基于改进的FAST-SURF快速图像拼接算法

针对SURF(speeded-up robust features)算法计算量大、图像拼接效率低的不足,以FAST(features from accelerated segment test)角点取代SURF斑点在图像重合区域提取特征点,使用SURF描述子进行特征点描述,通过描述子降维、自适应最近邻与次近邻比值法、几何约束法剔除错误匹配点,提高匹配的准确性。匹配完成后,通过减少样本集的个数和舍弃不合理参数模型来改进RANSAC(random sample consensus)方法,获取单应性矩阵,最后进行图像变换、融合和拼接。实验结果显示,该图像拼接算法与传统的SURF算法相比,图像拼接总时间减少了12%,拼接效率得到了显著提高。

基于FAST和SURF的遥感图像自动配准方法

提出了基于加速分割检测特征(features from accelerated segment test,FAST)和加速鲁棒性特征(speeded-uprobust features,SURF)的遥感图像自动配准方法。首先对参考图像与待配准图像进行HSI变换和高斯金字塔建立;然后检测并提取FAST角点,计算各角点的SURF描述子,用K-D树匹配搜索策略得到2幅图像的匹配点对;再使用最小二乘迭代法剔除错误匹配点并拟合几何变换系数;最后执行几何变换,得到配准后的图像。将该方法分别与基于SURF自动配准方法和ENVI软件中自动获取配准点的方法进行对比实验,结果表明,利用该方法能够获得更多的匹配点对,具有更高的几何配准精度,但在尺度不变性方面略逊于SURF算法。

基于FAST和SURF的图像配准算法

尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)方法在进行角点检测和特征点匹配时的时间较长。为此,提出一种改进的图像配准算法。建立参考图像与待配准图像的高斯图像金字塔,在金字塔各层图像进行检测,得到具有不同尺度的加速分割测试特征(FAST)点,采用SURF算法为各特征点分配方向,并计算各特征点的描述向量,使用快速近似最近邻搜索算法获取图像间的初始匹配点对,用随机抽样一致性算法剔除误匹配点对,同时得到2幅图像之间的几何变换矩阵。实验结果表明,与SURF算法和SIFT算法相比,该算法的特征检测速度和匹配速度较快,匹配正确率较高。

改进FAST特征点支持下的实时影像地标匹配算法

针对图像匹配技术中匹配时间与匹配精度不能同时满足要求的问题,提出一种基于特征点匹配的方法,利用随机森林分类器实现地标的匹配,将匹配问题转化为简单的分类问题,大大简化了计算过程,保证影像匹配实时性;采用FAST特征点表示影像地标,利用高斯金字塔结构以及仿射增强策略改进FAST特征点的尺度和仿射不变性,提升影像地标匹配率。将实验结果与尺度不变特征变换(SIFT)算法和加速鲁棒性(SURF)算法进行比较。实验结果表明在尺度变化、发生遮挡以及旋转情况下,匹配率能达到90%左右,保持与SIFT算法和SURF算法相近的匹配率,并且匹配时间相较其他两种算法减少了一个数量级,能有效地对影像地标进行匹配,匹配时间也满足实时影像地标匹配要求。

快速自适应鲁棒性尺度不变的特征检测子

为提高特征检测的可靠性与实时性,提出了一种快速自适应鲁棒性尺度不变的特征检测子(fast adaptive robust invariant scalable feature detector,FARISFD)。首先提出尺度空间组数自适应选取方法改善了检测子针对不同图像的鲁棒性,然后提出基于过渡层的尺度空间构建方法加强了尺度空间的鲁棒性,最后利用基于加速段的特征检测子(features from accelerated segment test,FAST)计算特征分数,并通过简化传统亚像素级矫正方法,提高了特征分数的计算与亚像素级矫正速度。通过复现率与耗时实验进行了验证,与5种使用广泛的检测子对比结果表明,FARISFD的鲁棒性与速度较高。

