影响特征检测子鲁棒性与速度方法的对比分析

特征检测子是近年来计算机视觉领域的研究热点。在宽基线匹配、特定目标识别、图像及视频检索、机器人导航和数据挖掘等多个领域均得到了广泛应用。为总结特征检测子目前存在问题及指出可能的发展方向,对比分析了当前普遍使用的特征检测子的鲁棒性与速度。首先综述了尺度不变特征检测子(SIFT)、快速稳健特征检测子(SURF)、二进制稳健尺度不变性特征检测子(BRISK)、定向的基于加速段检测子(ORB)、风式特征检测子(KAZE)以及快速风式特征检测子(Accelerated-KAZE),然后按照特征检测步骤深入分析了各种影响检测子性能与速度的方法,最后利用Mikolajczyk 05标准测试图集测定并分析了检测子的复现率与耗时实验。实验结果表明,快速非线性尺度空间、基于加速段的特征检测子(FAST)与长距离对迭代法的综合性能较好。

基于定点旋转的遥操作前端视觉自标定

为解决遥操作过程中当前端视觉内参数改变时的标定问题,特别是在一些危险的或是人无法到达的环境下,在前端放置标定物用传统的方法进行标定是不可能的,因此采用了一种基于定点旋转的自标定技术来进行标定.对基于定点旋转的自标定方法进行了理论推导,得到了标定步骤.在试验过程中,摄像机固定在一种旋转装置上进行拍摄,采用SIFT(Scale Invariant Feature Transformation)算法对拍摄的图像进行特征点检测和匹配,采用牛顿算法进行计算.为和传统的标定方法进行比较,对自制的平面模板进行拍摄,利用Harris算子对平面模板图像进行角点检测,用传统的标定方法重新对摄像机进行标定.结果表明两种方法得到的答案相近,用传统标定方法标定结果是接近摄像机真实参数值的,说明这种新的标定方法是一种有效的标定方法.

基于不变矩和角点特征的目标识别

在基于图像的识别系统中,图像发生几何变化或目标被部分遮挡会给识别带来困难,这时必须根据具体情况提取合适的目标特征。基于矩原理,运用Harris多尺度角点检测及SIFT(Scale Invariant Feature Transform)描述算法,研究了基于不变矩和角点特征的目标识别算法。两种特征都具有平移、旋转、尺度不变性。仿真分析表明,在理想情况下,利用不变矩可以获得较高的识别率;而当目标被部分遮挡时。

基于SURF算法的无人机航空图像自动配准研究

针对实时性要求中SIFT特征配准算法耗时长的缺点,本文将SURF(Speeded Up Robust Feature,即加速鲁棒特征)算法应用于无人机航空图像的自动配准问题中。首先利用Hessian检测子检测特征点,再通过粗匹配和细匹配得到匹配点对,最后执行几何变换完成对图像的配准。通过与SIFT(Scale Invariant Feature Transform,即尺度不变特征变换)配准方法进行对比,结果表明SURF算法在满足精度的前提下具有比SIFT算法计算量小、速度快的优点,有一定的理论和应用价值。

基于点特征的序列图像匹配方法研究

提出了用3个向量描述Harris角点方向特征的方法,该算法首先用Harris角点检测得到特征点,并把SIFT算法中使用的特征描述方法引入到特征点描述中;然后利用欧氏距离对点特征进行匹配;提出一种简单高效的排除错误匹配的方法。该算法对数字城市中序列图像匹配具有光照强度、平移、旋转不变性。实验结果表明,该算法匹配准确率较高,具有实用价值。

双场景类型遥感图像的配准拼接优化

为了提升包含2种场景类型的遥感图像的配准拼接质量,提出基于误差权重再分配的遥感图像配准拼接优化方法.使用尺度不变特征变换(SIFT)特征检测算子,提取2幅具有重叠区域的遥感图像的特征点,计算得到初始的单应性矩阵.针对遥感图像细节丰富,但在某些特定区域分布不均匀的特点,将图像按照网格分割成若干小子块,进行信息熵聚类.图像熵反映的是灰度分布的分散程度,较大的熵意味着更大的信息量和纹理细节.按照信息量分布,将图像分隔为2个大的图像区域,每一区域近似代表一种场景类型.以特征点匹配的残余误差为目标函数,对不同场景区域的特征点分配不同的优化权重,权重来源于各图像子块的信息熵,反映了图像各场景信息量的多少,从而改善拼接效果,使之符合人眼视觉要求.实验表明,采用该方法可以再分配特征点匹配残余误差,细节丰富区域的匹配残差降低14%,提升细节丰富区域的配准拼接质量,降低随机性,提高了配准过程的稳定度.

基于多尺度FAST-9的图像快速匹配算法

FAST-9检测子不具备尺度不变性,为此,提出一种基于多尺度FAST-9的图像快速匹配算法。对图像建立高斯尺度空间,在各图层上应用FAST-9检测子分别提取特征点,在其周围建立圆形区域并分配主方向,同时建立方形区域构造SURF描述子,利用基于最近邻匹配方法进行匹配。实验结果表明,与SURF、SIFT算法相比,该算法具有较高的匹配速度。

结合模糊特征检测的鲁棒核相关滤波跟踪法

针对跟踪领域内由于图像模糊而导致跟踪失败的问题,提出一种结合模糊特征检测的鲁棒核相关滤波(kernelized correlation filter,KCF)跟踪法。首先,将尺度不变特征变换(scale invariant feature transform,SIFT)描述子与局部二值模式(local binary pattern,LBP)算法结合,提取模糊图像中的特征点,并采用圆形邻域描述该特征点,以降低特征向量的维度,综合构建出模糊特征检测器。其次,设置图像清晰度阈值,若当前图像清晰度低于阈值,则启动模糊特征检测器,通过特征向量间的匹配,得出跟踪目标的位置;否则,通过传统的核相关滤波法预测目标位置。最后,在公开数据集OTB-2013和OTB-2015中的测试结果表明:与其他实验算法相比,该算法可对模糊图像中的目标进行有效跟踪且精度较高。

局部特征及视觉一致性的柱面全景拼接算法

目的传统的基于平面拼接算法生成的全景图像存在严重的失真问题,很难保证良好的视觉一致性;而普通柱面拼接算法无法较好地满足实时性要求。为此,提出一种基于改进SIFT(scale-invariant feature transform)特征描述子的柱面全景图像拼接算法。方法首先将待拼接的图像序列进行柱面投影,利用改进的SIFT特征检测器获取图像中的特征点,生成64维SIFT特征描述子;然后根据特征描述子之间的欧氏距离提取初始特征点对,利用RANSAC(random sample consensus)方法进一步剔除伪匹配特征点对并建立待拼接图像之间的空间变换矩阵;最后根据图像之间的空间变换矩阵进行图像配准,采用加权平均融合的方法完成图像的无缝拼接。结果本文全景图拼接算法,可以有效地克服平面拼接算法存在的失真问题,保证了全景图像的视觉一致性。同时,相比普通柱面拼接算法,本文算法的拼接速度提高了近一倍。结论通过对不同尺寸和数量的图像序列构建全景图,相对于平面拼接算法和普通柱面拼接算法,本文算法可以有效实现图像之间的拼接,生成宽视野、高分辨率的全景图像,且能够应用于对实时性要求比较高的图像拼接场合。