尺度不变特征转换特征提取优化算法研究

针对尺度不变特征转换(SIFT)算法时间复杂度高的缺点,提出了SIFT特征提取优化算法。分析了SIFT特征提取算法各个计算步骤的时间复杂性。对SIFT特征提取过程进行了优化,包括耗时最多的高斯金字塔的创建和计算特征描述符过程。优化算法降低了特征点提取时间,减少了特征点的重复匹配,同时保证了匹配结果的准确性。最后,实验证明了优化后的算法能有效降低时间复杂度。

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.

掌纹识别中的尺度不变特征转换改进算法

针对在低分辨率掌纹图像中,传统尺度不变特征转换算法易产生误匹配的问题,提出一种用于掌纹识别的改进尺度不变特征转换算法。根据局部匹配的思想,结合欧氏距离及加权子区域匹配方法对图像进行匹配,计算得出的相似度能反映图像的局部与全局特征。仿真实验结果证明,改进的尺度不变特征转换算法比原算法具有更高的识别率。

基于改进尺度不变特征转换算法的合成孔径雷达图像配准并行研究

提出了一种基于改进尺度不变特征转换(SIFT)算法的合成孔径雷达(SAR)图像配准方法。该方法采用多核平台对SIFT算法进行优化,克服了SIFT算法计算时间复杂度高的问题。针对SAR图像特点,首先对源图像进行空域增强处理,然后采用改进的SIFT算法完成特征点并行提取,并利用欧氏距离以及RANSAC算法完成特征点的匹配与消除误匹配,最终实现SAR图像配准。实验结果证明,该方法能在保证配准精度的同时降低配准的时间复杂度。

基于近似尺度不变特征转换的序列图像融合算法(英文)

在分析了尺度不变特征转换算法特点的基础上提出了一种近似尺度不变特征转换算法,该算法改变了传统尺度不变特征转换算法的框架,将尺度不变特征转换描述符看作是一种特殊的Harris算子,该算法既保留了尺度不变特征转换描述符的优点又降低了计算量.另外,为了提高特征匹配的精度,给出了一种新的特征点对提纯算法.实验结果表明,近似尺度不变特征转换算法在不影响匹配性能的前提下大大缩短了处理时间,经过提纯后的特征点对匹配性能显著提高,最终得到的全景图像过渡平稳,重叠区域没有显著的痕迹.

一种基于FPGA的尺度不变特征转换算法

针对SIFT算法计算复杂、难以应用于实时测量系统的问题,提出一种基于FPGA的尺度不变特征转换算法,可使模块化的SIFT算法以并行数据流的形式执行;同时利用分时复用方法对各步结构进行优化,使算法的实现达到速度和资源的平衡。与现有的SIFT算法实现方案相比,大幅减少了运算时间和存储单元,提高了逻辑单元使用效率。算法在一片XILINX FPGA上实现,读入像素数据流,输出关键点的特征描述,使用多幅256×256的图像对其进行仿真验证,结果表明此算法结构在保证了图像处理效果的同时,有效地提升了SIFT算法的实时性。

改进的尺度不变特征转换匹配算法

为解决尺度不变特征转换匹配算法运行时间过长、匹配率不高的问题,提出一种改进的尺度不变特征匹配算法。在原经典的尺度不变特征转换匹配算法的基础上,引入二维Mallat快速小波变换算法,重建图像的低频成分;对高斯金字塔组数进行调整,减少降采样次数;通过优化的随机抽样一致算法剔除误匹配点。MATLAB仿真结果表明,改进后的算法减少了匹配耗时,提高了匹配率,优于原算法。

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。

采用改进的尺度不变特征变换算法计算物体旋转角度

改进了传统的尺度不变特征变换(SIFT)算法,使其在进行图像匹配的同时,可以求取出物体的旋转角度。首先,利用SIFT特征对旋转保持不变的特性,按照原算法提取出旋转前后两幅图像的SIFT特征,分析特征点主方向的计算过程,记录每个特征点主方向的角度值进行特征匹配。然后,计算出每对匹配的SIFT特征点的主方向角度之差,得到特征点的旋转角度;采用迭代自组织聚类的方法分析得到的特征点旋转角度数据,依据类内方差和类内样本数目,选取正确的样本类。最后,选用该样本类的均值作为物体的最终旋转角度。实验结果表明,该方法在图像畸变不大时的误差在3°以内,即使在部分遮挡的情况下,也能较好地计算出旋转角度。在时间复杂度增加不大的情况下,使SIFT算法具有了计算旋转角度的功能,拓宽了应用方向。

改进的抗全仿射尺度不变特征变换图像匹配算法

针对现有匹配算法难以解决图像发生仿射变换特别是发生大视角变换时的有效匹配问题,本文对匹配稳定性较好的尺度不变特征变换(SIFT)算法进行了深入研究和改进。借鉴其模拟和归一化相结合的思想对相机光轴的经度角和纬度角进行模拟并采用SIFT算法进行匹配。结果显示,提出的算法不仅保留了SIFT原有的对仿射变换的抵抗能力,而且对视角变换也有很好的鲁棒性,实现了完全的抗仿射变换。实验结果表明,与传统的SIFT算法相比,本文算法对仿射变换尤其是有大视角改变时有更好的适应性。

