基于直线段检测和LT描述符的矿井图像线特征匹配算法

图像匹配是同步定位与地图构建(SLAM)技术中极为重要的一环,用于根据图像之间的变换关系确定相机位姿。基于线特征的图像匹配方法具有较强的鲁棒性和抗噪能力,更加适用于井下图像匹配,基于深度学习的线描述符对线段遮挡等场景具有较高的鲁棒性,性能优于传统描述符,但卷积神经网络架构的描述符将可变长度线段抽象为固定维进行描述,不利于线段长度及视差变化较大图像的匹配。针对上述问题,提出一种基于直线段检测和线描述符的矿井图像线特征匹配算法。在频域利用单参数同态滤波降低图像的照射分量,并增强反射分量,提升亮度及对比度;在YUV空间利用对比度受限的自适应直方图均衡化(CLAHE)算法对亮度分量进行均衡,使亮度分布更加均匀;变换至RGB空间提取直线段检测(LSD)线,引入一种基于Transformer架构的LT描述符构建LSD线的特征向量,最后完成线特征匹配。实验结果表明:该算法结合了同态滤波和CLAHE算法的优点,增强后图像的亮度适中,对比度良好,灰度分布均匀,增强效果优于单参数同态滤波算法、EnlightenGAN算法;该算法提取的线特征数较原图平均提升了32.92%,在不同相似纹理占比、不同程度旋转与平移变化的井下图像匹配中鲁棒性好,平均正确匹配数为61.75对,平均精度为86.83%,优于线二进制描述符(LBD)算法、LBD_NNDR算法、LT算法,能够满足矿井图像稳健匹配的需求。

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。

基于CUDA加速的图像特征检测与匹配算法研究

针对使用OpenCV的ORB算法对高清图像特征检测与匹配算法实时性差的问题,提出了一种基于CUDA加速的ORB图像特征检测算法。首先,使用输入图像构建图像金字塔,将各层图像对齐,分为许多张小图像块并保存其图像信息,接着每个CUDA线程通过线程id去查询对应的图像块,使用FAST快速检测图像块的角点,初步保留质量较好的角点,计算Harris响应值和非极大值抑制再筛选得到一部分角点作为图像特征点,然后通过256组2维随机点描述符,计算图像特征点的描述子,最后通过计算两幅图像特征点描述子的汉明距离来匹配特征点,剔除汉明距离过大的匹配特征点对。对实际的CUDA代码测试结果分析表明,处理一组同样的1080p图像用时86ms左右,而OpenCV用时至少在210ms。

基于教师-学生模型的点云目标检测算法

针对现有点云目标检测算法对室外自动驾驶场景中遮挡物体检测精度低的问题,提出一种基于知识蒸馏和注意力增强的点云目标检测算法。以CIA-SSD模型为基础,设计了一种基于教师-学生模型的密集特征生成模块,提出基于交并比匹配策略的密集数据生成方法,将稀疏特征转换为密集特征。密集特征生成模块位于学生模型中,学生模型在教师模型生成的软目标监督训练下,推断出完整的密集目标特征,实现目标特征的补全;在教师模型中设计空间注意力和通道注意力机制,增强密集目标点云,提升特征图的质量。在KITTI数据集上的验证实验结果表明:与SE-SSD模型和CIA-SSD模型相比,本文提出的算法保持了单阶段目标检测速度的优势,同时明显提升了检测精度。

基于改进SBR算法的人脸特征点稳定检测

基于图像的特征点检测器在静态图像上取得了卓越的性能,然而这些方法应用于视频或序列图像时其精度和稳定性显著降低。配准监督(Supervision-by-Registration,SBR)算法利用光流算法(Lucas-Kanade,LK)追踪,可通过无标注视频训练针对视频的特征点检测器,已取得较好的结果,但LK算法仍存在一定局限性,导致检测的特征点序列在时空上的连贯性不强。为获得精准、稳定、连贯的人脸特征点序列检测效果,提出了平滑一致性损失函数、权重掩码函数对传统SBR网络模型进行改进。网络中添加长短期记忆网络(Long Short-Term Memory,LSTM)提高模型训练鲁棒性,在模型训练中使用平滑一致性损失函数提供稳定性约束,获得准确且稳定的人脸视频特征点检测器。在300VW、Youtube Celebrities数据集上的验证显示,SBR改进模型将人脸视频特征点检测的标准化平均误差(Normalized Mean Error,NME)从4.74降低至4.56,且视觉上人脸特征点检测的抖动显著减少。

