基于随机采样一致性算法的平面匹配方法

针对传统的平面图像标定点匹配算法计算量大、准确性不高等问题,提出一种基于随机采样一致性(RANSAC)算法的快速高精度的平面图像标定点匹配方法。该方法首先基于双圆锥曲线模型,借助于椭圆边缘点附近的梯度信息求取椭圆的切线,由切线集合拟合出椭圆参数,并利用这些参数计算出椭圆圆心,即图像上的标志点;然后用RANSAC随机采样算法对标定板上的点和图像上的点进行匹配。实验验证该方法实现起来简单并且有较高的准确率。

基于一致性随机采样的图像特征匹配鲁棒确认

误匹配点的存在影响了计算图像间变换关系的准确性,从而导致较差的图像匹配效果。通过随机采样一致性算法,提出了一种剔除错误匹配,精确确认图像匹配特征,从而计算图像间几何变换矩阵的鲁棒方法。该方法首先基于特征向量相似性准则,得到初始匹配点对,再利用特征点周围的灰度信息进行权值计算,在用随机采样一致性算法拟合几何变换矩阵的迭代过程中,得到使目标函数最小的匹配关系以筛选由噪声等引起的误匹配点对,从而精确计算图像间的几何变换关系矩阵,实现图像的精确配准。实验结果表明,该算法具有良好的噪声鲁棒性,得到了理想的图像配准效果。

一种结合随机采样一致性与主成分分析的点云配准方法

针对迭代最近点算法(ICP)对点云初始位姿有较高要求和随机采样一致性算法(RANSAC)不稳定的问题,提出了一种基于RANSAC和主成分分析(PCA)的点云配准方法。基于局部关键点配准、RANSAC+PCA粗匹配、全局优化精配准的框架,利用固有特征(ISS)关键点检测方法和非最大抑制值处理关键点,通过改进的快速点特征直方图(FPFH)优化建立关键点之间的对应关系组,融合过滤筛选、PCA主方向限制,以降低迭代次数且能利用ICP进行精准配准。本文对飞机点云、道路点云和兔子点云的点云配准数据进行特征点检测方法对比实验,实验表明:在相同的迭代次数条件下,RANSAC+PCA+ICP配准方法比RANSAC+ICP配准方法更具有稳定性,运算时间分别降低7.60%、13.49%、15.64%,并具有较好的配准效果。

基于点云特征的改进RANSAC地面分割算法

针对室外复杂场景下,轻量级和地面优化的激光雷达里程计与测图(LeGO-LOAM)算法由于地面分割不精确而导致算法定位精度降低的问题,提出一种基于改进随机一致性采样(RANSAC)的多线程地面分割算法:相较于传统RANSAC算法,该算法舍弃从全部原始数据中随机选取种子点拟合地面模型的迭代方式,首先利用点云高程、曲率等点特征信息挑选出所有小于高程、曲率等阈值的种子点以构建种子点集合,并根据种子点集合中的种子点数量判断是否需要多线程处理;然后根据判断结果从种子点集合中选择种子点子集进行地面拟合;最后比较各地面模型所包含的点云数量以获得最优地面模型参数以及地面点云集;地面分割精度的提高有效地降低了LeGO-LOAM算法的定位误差。实验结果表明,在室外复杂场景下所提出的地面分割算法分割效果更好,杂点更少;相较于原LeGO-LOAM算法,改进算法的定位误差降低至3.73 m,平面均方根误差降低了20.8%。

基于改进RANSAC算法的单应矩阵鲁棒估计方法

单应矩阵的鲁棒性和精度直接决定了其应用效果,如何利用RANSAC算法估计出鲁棒、精确的单应矩阵,仍是一个有待研究的热点问题。针对传统RANSAC算法迭代次数多、运行时间长、单应矩阵估计精度较低的问题,在SIFT特征匹配算法的基础上,从剔除样本集中不符合图像几何特性的部分外点、快速舍弃不合理单应矩阵和迭代精炼单应矩阵等方面对RANSAC算法进行改进,提出一种基于改进RANSAC算法的单应矩阵估计方法,提高了单应矩阵估计的精度和效率。实验结果表明,该方法有效解决了传统RANSAC算法存在的问题,能够快速、精确估计单应矩阵。另外,对于不同视角和大小的图像,该方法均具有较好的鲁棒性。

改进的SURF-RANSAC图像匹配算法

为改善传统SURF图像匹配算法存在计算量大、配准精度低等不足,提出一种改进SURF-RANSAC算法。基于SURF算法中构建描述符的思想,采用圆形邻域代替矩形邻域提取32维描述符,实现描述符的降维;通过自适应阈值方法完成特征点初匹配,降低人为设定阈值对匹配结果的影响;通过特征向量构建余弦约束对随机采样一致性(RANSAC)算法进行改进,实现匹配点对的提纯。实验结果表明,改进后的算法不仅提高了匹配速度和精度,还具有较强的鲁棒性。