采用显著性分析与改进边缘方向直方图特征的红外与可见光图像配准

为了实现红外图像与可见光图像的信息融合,弥补单一模态图像的不足,提出了一种基于显著性分析与改进的边缘方向直方图EOH(Edge Orientation Histogram)特征的红外与可见光图像配准算法。该算法首先利用显著性分析技术找到可见光图像中的重要信息,得到显著性图;将其与可见光图像融合,实现可见光图像中重要信息的划分。然后,利用自适应FAST(Features from Accelerated Segment Test)算法,探测可见光与红外图像上的特征点;利用改进的EOH,描述特征点。最后,根据描述计算特征点的相似性,在可见光与红外图像上找出对应的特征点,实现红外与可见光图像的匹配。在3种不同情况下对红外与可见光图像数据进行了配准实验。结果表明:在红外图像与可见光图像采集条件相似情况下,特征点正确匹配率为96.55%,而在图像采集条件差异较大的情况下,特征点正确匹配率可达74.21%。该算法可实现红外与可见光图像的精确快速匹配,即使红外图像与可见光图像采集的角度与位置均存在较大差异的情况下,仍可以满足红外与可见光图像匹配对精度和稳定性的要求。

变圆域罗盘特征图像匹配

针对现有图像匹配算法特征算子计算复杂度高,关键点描述过程中点对选取存在不确定性等问题,提出了变圆域罗盘特征匹配(VCDCM)方法。该方法首先利用罗盘检测法对图像进行关键点检测,采用变圆模式接受域选取理想点对,根据接受域内点对之间的距离将点对分为长点对集和短点对集;然后用长点对集描述关键点方向,短点对集构建关键点描述符。最后采用Hamming距离代替传统的欧式距离进行匹配,并采用随机抽样一致(RANSAC)方法精炼匹配点以避免由于噪声和物体位置移动等原因产生的误匹配。从鲁棒性和实时性两个方面对本文提出的方法与尺度不变特征变换(SIFT)和二元加速鲁棒特征(BRIEF)方法进行了对比试验分析,实验结果表明,本文提出的方法具有匹配速度快、准确性高、稳定性好等特点。

基于改进的加速鲁棒特征算法的工件定位方法

为了解决传统的图像处理算法识别现场获得的工件图像速度慢且匹配效果较差等问题,通过对工件图像的识别方法进行研究,提出了一种改进的加速鲁棒特征(SURF)算法可以实现工件准确、实时的定位。该算法基于加速分割测试特征检测器(FAST)对SURF算法的特征提取方式进行改进,首先利用FAST提取特征点,然后通过SURF算法生成特征点描述子,使用主成分分析算法(PCA)对描述子进行降维。随后以欧式距离作为相似性度量进行粗匹配,再采用随机抽样一致算法(RANSAC)剔除误匹配点。最后结合双目视觉技术得到工件空间位置坐标。实验结果表明:本文提出的算法在运行时间上相比传统SURF算法减少80%,同时提高了匹配的精度。达到了准确、实时的工件定位目的。

快速稳健的自适应非线性尺度特征检测子

提出了一种快速稳健的自适应非线性尺度特征检测子(fast robust adaptive nonlinear scale feature detector,FRANSFD),通过非线性尺度空间快速求解去除了噪声同时保证了边缘细节,并将自适应选取尺度空间组数、基于加速段检验的自适应通用角点检测子(adaptive and generic corner detection based on the accelerated segment test,AGAST)与框状拉普拉斯滤波器去除边缘响应相结合,兼顾了检测的准确性与实时性。通过与尺度不变特征转换(scale invariant feature transform,SIFT)检测子、快速鲁棒性特征(speeded up robust features,SURF)检测子、风式特征(KAZE)检测子以及二进制鲁棒性尺度不变的特征(binary robust invariant scalable keypoints,BRISK)检测子的实验对比可知,FRANSFD的5种变换鲁棒性均较强,同时速度也更快。综合性能较KAZE提高约5.76%,速度提高约47%。

