基于FREAK描述子的精确图像配准改进算法

快速视网膜特征(FREAK)描述子通过计算模式方向实现了旋转不变性,但对于旋转尺度变化较大的情况匹配性能并不理想,误匹配率较高,为此提出了一种改进的基于FREAK描述子的精确图像配准算法。首先,对原有FREAK算法添加长距离点对,设定距离阈值,只利用关键点采样模式中距离较远的点来生成角度信息。其次,对Hamming距离进行加权。对每一个关键点,在为了生成描述子选择点对时,对训练数据描述子的每一列计算均值,越接近0.5的列权值越大,改进了原来Hamming距离计算粗略的状态,使距离计算更精确。最后,使用最近邻匹配结合最近邻和次近邻的比值以及随机抽样一致(RANSAC)方法进行快速匹配和优化。实验结果表明,改进算法更适用于旋转尺度变化较大的环境及匹配性能要求较高的场合。

基于FREAK和P3CA的鲁棒目标跟踪

在粒子滤波框架下,提出了基于快速视网膜特征点(Fast Retina Keypoint,FREAK)和主成分-典型相关分析(Principal Component-Canonical Correlation Analysis,P3CA)的目标跟踪算法.该文提出的基于FREAK的多模态运动模型提高了目标位置预测准确性,缩小了目标搜索空间.基于P3CA的外观模型利用图像子区域间的典型相关性衡量候选目标的优劣,解决了基于全局信息外观模型对遮挡敏感的问题;利用主成分分析在数据降维方面的优势,解决了典型相关分析用于跟踪存在的小样本问题,降低了计算开销.同时,P3CA在线更新算法使跟踪器可以更好地应对跟踪过程中目标外观变化.通过在多个具有挑战性的视频上与多种优秀算法对比实验表明,该文的方法可以很好地应对光照变化、遮挡、旋转以及复杂背景等问题.

NSST域融合FREAK及全方向相似度的泡沫崩塌率检测

针对浮选表面泡沫流动变化和运动形变导致崩塌率难以检测的问题,提出了一种在非下采样Shearlet变换(NSST)域融合改进快速视网膜关键点(FREAK)匹配及形状全方向相似度的泡沫崩塌率检测方法。对相邻两帧泡沫图像进行NSST分解,分割低频子带图像的气泡亮点,在多尺度高频子带结合方向模极大值检测和非极大值抑制进行特征点检测,改进FREAK采样模型并用于特征点描述及匹配,通过统计前一帧分割亮点周围匹配点数提取潜在崩塌气泡,然后对各潜在崩塌气泡通过前后帧分割亮点的形状复杂度特征及全方向相似度计算进一步确定崩塌气泡,最后根据崩塌气泡的提取结果计算崩塌率。实验结果表明,该方法受泡沫不均匀流动、运动形变的影响小,能有效提取出崩塌气泡,检测精度较现有方法有较大提高,不同工况下均表现出良好的鲁棒性,满足浮选生产在线检测的需求。

Registration Based on ORB and FREAK Features for Augmented Reality Systems

This paper proposes a novel registration method for augmented reality (AR) systems based on Oriented FAST and Rotated BRIEF (ORB) and Fast Retina Keypoint (FREAK) natural features. In the proposed ORB-FREAK method, feature extraction is implemented based on the combination of ORB and FREAK, and the feature points are matched using Hamming distance. To get good matching points, cross-checks and least median squares are used to perform outlier filtration, and camera pose is estimated using the matched points. Finally, AR is rendered. Experiments show that the proposed method improves the speed of registration to be in real time; the proposed method can accurately register the target object under the circumstances of partial occlusion of the object; and it also can overcome the effects of rotation, scale change, ambient light and distance. © 2017, Tianjin University and Springer-Verlag Berlin Heidelberg.

基于CenSurE-star特征的无人机景象匹配算法

针对传统局部不变特征的景象匹配算法冗余点多、实时性差、抗几何变换不突出的情况,提出基于CenSurE-star的无人机(UAV)景象匹配算法。首先采用Cen Sur E特征星型滤波器(CenSurE-star)提取基准图和实时图中的特征点,并生成FREAK二进制描述符;然后将汉明距离作为特征点的相似性判定度量,采用K近邻距离比值的方法提取匹配点对;最后利用基于RANSAC的定位模型得到空间几何变换关系,实现图像匹配并获取定位点经纬坐标。算法性能评价实验表明,本文算法不仅相对于SIFT、SURF、ORB算法,对各种变换具有更好的鲁棒性,而且相对于改进的SIFT、SURF算法处理时间有更大程度的缩短,算法定位误差在0.8个像素内,尺度误差在0.02倍内,旋转角度误差在0.04°内。基于算法进行外场飞行实验,实验证明算法定位精度较高,可以适应地貌信息较少的环境,并能满足无人机视觉辅助导航的需求。