基于ORB-SLAM2的改进特征匹配与稠密地图算法

针对ORB-SLAM2算法在特征匹配时容易出现误匹配以及无法构建稠密地图的问题,引入GMS算法来改进ORB-SLAM2算法中的误匹配问题以及添加稠密地图线程。首先,建立图像金字塔,对每层图像金字塔进行网格划分,提取特征点,对每个网格中的特征点引入四叉树策略进行筛选,得到均匀的特征点;其次,在特征匹配阶段引入GMS算法剔除误匹配;最后,根据位姿估计和关键帧构建稠密点云地图。通过TUM数据集上的实验验证,结果表明改进算法的匹配数比原ORB-SLAM2算法增加了18.36%,匹配用时减少了8.53%,将改进算法应用于移动机器人自动导航和避障中,能够提高系统的可靠性和运行效率。

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。

一种基于ORB检测的特征点匹配算法

针对传统的SURF局部特征匹配算法实时性不高的问题,充分利用ORB特征点检测算法简单高效的优势,提出了一种新的特征点匹配算法。首先,针对原始ORB特征匹配算法出现大量误匹配对的问题,采用基于K最近邻的特征点描述后,对前后两帧特征点进行双向匹配,再通过顺序抽样一致性算法进一步提纯。实验结果表明,经过本文算法提纯后匹配对准确度提升到99.9%,平均耗时0.46 s,处理速度约是SURF特征匹配算法的5倍,SIFT特征匹配算法的25倍,能够满足实时运用的需求。

基于中心环绕滤波器检测的图像特征点匹配算法

针对传统图像匹配算法特征点检测稳定性和准确性差的问题,提出一种尺度不变性的基于中心环绕滤波器检测(SCFD)的图像特征点匹配算法。首先,构建多尺度空间,利用中心环绕滤波器检测图像在不同尺度下的特征点,采用Harris方法和亚像素插值获得稳定的特征点;其次,联合快速定向旋转二进制稳健基元独立特征(BRIEF)(ORB)算法确定特征点的主方向,构建特征点描述算子;最后,采用汉明距离完成匹配,通过最小平方中值(LMed S)定理和最大似然(ML)估计剔除误匹配点。实验结果表明,在尺度变化时,所提算法的匹配精度达到96.6%,是ORB算法的2倍;其运行时间是尺度不变特征变换(SIFT)的19.8%,加速鲁棒性特征(SURF)的28.3%。所提算法能够有效提高特征点检测的稳定性和准确性,在视角、尺度缩放、旋转、亮度等变化的情况下具有较好的匹配效果。

基于深度学习的语义特征点提取匹配算法

针对传统ORB算法在特征点提取匹配方面存在的误提取和误匹配问题,以及在语义SLAM应用方面的不足,本文提出了一种基于深度学习的语义特征点提取匹配算法。首先,利用语义分割网络获取匹配图像的语义信息,再结合四叉树分配及自适应提取阈值算法,以实现提取均匀分布的语义特征点。其次,为了剔除特征点匹配环节中存在的误匹配,本文设计了一种语义角度直方图匹配优化算法,通过结合匹配语义特征点的角度和语义信息用于剔除误匹配,从而获得准确的匹配特征点对。最后,通过对比实验评估本文所提算法,实验结果表明论文提出的语义特征点算法能够有效消除误匹配并实现提取特征点的均匀分布,证明了本文算法在多种场景下的优越性能,满足语义SLAM系统的需求。

BRISK特征点检测匹配算法的探究

针对图像特征点检测匹配过程中BRISK算法检测到的特征点较少而导致识别精度低问题,由此本文提出了BRISKSIFT算法,并采用MSAC算法进行二次匹配去除初次误匹配点对,实验结果表明特征点匹配点对增多,从而提高了识别精度。

用于图像匹配的改进Harris特征点检测算法

原始Harris特征点检测算法采用高斯滤波进行平滑处理,增强了其鲁棒性,但是也提高了该算法的复杂度,导致其不能应用到许多图像匹配系统中,还存在对T型和斜T型特征点定位不准确的问题。为此,提出一种新的特征点检测算法。使用加速分割测试特征的特征点检测原理排除大量的非特征点,利用邻域像素比较法消除部分强干扰点,采用改进的高效非极大值抑制算法获得结果特征点。实验结果表明,该算法具有较好的匹配精度和较快的检测速度,检测时间仅为原始Harris算法的13.9%,适用于实时图像匹配系统。