基于尺度不变特征变换的快速景象匹配方法

传统基于特征的景象匹配方法存在冗余点多、匹配精度低等问题,难以同时满足实时性及鲁棒性要求,对此,论文提出一种基于尺度不变特征变换(SIFT)的快速景象匹配方法。在特征提取阶段,采用高速分段特征检测器(FAST)在多尺度检测角点作为初始特征,经过高斯差分(DOG)算子在尺度空间中进行特征的2次筛选,简化原有遍历式的特征搜索过程;在特征匹配阶段,采用仿射模型模拟变换关系建立几何约束条件,克服SIFT算法由于忽略几何信息而产生的误匹配。实验表明:该方法在匹配精度和实时性方面均优于SIFT算法,且对光照、模糊、尺度等变换具有良好的鲁棒性,能够更好地实现景象匹配。

基于改进卡尔曼滤波的增强现实跟踪注册算法

针对传统应用在特征点匹配技术方向的增强现实系统部分存在鲁棒性不足和实时性较差问题,提出一种新的区域跟踪匹配算法。首先利用改进的FAST算法在不同尺度上提取像素信息建立低维模板进行快速定位。其次在跟踪阶段使用加速鲁棒特征(SURF)检测关键点在线实时匹配的同时,借助改进的非线性化的卡尔曼滤波算法预测运动轨迹,缩减匹配区域。接着对使用上述的算法截取部分图像帧,利用上一帧的观测值对下一帧进行预测并估计相机姿态,同时使用随机抽样一致(RANSAC)算法剔除离群值。最后通过得到的相机位姿矩阵进行虚拟物体的注册叠加。实验结果表明,本文提出算法在综合评价中占据优势,在光照变换、旋转变换、尺度变换方面都具有较好的鲁棒性,并具有优越的实时性能。

基于特征点筛选的实时视频拼接算法

针对实时视频采用单一图像特征的拼接方法难以兼顾速度和质量的问题,提出了一种实时视频快速拼接算法。综合运用图像区域二值化(LBP)纹理特征与加速健壮特征(SURF),优化了特征点提取和匹配过程。在采用加速分块特征检测(FAST)算法提取角点的基础上,先采用改进LBP特征对备选特征点进行粗匹配,再提取SURF进行精细匹配。通过2次筛选有效降低了后续特征提取的备选点数量,并减少了匹配计算的次数和维度,从而提高了总体运算速度,可满足一定分辨率下实时视频拼接要求。

一种基于点的快速图像配准算法

提出一种基于点的快速配准算法。该算法在特征点提取时采用加速分段测试特征算法,通过对比度纹理直方图对特征点进行描述。为加快算法的匹配速度,选用最优节点优先算法进行查找。同时为提高匹配算法的鲁棒性,利用随机抽样一致性算法去除误匹配点对。实验结果表明,与经典的SIFT算法和SURF算法相比,该算法在保持算法稳定性能的同时,可有效提高匹配速度。

快速特征提取与感知哈希结合的图像配准算法

经典的特征点提取算法是从整个图像进行遍历来确定特征点,运算量较大,不能满足实时应用的要求。提出了一种特征点快速稀疏提取算法,该方法首先利用高斯拉普拉斯算子(Laplacian of Gaussian,LoG)提取图像梯度,设定阈值过滤获得图像的边缘稀疏矩阵,然后在稀疏矩阵的基础上利用改进的加速分割测试特征(Features from Accelerated Segment Test,FAST)检测算法,解决了传统匹配算法提取特征点耗时的问题,使图像实时匹配成为可能。为减少误匹配对,利用感知哈希算法对匹配对进行提纯,并根据仿射不变性建立两个约束条件进一步验证单应性矩阵,提高配准精度。实验结果证明,该算法提高了特征点提取的速度以及配准精度。