基于结构相似的RANSAC改进算法

为了减少传统RANSAC(Random Sample Consensus,随机抽样一致性)算法的迭代次数和运行时间,提高算法的速度和精度,提出了一种基于结构相似的RANSAC改进算法。采用BRISK(Binary Robust Invariant Scalable Keypoints)算法提取和描述二进制特征点,用Hamming距离进行特征匹配,获得初始匹配点集,利用结构相似约束剔除误匹配点,得到新的匹配点集,用新的点集作为RANSAC的输入,求出变换矩阵。该算法在初始匹配后进行了匹配点提纯,能快速求得变换模型。实验证明该算法迭代次数和运行时间比传统RANSAC算法明显减少,因此改进的算法在速度和精度上优于传统的RANSAC算法。

基于RANSAC变换的车牌图像去模糊算法

针对监控视频中运动模糊车牌图像的复原问题,提出一种基于随机抽样一致性(RANSAC)的车牌图像去模糊算法。首先,在倒频谱域对模糊图像实施Canny边缘检测,使用RANSAC变换来估计模糊方向;然后,通过模糊图像倒频谱域的零点分量来估计模糊长度;最后,结合Richardson-Lucy(RL)算法和L0正则化先验各自的优点,对模糊车牌图像进行复原。实验结果表明:提出的算法不论主观还是客观上,在运动模糊车牌图像上达到了很好的复原效果,复原图像得到的PSNR和SSIM值都有了极大地提高,并且耗时少,效率高。

基于SIFT和改进的RANSAC图像配准算法

为解决RANSAC算法迭代次数过多导致图像配准精确率不高的问题,提出了一种改进的RANSAC图像配准算法。首先将参考图像和待配准图像进行NSCT变换分解成低频子带和高频子带。然后对高频子带运用矢量夹角算法和结构相似性(SSIM)来提取图像边缘特征点,对低频子带运用SIFT算法并设定合适的距离阈值来提取特征点。最后利用改进的RANSAC算法提高特征点匹配精度,选择出精匹配点对,实现图像配准。实验结果表明,该算法能有效地找到较多的匹配点对,准确地去除误匹配点对,明显地提高了配准精确度。

基于小平面区域特征的文物碎片重组算法

针对非薄壁文物碎片重组复原过程中,因碎片边缘或断裂面磨损而导致拼接误差大的问题,提出了一种基于小平面区域特征的文物碎片拼接算法。首先根据区域增长分割把碎片的三维点云分割出许多小平面,建立以小平面作为拼接的特征区域,根据特征描述找到初始相似的小平面区域对,然后灵活应用几何约束+随机采样一致性(RANSAC)约束策略的方法,消除误匹配;最后通过4PCS(4-Points Congruent Sets)算法进行碎片的粗对齐,再根据迭代最近点算法(ICP)实现碎片的精确拼接。实验结果表明:小平面的特征描述简单,且有较强的稳健性,采用两级约束策略的方法较好的解决了误匹配问题,提高了磨损碎片拼接的成功率,同时有效减少渗透现象。

基于改进ICP算法的变电站设备三维识别方法研究

针对现有变电站设备三维识别方法在实际应用中存在的准确率差和效率低等问题,提出一种结合改进迭代最近点算法和Umeyama算法的变电站设备三维识别方法。通过随机采样一致性算法提取设备平面特征,通过Umeyama算法在模板库中找出平面特征最相似的几个设备,通过点云曲率特征提取设备点云关键点,通过改进迭代最近点算法对设备进行目标匹配。通过实验对其性能进行分析。结果表明,所提方法对智能变电站设备进行三维识别有较好的识别准确率和效率,识别准确率为99.50%,平均识别时间为2.07 s,有效地提高了三维识别技术的综合性能。

基于SIFT和RANSAC的特征图像匹配方法

针对目前普通图像匹配抗干扰能力不强的问题,将尺度不变特征变换(SIFT)和随机采样一致性(RANSAC)算法结合,提出了一种适应性强的图像匹配算法。首先对图像进行SIFT特征提取,利用最优节点优先搜索并计算最近邻特征向量与次最近邻向量间的欧式距离比来加速完成特征点对预匹配。在此基础上引入随机抽样一致性(RANSAC)算法去除不可靠的匹配对。最后根据匹配点对计算出图像间透射变换的参数。实验结果表明:该匹配算法具有尺度、旋转不变性以及一定的仿射不变性、抗干扰性,可以实现目标物体匹配。

一种改进RANSAC的基础矩阵估计方法

针对随机抽样一致性算法估计基础矩阵存在效率低且估计的精度依赖于抽样质量的问题,提出一种改进随机抽样一致性法(RANSAC)的基础矩阵估计算法。该算法采用预检验技术减少计算时间,在计算过程统计每对匹配点被标记为内点的次数,选择被判断为内点次数较多的集合构成候选集合来指导下一次抽样;下一次样本选择在候选集合中完成,并根据当前计算结果更新候选集合;最后选择包含内点数量最多的集合作为内点集。模拟数据和真实图像数据的试验结果表明,本文算法在误匹配和高斯噪声存在的情况下,算法精度和效率都体现出较好的品质。