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。

分布式光纤桩基检测里特征点压缩算法的应用研究

在开展桩基分布式检测工作时,常常用布里渊散射光时域反射技术(BOTDR)测量桩基,对数据的平滑去噪处理,是此工作中重要的一步。以某桩基为例子,借助特征点压缩算法,对检测数据进行平滑去噪处理,分析这种数据处理方法的特点和在实际中的应用效果。研究结果表明:数据的去噪会受到压缩算法的特征点阈值影响,参数的选择应结合实际情况和具体数据来确定;以不同的指标对平滑处理效果进行分析时,得出的压缩算法最优次数也不同;从摩阻力和轴力分布图来看,实际应用效果和桩体荷载传递规律以及国家相关规范基本一致,可以将荷载作用下桩体的实际受力情况准确地反映出来,效果良好。

基于YOLOv3检测和特征点匹配的多目标跟踪算法

针对传统多目标跟踪算法中行人检测速度慢、易受光照变化、行人快速移动及部分遮挡因素的影响造成行人目标跟踪性能差等问题,提出一种根据经典的Tracking-by-Detection模式,采用深度学习YOLOv3算法检测行人目标,然后利用FAST角点检测算法与BRISK特征点描述算法对相邻帧间的行人目标进行特征点匹配,实现多目标行人跟踪的算法。实验结果表明行人目标在背光、快速移动、部分遮挡等复杂环境下均获得了良好的连续跟踪效果,平均精度达到87.7%,速度达到35帧/s。

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 .

基于角点检测的图像匹配算法

针对红外图像与可见光图像之间特征点匹配难的问题,提出一种新的基于角点检测的图像匹配算法。首先基于曲率尺度空间检测图像在不同尺度下的角点,利用泰勒级数剔除伪角点以明确特征点的位置与数量;其次在构建特征点梯度向量时为避免红外与可见光图像梯度的翻转,对特征点邻域部分梯度方向进行角度限制修正并对梯度方向采用就近投影,进而统计梯度方向直方图以确定特征点的主方向,并构造一个64维的特征点描述子进行归一化处理;最后利用极线约束原则减少搜索范围,设计双向匹配方法实现特征点匹配。实验表明该算法能够有效进行红外与可见光图像的匹配,在旋转、噪声干扰、尺度缩放、亮度变化的情况下具有较好的匹配效果。

基于Harris角点和SURF特征的遥感图像匹配算法

Harris是一种高效的角点检测算法,但不具备尺度不变性。SURF(speeded-up robust features)算法虽然能很好地解决图像尺度变化问题,但是在特征点提取方面没有Harris稳定。针对Harris和SURF两种算法的特点,提出一种新的Harris-SURF特征点提取算法。首先用Harris算法检测图像角点,再用SURF算法提取图像特征点;然后合并角点和特征点,并剔除重复点获得新的特征点集,确定新特征点的主方向并生成特征描述符,再对图像使用比值法进行初匹配;最后利用RANSAC剔除错误匹配点实现精确匹配。实验结果表明,该算法对图像存在旋转、缩放、光照及噪声变化有较强的鲁棒性,同时提高了运行效率。

基于角点检测的快速匹配算法

针对复杂图像的快速匹配,提出基于Shi-Tomasi角点检测的特征匹配算法。依据图像的角点特征、图像灰度和位置信息,采用最大互相关函数进行相似度计算和粗匹配,用随机样本一致性算法对匹配点对进行校正并消除错误匹配。将该算法应用于实景照片拼接,实验结果表明,对存在较大色差和形变的图像,其匹配精度为97%左右,匹配精度和速度均优于传统匹配算法。

一种基于SURF的图像特征点快速匹配算法

针对传统图像匹配算法计算量大、耗时长等缺陷,提出一种基于SURF(speeded up robust features)的图像特征点快速匹配算法.首先对图像采用SURF算法提取特征点;然后通过Haar小波变换确定特征点的主方向和特征点描述子,使用优化的最近邻搜索算法(best bin first,BBF)进行特征点匹配;最后根据实际需要选取相似度最高的前n对匹配点进行对比实验.实验结果表明:该算法鲁棒性强,速度快,匹配准确性高,具有较大的应用价值.