Harris尺度不变性关键点检测子的研究

在特定的参数设置下Harris尺度不变性检测子不能提供足够数目的稳定关键点,以往研究据此断定Harris尺度不变性检测子不稳定,不是有效的特征检测子.在构造Harris角点值的尺度空间过程中,存在一系列参数影响着Harris角点值在尺度空间中极值点的数目,从而决定了Harris尺度不变性检测子所能获取的稳定关键点的数目.对这个参数空间进行了系统研究,发现积分尺度与微分尺度的比值对Harris尺度不变性检测子能否检测到足够数目的稳定关键点具有决定性的影响.当这一比值减少时,Harris尺度不变性检测子所获取的稳定关键点的数目快速增长;当这一比值小于0.8时,Harris尺度不变性检测子所能获取的稳定关键点的数目开始超出DoG检测子所能获取的稳定关键点的数目.这个有效的参数区间大大增加了Harris-Laplace检测子所能获取的稳定关键点的数目.与Harris-Laplace检测子以及DoG检测子进行比较,具有有效参数的Harris尺度不变性检测子具有最佳的稳定性能,这个结果纠正了关于Harris尺度不变性检测子不稳定的错误结论.

基于尺度空间理论的角点检测

传统的Harris角点检测是一种经典的角点检测算法,但不具有尺度不变性。研究了一种基于尺度空间理论的Harris角点检测方法。建立Harris的尺度空间函数表示。利用多尺度分析的思想,使在小尺度上的角点精确定位和大尺度上的角点去伪存真。从而克服了传统的Harris角点检测可能存在的角点信息丢失、角点位置偏移和易受噪声影响等问题。试验结果表明,该算法明显地提高了图像角点检测性能。

基于ORB-LATCH的特征检测与描述算法

针对基于学习安排的三元组(LATCH)二进制描述子不具备尺度不变性且其旋转不变性,需要特征检测子辅助的问题,提出了一种基于快速定向旋转二进制稳健基元独立特征(ORB)和LATCH相结合的特征检测与描述算法。首先,在图像金字塔尺度空间上进行加速段测试特征(FAST)检测;然后,采用ORB灰度质心方法来进行方向补偿;最后,对特征进行LATCH描述。实验结果表明,所提算法具备运算量小、实时性高以及旋转和尺度不变性的特点,在相同的准确率下,其召回率优于ORB和哈里斯-LATCH(HARRIS-LATCH)算法,其匹配内点率比ORB算法提高了4.2个百分点。该算法在保持实时性的同时进一步缩小了与基于直方图的尺度不变特征变换(SIFT)和加速健壮特征(SURF)算法之间的精度差距,可对图像序列进行快速且精确的实时处理。

一种面向三维重建的改进SIFT图像匹配算法

近几年机器视觉发展迅猛,而三维重建也已经成为其重要研究领域之一。为了能更快更完美获得三维目标场景,复杂图像中的目标检测是视觉领域的研究热点,在工业领域、军事领域、智能识别等领域发挥着巨大的作用。由于当前需要处理的图像变得更为复杂,图像的处理也因为相机姿态物体位置的不同、图像场景的多样性、目标与场景相互遮挡之类的问题,已经成为机器视觉研究时等待解决的重点之一。本文用离散小波变换,提取两幅图像的低频部分,然后利用harris角点检测和尺度不变特征变换(SIFT)相结合的鲁棒匹配算法完成特征点提取,并简化描述子对其降维处理,选择更简洁的方法对检测的点进行匹配。