多聚焦图像离焦模糊区域的SIFT特征提取

常规的尺度不变特征变换(SIFT)图像特征提取方法难以提取多聚焦图像离焦模糊区域的特征,使得图像间存在局部、少量的公共特征,导致多聚焦图像配准精度差,严重影响后续图像融合和三维重建质量。在分析图像离焦模糊区域特征提取不确定性的基础上,提出了一种多聚焦图像离焦模糊区域的SIFT特征提取方法。首先提取多聚焦图像聚焦清晰区域的SIFT特征,再利用光流跟踪提取对应离焦模糊区域的SIFT特征,避免了在离焦模糊区域直接提取SIFT特征的不确定性。实验结果表明:提出的方法在离焦模糊区域具有良好的SIFT特征提取能力和提取精度,能实现多聚焦图像SIFT特征匹配数量显著增长,SIFT特征提取的误差为0.03~0.39 pixels,优于现有方法的0.21~1.71 pixels。降低了离焦模糊区域SIFT特征提取的不确定性,为多聚焦图像精确配准奠定了基础。

基于SIFT特征的多帧图像超分辨重建

精确的亚像素级图像配准是图像超分辨重建中的关键问题。在图像超分辨重建中广泛使用的基于像素特征的光流法,对于大幅度运动场的计算很难做到精确的亚像素级配准。本文考虑了一种基于SIFT(scaleinvariant feature transform)特征的鲁棒性多帧图像超分辨重建算法。首先提取输入的低分辨待匹配图像对的SIFT关键点及其特征矢量,随后选取候选匹配关键点对,通过RANSAC(random sample consensus)鲁棒方法去除奇异值,并根据假设的平移性几何约束模型,获得图像对的平移运动配准参数,然后选取视场中心对应的或指定的图像帧为初始参考帧,再使用传统的超分辨重建框架获得最终的重建结果。仿真实验结果表明,提出的基于SIFT特征的图像超分辨重建方案是有效的,超分辨重建的图像质量在主观评价和客观指标上都获得了优于经典算法的效果。

基于SIFT流红外弱小目标的检测和跟踪

相邻帧图像的流场表现了有关目标物体和背景的运动特性。该文通过使用稠密SIFT局部特征描述子描述相邻帧图像像素,并以流的角度来处理,获得包含目标和背景的混合流场。由于红外弱小目标与其邻域背景具有明显的运动特性差异,而这必然会表现在求得的小目标和背景的混合流场中。根据该流场的平台-阶梯特性采用特定算法分割得到弱小目标的具体位置。实验表明,SIFT流方法克服了经典的使用光流实现弱小目标检测和跟踪的缺点,鲁棒性强,不失为一种新的处理红外弱小目标的思路。

基于图像匹配-点云融合的建筑物立面三维重建

随着计算机技术的快速发展,基于图像的建筑物三维重建逐渐成为计算机图形学和计算机视觉领域的研究热点之一.由于建筑物图像背景复杂、序列长且杂乱无序,现有的三维重建算法存在耗时长、局部几何细节重建效果差的问题.文中针对这些不足提出了一种基于图像匹配实现点云融合的建筑物立面三维重建算法.首先寻找新添加的建筑物局部图像在原始图像集中的匹配图像,组成规模较小的图像集并重建出局部点云模型,然后通过匹配不同点云模型在同一幅图像上的投影点,找到点云模型之间的一致对应点集,接着求解点云集合之间的最佳对齐变换,实现整体和局部点云模型的融合,最终生成建筑物立面完整的三维模型.实验表明,采用文中算法进行三维重建,可以有效地减少重建时间,提高重建精度.

基于全景视觉的智能农业车辆运动障碍目标检测

为了满足智能农业车辆安全正常作业,提出了基于全景视觉的运动障碍目标检测。与传统的单目和双目视觉相比,全景视觉具有360°无盲区检测的优点。首先系统使用多线程技术采集多目视觉图像,并用改进RANSACSIFT算法进行特征点提取与匹配,进而拼接全景视觉图像;其次采用改进的CLG光流法处理全景图像,检测运动障碍目标。试验表明:基于多线程技术和改进RANSAC-SIFT的全景拼接算法,与传统SIFT算法相比,平均提高特征点匹配准确度25.6%,加快运算速度25.0%;采用改进CLG光流法进行运动障碍检测,平均检测时间为1.55 s,检测成功率为95.0%。

复杂动态场景下目标检测与分割算法

在动态场景等复杂条件下,往往难以对序列图像目标进行准确的检测与分割。根据序列图像中目标在复杂条件下的成像特点,提出了一种基于融合尺度不变特征变换(SIFT)流特征显著模型的动态场景目标检测与分割算法。通过对SIFT流算法表示运动特征信息的优势进行分析,并结合图像国际照明协会(CIE)Lab颜色空间的颜色和亮度特征信息,建立四维特征向量空间。利用改进的多尺度中心-环绕对比方法生成各特征通道的显著图并进行线性融合,建立序列图像的动态场景目标显著模型。最后利用均值漂移聚类算法和形态学处理实现对检测目标的精确分割。实验结果表明,相比传统检测与分割算法,该算法在动态背景与航拍等复杂场景下能够分割出更为完整的目标区域,具有良好的鲁棒性和高分割精度。

