基于SIFT特征匹配的CamShift运动目标跟踪算法

针对复杂背景下采用一般CamShift算法跟踪目标容易失败,提出将SIFT(Scale Invariant Feature Transform)特征点匹配融入到CamShift算法。该算法利用SIFT特征对尺度和方向无关特性实现连续图像序列的精准匹配,具有对尺度缩放、目标旋转以及亮度变化保持不变性的优点,不仅弥补了一般CamShift算法只以颜色为关键信息的不足,而且可将目标跟踪窗口形心和质心间的位移稳定在设定阈值内。最后通过对比性实验来验证该算法的有效性和稳定性。实验结果表明,该算法能够对复杂背景下的光照突变、缩放和旋转运动目标实现实时稳定跟踪。

基于特征点匹配的蚜虫病害图像分割与识别方法

针对蚜虫病害体型细小、种类繁多、颜色不一的特点,提出一种基于蚜虫细微病斑分割的SIFT特征点匹配算法。在采用分水岭和K-means分离叶面及背景的基础上加入待检测的蚜虫色彩先验信息,以实现在LAB色彩空间中精细化地分离蚜虫区域,再用模板与病害图片上的SIFT特征点进行对比和匹配,识别图像上是否有虫卵或幼虫。实验结果表明,相较于Robert、Canny等图像分割算子,所提出的方法避免传统的图像分割提取蚜虫病害特征点的不准确性,更为有效地辨识蚜虫虫卵和虫害图像,对有无虫害的图像综合辨识率达到91%以上,具有一定的抗噪声能力。

基于局部SIFT特征点的双阈值配准算法

针对SIFT匹配算法和SIFT与RANSAC结合的匹配算法都存在不同程度误匹配的问题,提出一种基于局部SIFT特征点的双阈值匹配算法。设计变步长迭代准则获取SIFT双阈值,其中大阈值匹配获得一组稀疏的精确匹配,小阈值匹配获得一组可能存在误匹配的密集匹配。以精确匹配建立目标的形变约束模型,以此为基础从密集匹配中删除误匹配。通过这些正确的匹配点估计两幅图像之间的变换矩阵。为了降低算法所需时间,提高效率,通过分析图像的纹理变化,采用提取其变化最为剧烈的区域来代表整幅图像进行匹配运算。实验结果表明,该算法在图像存在平移、旋转等仿射变化情况下具有配准精度高,稳定和快速等特点。

基于SIFT算法的大场景视频拼接算法及优化

目前大量的由独立视频设备获取的小场景视频信息难以满足大场景下信息处理的要求,而通过多设备人工查阅的方式又存在效率低下、信息冗余和碎片化等问题。文中研究了大场景视频拼接技术,利用SIFT算法的尺度不变特性对关键点进行特征匹配,通过仿射矩阵变形完成对图像的拼接工作。在此过程中,对传统的SIFT拼接算法进行进一步的优化,主要是基于距离的优化算法来完善视频拼接的效果;对SIFT特征点匹配、加权优化算法、关键帧提取的技术等进行并行加速,以提高拼接效率。实验结果表明,提出的优化方法能更好地提取视频中的关键信息,以实现更好的视频拼接效果。在视觉效果上,所提方法得到的拼接结果中不存在传统方法出现的两幅图像的交接线。此外,在MATLAB环境下分别对关键点检测和拼接部分进行了加速优化,优化后的关键点检测效率提高了约20%,拼接部分的效率提高了将近57%。在C++环境下,关键点的检测效率提升了14%,拼接部分的检测效率提升了40%。

SIFT算法在新闻视频检索中的应用

播音员镜头检测算法是新闻视频监控工作的关键步骤。本文采用了一种基于人脸检测与SIFT特征点匹配的播音员镜头自动检测算法,通过人脸检测技术有效识别视频帧图像中的人物镜头,作为候选镜头,再使用SIFT算法确定关键帧镜头,从而将完整的视频自动拆分成不同内容的分片段。实验结果表明,该算法适用于多种新闻节目,具有较高的准确性和较短的计算时间,可以有效地应用于新闻监控工作。

基于运动摄像机的运动目标检测算法研究

为解决动摄像机中运动目标检测复杂度高的问题,提出了一种基于错误匹配的sift-特征点和grabcut图像分割的运动目标检测新方法。该方法首先提取视频图像的sift特征点,进行局部的sift特征点匹配,然后根据匹配距离分出错误的匹配点,对错误匹配点进行处理,得到运动目标附近的错误匹配点,进而得到大概的运动区域,最后使用grabcut算法进行运动区域内的运动目标提取。实验结果表明,该方法可以准确的检测出动摄像机中的运动目标。

基于面部几何特征及手部运动特征的驾驶员疲劳检测

驾驶员疲劳驾驶是造成交通事故的主要原因之一,为解决该问题,提出一种新的基于机器视觉的驾驶员疲劳状态检测方法。根据驾驶员视频图像特点,采用基于肤色检测的Adaboost算法提取面部以及手部的感兴趣区域(Regionsofinterest,ROIs)。基于尺度不变特征变换(Scale invariant feature transform,SIFT)特征点匹配获取眼、嘴以及手部的SIFT特征点,据此得出面部以及手部特征参数。将Perclos、MClosed、Phdown以及SA 4个特征参数作为模型输入,疲劳度等级作为模型输出,建立三层BP神经网络模型,并应用贝叶斯正则化并结合动量梯度下降法较好地解决了传统BP人工神经网络训练高精度和预测低精度的过拟合现象。试验数据表明,该方法能够克服光照、背景、角度以及个体差异的影响,且疲劳检测的正确识别率达到99.64%。