基于空间分布描述符的SIFT误匹配校正方法

针对SIFT(scale invariant feature transform)特征描述符因仅利用特征点的局部邻域信息而对散落在图像内相似结构中的点极易发生误匹配的现象,提出了一种基于空间分布描述符的SIFT误匹配校正方法。该方法首先利用SIFT算法进行匹配;然后对于匹配结果中的特征点,再利用图像轮廓像素点对该点的空间分布信息进行重新描述,以形成一种独特性更高的空间分布描述符;最后运用此种描述符,对匹配结果中存在的"一对多"和"一对一"的错误匹配形式,分别采取两种不同的匹配策略进行校正。以真实图像进行的实验结果表明,该方法与RANSAC(随机抽样一致性)算法相比,其在不损失正确匹配的前提下,能够真正提高正确匹配率。

基于扩散距离的SIFT特征匹配算法

SIFT(Scale Invariant Feature Transform)是目前最流行的局部特征提取及匹配算法.但传统SIFT算法采用欧氏距离来度量特征之间的SSD(Sum of Square Differences)并进行匹配,而传统的欧氏距离不能使高维特征向量恢复到具有低维的几何结构,导致错误匹配.为了克服这缺点,利用扩散距离代替欧氏距离进行匹配,然后使用随机抽样一致从候选匹配中排除错误的匹配.实验表明:该方法在图像形变、光照变化和图像噪声方面优于原方法.

基于随机蕨的光电成像末端制导目标初始化

为实现光电成像末端制导中的自适应目标初始化,针对末端制导景象匹配中图像存在尺度、旋转、灰度和3D视角差异,及传统方法运算量较大的问题,基于随机蕨分类器构造了一种新的景象匹配算法。算法首先利用基准图像进行分类器训练,然后基于该分类器对实时图像进行特征匹配。为剔除误匹配特征对,对初始匹配特征对中的对应区域分别进行尺度不变特征变换(SIFT)特征描述,基于马氏距离准则进行误匹配特征对剔除。根据顺序抽样一致性算法(PROSAC)对剩余的匹配特征对估计两图像的外极几何关系,最终根据外极几何关系求得目标在实时图像中的位置和尺寸信息。仿真结果表明,该算法能够在光电成像末端制导过程中实现稳定的目标初始化,在极端条件下的稳定性优于原随机蕨分类器算法。