。将RANSAC算法应用到SIFT算法中,获得初步的匹配点对;对匹配点分别进行横、纵坐标的排序,对照剔除序号不一致点;计算两幅图像的质心,将各匹配点到质心的距离排序,剔除序号不一致点;将剩余的匹配点作为最终的正确匹配点。实验结果表明,在尺度变换、噪声干扰、旋转变换和错切变换条件下,改进算法的正确匹配率在一定程度上有所提高。

基于特征点匹配的多视图像校正

多视图像的校正是提高3DTV观看质量的关键步骤之一。现有的图像校正算法大多是双目或三目相机校正,对于平行或弧形相机阵列的多视图像校正的研究较少,而且受相机标定参数和相机间距的影响较大。文章提出了一种对未标定的多目相机图像进行校正的方法,通过寻找匹配特征点,依据匹配点垂直视差的关系计算校正变换矩阵,用以对原图像进行校正变换。实验结果显示,图像间的垂直失配大为减少,校正后的图像能够提供良好的立体视觉主观测试效果。

基于双向最大相关与视差约束的特征点匹配

提出一种基于双向最大相关与视差约束的特征点匹配方法,首先利用双向匹配策略来提高匹配精度,然后基于视差约束条件进一步剔除误匹配点,实验证明该算法不仅简单高效而且匹配精度高。

一种快速实用的特征点匹配算法

该文提出的方法，使用了基于投影的粗筛选和候选点的策略，使用基于距离约束对匹配点对进行校正和消除错误匹配，提高了计算速度和可靠性。实验结果证明，提出的方法具有较大的实用性。

结合快速鲁棒性特征改进ORB的特征点匹配算法

针对定向二进制简单描述符(ORB)算法不具备尺度不变性的问题,提出一种结合快速鲁棒性特征(SURF)算法和ORB的改进算法。首先,利用Hessian矩阵检测特征点的方法,使得提取出的特征点具有尺度不变性;然后,用ORB生成特征描述子;接着采用K-近邻算法进行粗匹配;最后,通过比率测试、对称测试、最小平方中值(LMed S)定理进行提纯。尺度变化时,该算法比ORB的匹配精度提高了74.3个百分点,比SURF的匹配精度提高了4.8个百分点;旋转变化时,该算法比ORB的匹配精度提高了6.6个百分点;匹配时间高于SURF低于ORB。实验结果表明,改进算法不仅保持了ORB的旋转不变性,而且具备了尺度不变性,在不失速度的前提下,匹配精度得到较大提高。

图像特征点匹配的强壮算法

同一场景的不同图像匹配是计算机视觉中的一个基本问题 ,在诸如三维重建、对象识别和分类、图像对齐和相机自校正等应用中 ,特征匹配都是一个关键步骤 ,其中特征点匹配是较为常用的一种方法 .特征点匹配的效果受到很多因素的影响 ,如景物的遮挡、光照和噪声等 ,变化很大 .文中对标准指派算法进行扩展以解决全局优化问题 ,并利用场景深度局部连续的条件作为附加约束 ,提出一种新的特征点匹配算法 .整个算法只用到两次优化 ,而且几乎全部使用矩阵运算 ,效率比已有的算法高 .

基于特征点提取匹配的蝗虫切片图像的拼接和修复方法

由于环境和切片本身特性的影响,试验中获取的蝗虫切片总是不完整或者带有褶皱的。针对这一问题,提出了一种基于图像匹配的蝗虫切片拼接和修复方法,以序列切片中缺损切片的邻近切片图作为参考对象,对缺损切片图像进行拼接和修复。首先对切片进行小波降噪,降低噪声对匹配的影响;然后用尺度不变特征变换(scale.invariant feature transform,SIFT)算法和快速鲁棒特征(speed-up robust features,SIJRF)算法获取切片特征点并生成特征向量,完成切片的初始特征点匹配;随后利用随机采样一致(random sample consensus,RANSAC)算法进行匹配矫正,剔除匹配点对中的误匹配,并利用最小二乘法求解出单应性矩阵;最后用正确的匹配点对和单应性矩阵完成蝗虫切片的拼接,利用求得的空间映射模型找到褶皱部分相应的匹配域,完成对缺损部分的修复。试验表明:提出的切片拼接和修复方法的所提取的特征点的正确匹配率能够达到72.2%,并且运行速度以及匹配效果都能在一定程度上满足切片修复的要求,为后面进行蝗虫切片褶皱打开以及蝗虫体的三维重建提供了技术参考。

基于改进ORB的图像特征点匹配

鉴于ORB算法在特征点匹配时基本不具备尺度不变性,结合SIFT算法思想,提出了改进的ORB算法:SIRB(ORB and SIFT)。首先生成图像的多尺度空间,并在多尺度空间里检测稳定的极值点,使得提取出的特征点具有尺度不变信息;然后使用ORB描述子对特征点进行描述,生成旋转不变性的二进制描述子;最后通过Hamming距离完成对特征点的匹配。实验结果表明,SIRB有效地解决了ORB不具备尺度不变性的缺陷,在图像尺度发生变化时,SIRB算法特征点匹配的平均准确度达到约93.3%,相比于ORB提高了约70.7%;同时SIRB和ORB两种算法的匹配速度大致相当,SIRB保留了原ORB算法的快速优越性,平均匹配速度比SIFT快约63.2倍;将提出的SIRB算法应用到视频目标跟踪系统中,取得了良好的实验效果,具有一定的应用价值。