引入外点剔除机制的双波段红外图像的配准

为实现双波段红外图像的精确配准,针对云层背景红外光谱辐射特性不一致、采用不同传感器等原因导致大量外点存在的情况,提出了一种引入外点剔除机制的异源图像配准方法。先利用稠密SIFT流对外点进行鲁棒性估计,然后以归一化相关系数作为代价函数,采用基于梯度的方法实现了双波段红外图像的精确配准。实验结果显示,通过剔除外点的方法,能使配准参数快速收敛于全局最优,对相关性较差的双波段红外图像仍能保持较高的配准精度。

利用深度传感器大数据的单目图像深度估计

2D视频转3D视频是解决3D片源不足的主要方法之一,而单目图像的深度估计是其中的关键步骤.考虑到互联网上不断累积的深度图数据,提出一种基于PatchMatch深度迁移的单目图像深度估计方法.首先利用图像的全局描述符从深度图数据库中检索出近邻图像;然后通过PatchMatch建立输入图像和近邻图像之间像素级稠密对应关系;再根据像素级对应关系将近邻图像的深度图迁移到输入图像上,并采用中值滤波对迁移的深度图进行融合;最后通过三边滤波对融合的深度图进行后处理,进一步提高深度图估计质量并抑制噪声.实验结果表明,与基于尺度不变特征变换流深度迁移方法相比,该方法在改善深度图估计质量的同时提高了计算速度.

基于RGB-D数据集的无参数图像深度估计算法

为了简化单张二维图像的立体成像和三维重建,提出了一种基于RGB-D数据集的无参数深度估计算法,利用已有的RGB-D数据集,通过全局匹配与局部匹配查找到与测试图片最相似的几张图片,根据SIFT流变形方法,将匹配到的图片与对应深度图变形到与测试图片相一致,通过匹配图片的深度图得到测试图片的深度图。实验结果表明,改进的算法不需要已知相机参数就能得到更准确的深度图估计,比Make3D算法的平均相对误差降低了12.03%,可广泛应用于只有场景图而没有相机参数的情况中。

计算机视觉中改进的图像低维表示方法研究

对图像的低维表示进行学习,在图像处理和计算机视觉等多种应用中具有重要作用.当前方法要么需要对图像中的相应点手动标记界标,要么局限于特定对象或形状变形.为此,将图像低维表示问题建模为基于l2范数的组合优化问题,通过采取嵌套和组合策略,考虑了颜色、外观和形态方面的变化,进而提出一种可以同时实现图像颜色、外观和形态的图像低维表示算法.此外,通过将形态和外观的流形约束到低维子空间上,进一步降低了流形学习的采样复杂性.定量评估结果表明,本文方法的性能远优于目前典型的稳健型光流算法和SIFT流算法.此外,本文方法在图像浏览和关节学习等相关任务中也取得了令人满意的定性结果.

图像自适应中基于形变控制的细缝剪裁方法

为了降低图像自适应过程中图像内容缺失和图像扭曲变形,文章中提出了一种基于形变控制的图像自适应细缝剪裁方法,将融合局部和全局显著性的显著图作为细缝剪裁参考的能量图,对需要剪裁的细缝按照这个能量图进行排序,以更好地保护图像中感兴趣区域(ROI),保留图像的主要内容信息;同时,利用SIFT流矢量场来衡量剪裁图像的形变程度,每移除一定数量的细缝就计算剪裁图像与原始图像之间的形变,一旦形变达到某一阈值,就停止细缝剪裁,转换为均匀缩放使图像到达目标尺寸。实验结果表明,文章中提出的方法更好地平衡了均匀缩放和非均匀剪裁,更有利于保留图像主要内容和避免主要内容的变形。

基于尺度不变特征的光流法目标跟踪技术研究

针对目标跟踪问题中目标和场景动态变化的问题,提出了一种结合尺度不变特征变换(SIFT)和光流估计算法并改进模板更新策略的目标跟踪算法。SIFT特征是一种局部特征,具有尺度和旋转不变性。光流场反映的是一种全局特征,表示像素点强度的变化。SIFT特征点可以很好地满足光流估计的条件。实验结果表明这种改进后的目标跟踪算法能应用于部分遮挡的情况,并且相对于传统光流法具有更高的精确度。