基于ORB与RANSAC融合改进的图像配准

针对旋转不变性二进制描述算法(Oriented Fast and Rotated Brief,ORB)的尺度旋转性配准误差大,配准率较低及随机采样一致性(Random Sample Consensus,RANSAC)算法随机性强且不稳定的问题,提出一种ORB与RANSAC结合的快速特征匹配算法。首先,对特征点提取方式进行优化选择,消除特征边缘影响。之后构建简化的金字塔式尺度空间模型,改进分层图像的尺度空间结构,减少生成图像层数和数目;然后采用梯度方向改进传统ORB算法中的主方向提取模式,提高特征角点主方向的准确性。最后,通过构建分块随机取样检测的方式改进RANSAC算法,提高RANSAC算法的稳定性和图像配准的准确性。实验结果表明改进后的ORB和RANSAC融合算法在尺度和旋转配准方面性能有很大提高,并且配准的精度较传统ORB算法高,尺度配准精度提高55.41%,旋转配准精度提高26.66%。满足复杂图像快速精确配准拼接的精度和实时性要求。

基于改进ORB算法的遥感图像自动配准方法

针对遥感图像自动配准的问题,提出了一种基于改进定向二进制简单描述符(oriented brief,ORB)算法的遥感图像自动配准方法。该方法主要由3个步骤组成:首先是特征匹配,利用改进的ORB算法提取特征点,并建立描述符进行匹配,获取初始控制点;然后采用随机采样一致性方法,结合变换参数估计,剔除可能的错误匹配;最后利用最小二乘法估计的变换参数,对图像进行几何纠正。分别利用2组卫星光学遥感图像和1组SAR图像进行基于改进ORB算法的自动配准方法试验,并与基于尺度不变特征变换(scale-invariant feature tramsform,SIFT)算法和加速鲁棒性特征(speeded up robust features,SURF)算法的自动配准方法进行了比较。试验结果表明,该方法能获得与SIFT算法和SURF算法相当或者更高的配准精度,并在配准效率上有较大提高。

自适应道路模型的非结构化道路检测算法

为克服非结构化道路中不能准确检测边界线的问题,提出了一种自适应道路模型的非结构化道路检测方法。根据非结构化道路的灰度特征提取感兴趣区域,利用HSV空间图对感兴趣区域使用二维Otsu算法分割,进而提取道路边界点,再针对不同的道路模型自适应选择最小二乘法或随机抽样一致性(RANSAC)算法进行边界点拟合操作。实验结果表明:该方法不仅适用于直线道路,也能检测弯曲道路,且对受阴影影响以及边界不清晰的道路都具有良好的鲁棒性。

基于特征空间匹配的激光雷达点云配准算法

针对传统基于特征的粗配准效率低、误匹配较多的不足,提出一种基于特征空间匹配的配准方法。利用简化的PointNet模型实现特征空间的提取,以优化的点云PPF信息作为输入,根据提取的特征空间向量计算欧氏距离以筛选匹配点,通过RANSAC剔除误匹配点对完成粗配准,利用ICP实现精配准。实验结果表明,本文算法相比FPFH和SHOT算法与ICP结合可有效提升配准效率,且配准结果的均方根误差较小。

基于ORB特征的无人机遥感图像拼接改进算法

针对传统的SIFT算法运行速度较慢、不适合处理实时性要求高的无人机遥感图像的缺点,提出了一种基于ORB特征的快速遥感图像拼接改进算法。首先通过ORB算法快速得到特征点和特征描述,采用K最近邻算法(KNN)进行粗匹配,然后采用随机抽样一致性算法(RANSAC)进行精匹配,最后使用改进的加权平均方法对图像进行融合拼接。实验结果表明,该算法在保证匹配精度的基础上,处理速度较经典的SIFT算法提高了41倍。在图像融合时,该算法能有效地消除拼接重影错位现象。

基于FAST和SURF的特征点快速匹配算法

为解决传统印刷电路板(PCB)图像配准过程中匹配耗时和错配率较高的问题,提出一种基于FAST-SURF的特征点匹配优化算法。利用FAST算法快速提取特征点,利用SURF的64维描述子进行准确的特征描述,在匹配阶段使用K-Means算法优化匹配结果,通过RANSAC算法进行一致性检查,消除误匹配点。实验结果表明,与传统的SURFRANSAC算法相比,该算法提高了匹配正确率,减少了匹配时间,实现了PCB图像特征的快速匹配。

基于特征恢复的离群点移除算法的研究

点云预处理是点云处理很重要的一个环节,在移除稀疏离群点的过程中,点云密度不均会造成有用信息的过度删除。针对这个问题,提出了一种基于特征恢复的离群点移除算法。首先使用传统基于统计的k邻域稀疏离群点移除算法移除稀疏离群点,然后针对过度删除的情况采用RANSAC算法对点云特征进行恢复。实验结果表明,经过恢复的点云数据,相对于单纯依靠传统离群点移除算法处理后的点云数据,过度删除现象有明显改善。由此得出,基于特征恢复的离群点移除算法可以有效删除稀疏离群点,减小对噪声阈值的依赖,同时有效抑制了由于密度不均匀导致的点云数据的过度删除。