改进的尺度不变特征转换精确图像匹配在电力设备目标定位中的应用

针对电力设备目标定位问题,研究了基于改进的尺度不变特征转换(scale invariant feature transform,SIFT)精确图像配准的定位方法。首先用改进的SIFT特征描述子提取图像中的特征点,降低了特征向量描述子的维数,大大提高了算法的速度;然后采用欧氏距离对特征点进行初始匹配,由于初始匹配过程中存在误匹配,采用改进的随机取样一致性(random sample consensus,RANSAC)算法对阈值进行自动调整,消除了错误匹配;最后,以电力系统中的刀闸、变压器为例,采用旋转、缩放、光照变化及加噪声图像验证了该算法。实验结果表明:改进后的算法不仅继承了SIFT算法的鲁棒性,而且提高了算法的速度和匹配精度,可以较好地应用于电力设备目标定位中。

改进仿射尺度不变特征变换算法的图像配准

为了更好地处理匹配效率、重复纹理匹配和仿射不变性匹配等问题,对完全仿射不变特征变换(ASIFT)算法进行两方面改进。匹配框架中特征提取的改进提高了ASIFT算法的匹配效率;利用优化随机采样算法(ORSA)结合以单应矩阵为几何线性约束模型的随机抽样一致性(RANSAC)改进匹配算法,提高了匹配精度和重复纹理结构的适应能力。实验结果表明,提出的改进算法能较好地匹配高度相似纹理,计算量小,计算速度快且精度高。

基于尺度不变特征转换与局部相位量化结合的人脸识别

提出尺度不变特征转换(scale invariant feature transform,SIFT)和局部相位量化(local phase quantization,LPQ)相结合的人脸图像识别算法.利用SIFT算法检测两幅人脸图像特征点,得到两幅图像的特征点集合;计算特征点邻域的LPQ特征,并将特征点邻域的集合表述为LPQ直方图序列,作为人脸图像的描述算法;采用特征点邻域距离比值进行匹配判定.实验表明在ORL标准人脸数据库上,该方法具有较高的识别率.

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OpenCL的尺度不变特征变换算法的并行设计与实现

针对尺度不变特征变换（SIFT）算法实时性差的问题,提出了利用开放式计算语言（Open CL）并行优化的SIFT算法。首先,通过对原算法各步骤进行组合拆分、重构特征点在内存中的数据索引等方式对原算法进行并行化重构,使得算法的中间计算结果能够完全在显存中完成交互;然后,采用复用全局内存对象、共享局部内存、优化内存读取等策略对原算法各步骤进行并行设计,提高数据读取效率,降低传输延时;最后,利用Open CL语言在图形处理单元（GPU）上实现了SIFT算法的细粒度并行加速,并在中央处理器（CPU）上完成了移植。与原SIFT算法配准效果相近时,并行化的算法在GPU和CPU平台上特征提取速度分别提升了10.51~19.33和2.34~4.74倍。实验结果表明,利用Open CL并行加速的SIFT算法能够有效提高图像配准的实时性,并能克服统一计算设备架构（CUDA）因移植困难而不能充分利用异构系统中多种计算核心的缺点。

融合傅里叶描述子和尺度不变特征转换特征的商标检索

针对传统商标检索算法中全局特征容易造成误检,而局部特征SIFT对轮廓描述能力不强及算法复杂度高的问题,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。首先提取图像的傅里叶描述子进行初步检索,并按相似度排序,然后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特征较高的查全率和查准率,优于傅里叶描述子单一特征,而且检索速度比SIFT单一特征显著提高,能很好地应用于商标图像检索系统中。

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。

采用改进的尺度不变特征转换及多视角模型对车型识别

针对车型识别过程中车辆的姿态复杂以及采集图像时尺度缩放和光照等因素导致识别出现困难的问题,提出采用改进尺度不变特征转换(SIFT)及多视角的车型识别算法。该算法对尺度不变特征提取方法进行改进,并获取车型特征;通过视觉聚类对车辆进行多视角建模;利用最佳节点优先搜索算法完成特征向量的近邻搜索,并根据匹配相似度完成车型识别。实验结果表明,该算法所给出的车型识别方法具有可行性和有效性,可以在不同的图像畸变条件下保持稳定性,最终的车型识别效率也都可达到90%,所用时间要低于SIFT方法,处理时间在原SIFT方法的基础上降低了20.58%。

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。

基于分数阶微分的尺度不变特征变换图像匹配算法

利用分数阶微积分运算处理图像信息,有利于强化和提取图像的纹理细节,使图像得到增强,更有利于对图像特征的提取。为了提高图像匹配的正确性,用基于分数阶微积分图像处理方法,提出了改进的尺度不变特征变换(SIFT)匹配算法,将高斯滤波和分数阶微分滤波相结合,用分数阶微分对图像特征进行强化,检测出更加稳定的尺度空间极值点,然后筛选出更多和更准确的匹配特征点,最后进行图像匹配。实验表明,在SIFT中引入分数阶微积分的应用,能够得到更多的特征关键点,提高图像匹配的正确性。