基于改进光流场和尺度不变特征变换的非刚性医学图像配准

该文对传统的变分光流模型进行了改进,结合尺度不变特征变换(SIFT)特征点提取提出一种新颖的非刚性医学图像配准算法。该算法模型使用亮度守恒与梯度守恒假设相结合的数据项,很好地解决了对医学图像中局部病灶异常、亮度不均匀等区域的处理问题;通过采用自适应的各向异性正则项,解决了传统光流模型中的过平滑所导致的图像严重模糊和重要细节丢失的问题;通过结合SIFT特征点提取,并采用多分辨率分层细化、内部不动点迭代以及由粗到细的变形技术求解策略,很好地解决了传统光流场模型无法对大形变医学图像以及细节进行配准的问题。实验证明:该文的模型和算法可以很好地实现对医学图像的非刚性配准。

任意视角的多视图立体匹配系统

为了得到高精度深度图,通过特征点提取与匹配、计算基础矩阵F、引导互匹配、捆集调整等一系列技术,求出每幅视图在同一空间坐标系下的高精度摄像机矩阵P。为任意角度的多个视图建立可扩展的主框架,不需要图像矫正。基于图像坐标和自动计算出的视差范围建立三维网络,为每条边分配适当的权值,把多视图立体匹配问题转化为网络最大流问题。算法保证了高准确率和平滑性,实验结果表明此方法适用于三维模型重建。

基于高斯混合模型的人群异常检测

近年来,公众场所安全问题得到了广泛关注,视频监控下的人群异常检测成为智能监控的研究热点。现实场景中的人群异常检测具有容易受到光照亮度变化影响、可能存在大量遮挡以及人群密度大等研究难点。提出一种基于高斯混合模型的人群异常检测方法,能有效应用于复杂的室外场景。首先通过预处理阶段求得视频帧的感兴趣区域(ROI),再在感兴趣区域中计算人群光流,并在此基础上融合SIFT特征,利用图像分块提取特征。对不同分块建立对应的高斯混合模型,进而用模型判断特征点是否属于异常事件。实验结果证明,该方法对于UMN数据库中人群的四散奔跑以及UCSD数据库中人行横道上出现汽车和自行车等异常事件有较高的识别率。

针对视频序列分类的快速抠像技术

针对视频序列分类的问题提出了一种快速抠像技术.根据视频序列间的相关度进行关键帧的区分,得到关键帧、序列间变化细微的非关键帧、序列间变化较大的非关键帧;对于关键帧,采用闭合式的抠像方法来进行处理,获得透明度值、前景像素值和背景像素值;对于变化细微的非关键帧,提出了一种基于帧间连续性的透明度值估计和优化方法;对于变化较大的非关键帧,提出了一种基于特征流传递的机制来传递关键帧的有效信息.实验结果表明,最终在获得与传统方法相比可接受的抠像效果条件下,这种快速抠像技术缩短了处理时间.

基于多特征融合的空对地目标检测和追踪方法

随着无人机的广泛应用,无人机对地面目标检测和追踪技术成为研究的热点。针对光流法对运动目标检测和追踪出现误检、丢失的问题,应用运动目标纵向的边缘特征配合光流法的方法完成目标检测,应用SIFT与光流法实现目标追踪,并提出恒速模型与光流块匹配的方法解决追踪过程中建筑物等对目标的遮挡问题。实验结果表明,所提方法能够对目标进行有效的识别与追踪,并具有较强的鲁棒性。

基于稀疏主题模型的交通监控视频异常检测（英文）

交通异常事件检测是智能交通系统的重要组成部分,对于维护交通秩序具有不可替代的作用。现今大多数研究都集中在检测那些与一般事件具有显著差异的异常事件,因此很难识别由多个目标相互影响而引起的异常。本文提出一种基于稀疏主题模型的无监督方法用于捕获监控视频中的运动模式并进行异常检测。利用SIFT流对稠密轨迹进行改进,以减少在提取兴趣点和描述符时受到的干扰。为了获得完备的轨迹时空信息,采用了Fisher核方法获得轨迹的表示并将其量化为视觉词。随后,提出了一种稀疏主题模型用于视频场景的分析,不仅可以查找视频中的潜在运动模式,同时可以实现对视频的稀疏表示。最后,分别从视频序列和视觉词两个方面进行异常检测。实验在QMUL数据集和AVSS数据集上进行,实验结果证明了本文方法的有效性。

显著性特征约束的交互式协同分割

针对背景区域干扰导致无法准确计算共同对象相似性的问题,提出利用图像显著性和SIFT流对齐算法改进图像协同分割质量。该算法首先计算图像显著性特征,然后通过SIFT流与交互式分割结果进行对齐和匹配,从而通过显著性与匹配结果得到像素标签的可能性,最后采用最小割理论进行分割边界优化。实验结果表明,与已有的协同分割算法相比,该算法能够提高分割质量。

一种基于特征匹配的大位移变分光流方法

利用Horn-Schunck变分光流的通用模型,将描述符配准作为改进方法的支撑,结合经影像特征匹配所提取的同名特征,在光流条件中增加同名特征一致限制,提出一种基于特征匹配的变分光流方法。利用无人机视频影像对所提出的方法与原始变分光流算法进行了对比实验分析,实验结果表明该方法在目标位移过大时,能利用特征点信息解决光流连续性被打破的问题,准确获得大位移光流。