基于ORB检测的特征匹配优化算法

针对需要具有旋转不变性且具有实时性的任务场景,传统的局部特征提取算法SIFT与SURF不能满足实时性要求的现状,提出了一种基于ORB特征检测子的优化特征点匹配算法。首先针对在原始ORB特征匹配算法中出现的错误匹配问题,利用特征点的位置信息结合聚类算法提高匹配过程的速度与正确率,再通过均值漂移算法进一步提取出错误匹配点对。将所提方法应用于生产线产品外观缺陷检测设备,经过实际实验验证,该算法在ORB特征匹配中正确率提高至95%,能够满足实时使用的需要。

基于特征点的目标识别系统研究

在定位系统中,针对传统的SIFT(Scale Invariant Feature Transform)算法难以满足对墙角识别的实时性问题,提出了一种改进的特征提取与描述算法,称为双阈值FAST(Features from Accelerated Segment Test)特征检测的SIFT描述算法。该方法采用双阈值FAST进行特征提取,SIFT算法进行描述,可有效剔除大量非墙角特征点,大大提高了目标识别系统的速度。最后根据聚类与分类的思想,建立了视觉路标库,进行墙角的识别。实验结果表明,该算法在保证匹配正确率的同时提高了系统的实时性。

基于运动平滑约束项的快速误匹配剔除算法

针对图像拼接时用随机抽样一致性(RANSAC)算法迭代计算过程中计算量大、匹配正确率低的问题,提出了一种基于运动平滑约束项的误匹配剔除算法。首先采用快速旋转不变特征(ORB)算法提取特征点,基于汉明距离实现特征点初匹配;其次,基于运动平滑约束项统计邻域支持估计量实现误匹配粗剔除;然后,进一步采用空间几何约束关系实现误匹配精剔除;最后,利用分组排序采样求解模型参数,采用加权平均实现图像融合。实验结果表明,该算法的误匹配剔除率相比缩小抽样点总量算法提升了75.6%,相比自适应阈值算法提升了24%,此方法能有效剔除误匹配,实现图像精确拼接。

—种实时的单目视觉SLAM改进算法

针对目前SLAM算法实时性和鲁棒性的问题,提出了一种改进的实时单目视觉SLAM算法。该算法采用一个摄像头作为外部传感器来提取机器人行进过程中周围环境的特征信息,用实时性良好的FAST提取环境特征点,结合逆深度参数化进行特征点非延时初始化,用压缩扩展卡尔曼滤波更新地图。实验研究表明,该方法提高了算法的鲁棒性和实时性。

基于HLS的弹载相机坏点检测校正模块设计

为减少弹载图像传感器在生产、储存以及工作过程中产生的坏点,本文分析了坏点的成因和固有特性,提出了一种改进FAST角点检测的坏点检测校正算法.算法通过降低检测核半径和设定动态判断阈值等方法提高坏点检测的准确率,减少角点误检数量,并提高对连续坏点及边缘坏点的适应性,能在校正坏点的同时保留图像中的角点和边缘特征.利用Vivado HLS高层次综合工具,实现坏点检测校正算法的并行流水线设计,使资源消耗和时序达到最优;将综合生成的坏点检测校正IP核移植到PL端实现,实现弹载相机坏点的实时矫正.

基于FAST角点和仿射改进的随机蕨丛的单目视觉实时匹配算法

针对传统配准方法在自然特征粗匹配过程中在线匹配速度较慢、识别率较低的问题,提出一种基于FAST角点与仿射改进的适用于单目视觉实时定位的随机蕨丛匹配方案.该方案基于随机蕨半朴素贝叶斯非层次结构分类模型,突破了传统匹配方案中离线过程与在线过程的对称处理架构.采用FAST角点作为环境自然特征提升检测速度,进而改进随机蕨丛离线过程中稳定点选取、训练片元生成的仿射策略,提升识别率、缩短离线训练时间,最后收缩随机蕨丛规模,缩短在线匹配时耗.室内、外实时匹配定位实验结果表明该方案满足单目视觉定位的实时性、识别率需求.