基于空间结构的图像特征匹配算法

图像二进制特征描述器比浮点数特征描述器存储容量小、计算速度更快。在对常用二进制特征描述器进行分析的基础上,利用图像特征点之间的空间结构信息改进FREAK描述器的采样模式,提出MPFREAK描述器,提高特征描述能力;针对特征匹配时最近邻算法运行较慢的缺点,改进LSH算法,减少候选集列表空间,提出了海明空间的二进制特征快速匹配算法MLSH。实验表明,MPFREAK描述器描述能力优于其他算法,特征匹配算法效果明显、速度更快。

基于快速视网膜关键点算法改进的图像匹配方法

传统的仿射尺度不变特征（ASIFT）算法通过模拟仿射变化图像实现完全仿射不变性，但是由于尺度不变特征（SIFT）算法本身的低效造成ASIFT的过程非常耗时，为了实现更为高效的图像匹配，引入快速视网膜关键点（FREAK）算法到ASIFT仿射模型中，并基于Lanczos-4插值进行改进。在匹配过程中基于HAMMING距离实现暴力匹配，并结合随机样本一致性（RANSAC）算法改进对匹配点对的提纯，得到了新的AFREAK算法。该算法既能实现完全仿射不变性，又能实现低耗时和低内存占用。实验结果表明，提出的AFREAK算法处理速度上快于ASIFT近2~3倍，并且可以得到与之相似的匹配效果。

面向移动平台的二进制特征的性能研究

针对移动平台时间空间局限性,研究二进制特征在移动平台的性能。扩展已有的评测标准,以BRIEF、ORB、BRISK和FREAK为研究对象,SIFT、SURF非二进制特征作为参照;使用通用的图片库,研究各个描述子在PC平台和移动平台的时空性能;并研究在旋转变化、尺度变化、模糊处理、照度变化和透视变化下各特征的鲁棒性。研究表明二进制特征描述子具有很高的时空效率,平均提高约10倍;有不同程度的鲁棒性,与SIFT具有可比性,整体性能很好。

无人机侦察视频超分辨率重建方法

目的无人机摄像资料的分辨率直接影响目标识别与信息获取,所以摄像分辨率的提高具有重大意义。为了改善无人机侦察视频质量,针对目前无人机摄像、照相数据的特点,提出一种无人机侦察视频超分辨率重建方法。方法首先提出基于AGAST-Difference与Fast Retina Keypoint(FREAK)的特征匹配算法对视频目标帧与相邻帧之间配准,然后提出匹配区域搜索方法找到目标帧与航片的对应关系,利用航片对视频帧进行高频补偿,最后采用凸集投影方法对补偿后视频帧进行迭代优化。结果基于AGAST-Difference与FREAK的特征匹配算法在尺度、旋转、视点等变化及运行速度上存在很大优势,匹配区域搜索方法使无人机视频的高频补偿连续性更好,凸集投影迭代优化提高了重建的边缘保持能力,与一种简单有效的视频序列超分辨率复原算法相比,本文算法重建质量提高约4 d B,运行速度提高约5倍。结论提出了一种针对无人机的视频超分辨率重建方法,分析了无人机视频超分辨率问题的核心所在,并且提出基于AGAST-Difference与FREAK的特征匹配算法与匹配区域搜索方法来解决图像配准与高频补偿问题。实验结果表明,本文算法强化了重建图像的一致性与保真度,特别是对图像边缘细节部分等效果极为明显,且处理速度更快。

加速分割特征优化的图像配准方法

提出一种加速分割特征算法与快速视网膜关键点描述子(FREAK)结合的图像配准算法。首先对图像建立尺度空间,并在此基础上利用加速分割特征优化算法检测图像特征点,结合Harris算法对特征点进行过滤,保留强角点用于图像配准;其次结合FREAK对检测的特征点进行描述,计算其特征向量,采用汉明距离替代传统的欧氏距离进行图像匹配,并采用随机采样一致性方法精炼匹配点来避免由于噪声和物体位置移动等原因产生的误匹配。从配准精度和配准时间两个方面,对本文方法与尺度不变特征变换算法、二进制稳健独立基本特征算法及原始FREAK算法进行对比实验,结果表明,本文方法具有配准速度快、准确性高、稳定性好等特点。