基于IB-SURF算法的无人机图像拼接技术研究

针对传统SURF算法(speeded up robust features)在拼接高分辨率无人机航拍图像时运行速度慢、特征匹配率低的特点,提出了一种基于IB-SURF(image block-SURF)技术的无人机图像拼接算法。结合无人机定位定姿系统(position and orientation system,POS)求取图像重叠区域;构造掩模在无人机图像重叠区域检测特征点,减少特征提取时间;借助图像分块(image block,IB)的思想对图像划分网格,精简筛选特征点;引入Neighborhood-KNN(neighborhood-K nearest neighbors)进行特征点匹配,提高图像匹配效率。实验结果表明,IB-SURF算法有较快的运行速度和较高的特征匹配率,平均特征匹配率达到84.3%,特征匹配正确率超过95.1%,为图像高质量拼接提供了技术基础。

基于SURF的遥感图像配准优化算法

针对遥感图像配准中易出现的信息量巨大和误匹配问题,通过改进SURF算法,提出了一种用于遥感图像配准的优化算法。优化算法引入特征点图像熵,通过去除携带信息量不足的误选取特征点,提高了特征点选取以及后续特征点匹配的准确性。在特征点描述阶段,算法实现了描述子降维,并将降维后的特征点描述子与FLANN算法相结合,降低了算法特征点误匹配率,同时减少了因描述子降维而带来的影响。实验表明,该优化算法相较于传统SURF算法,待配准图像特征点选取率下降10.9%,特征点误匹配率下降17.5%,并得到精确的遥感图像配准效果。

基于改进的SURF算法的机械臂识别定位及抓取研究

针对采用传统SURF算法对机械臂工作区域内的目标进行识别时出现的运行速度较慢、匹配准确度较低等问题,提出一种基于改进的SURF算法的机械臂识别定位及抓取方法。首先,利用传统SURF算法提取目标的尺度不变性特征点;随后,通过rBRIEF描述子与低方差过滤分别对提取特征实施描述及降维,再进行基于Hamming距离的2-NN特征点交叉匹配,并采用RANSAC算法剔除错误匹配对;最后,结合双目立体视觉三维重建获取目标的空间三维坐标,并将机械臂逆运动学求解得到的各个关节驱动角输入控制系统,驱使舵机带动机械臂末端执行器完成对目标的抓取作业。实验结果表明,采用改进的SURF算法,较SIFT、传统SURF算法提高了目标特征点的识别速度与匹配准确度,有效提升了机械臂抓取的实时性及精准性。

基于SURF-OKG特征匹配的三维重建技术

为了解决结构光三维重建中传统立体匹配存在的特征点匹配错误、匹配缺失和匹配重复等问题,本文将SURF算法中高斯滤波改进为自适应中值滤波结合小波变换,并提出了一种基于OKG算法的二次特征匹配方法。该算法首先使用自适应中值滤波结合小波变换算法对图像进行平滑和降噪处理,再进行初步特征点提取和匹配,然后将构建的尺度空间划分成多个网格,在每个网格内使用FAST算法提取尺度空间特征点,使用ORB算子提取左右图像的特征点,用BRIEF描述子对其进行描述,采用K-D树最近邻搜索法限制特征点选取,通过GMS算法剔除误匹配点。最后,将本文SURF-OKG算法与传统特征匹配算法进行对比分析,并对阶梯块进行三维重建来验证本文算法的有效性。实验结果表明:SURF-OKG算法的正确匹配率为92.47%;对阶梯宽度为40 mm,精度为0.02 mm的阶梯块进行三维重建,实验测得阶梯宽度的误差均值为1.312 mm,最大误差值不超过1.72 mm,基本满足结构光三维重建系统的实验要求。

基于重叠区域改进SURF的无人机影像快速匹配算法

针对无人机影像匹配算法因影像信息量大、视场大和地物纹理复杂而导致匹配精度及效率低的问题,以加速稳健特征(Speeded Up Robust Features, SURF)算法为基础,提出了一种基于重叠区域改进SURF算法的无人机影像快速匹配算法。算法主要分为3步:(1)利用无人机影像重叠率计算影像特征点检测提取区域,并在区域内进行SURF特征点检测提取,避免无效特征点影响匹配精度与效率;(2)采用同心圆环8区域模板替换原SURF算法矩形模板,并引入影像色彩信息构建34维的特征描述符,进行特征匹配;(3)采用M估计抽样一致性(M-estimator Sample Consensus, MSAC)算法剔除误匹配点,实现影像的精匹配。实验分析表明,所提算法能够有效提升无人机影像特征匹配正确率及算法运行时间效率。

基于SURF算法的目标跟踪应用技术研究

智慧城市是当前的一个热点话题,它的实现离不开视频监控的智能化,视频的图像目标匹配是智能视频监控中的重要内容。基于加速鲁棒性特征(SURF)局部特征的算法具有很好的稳定性,本文重点研究基于SURF算法的目标跟踪算法。在标清监控视频中,由于目标尺寸较小,使用SURF特征难以提取到足够的特征点,导致目标跟踪无法实现。本文通过对SURF算法进行改进以增加获取的SURF特征数,且改进的SURF算法在不同光线、旋转、尺度、视角变化条件下都能提取到比SURF算法更多的特征点,从而实现较好的跟踪效果。

基于SURF算法的实时拼接研究

视频拼接有助于人们获得更高分辨率、大视野的场景。文中主要对视频拼接过程中的图像配准及图像融合的SURF(Speeded Up Robust Features)算法进行研究,详细地阐述了基于SURF特征实现图像拼接的每一个步骤,从而快速提高特征点的提取速度,提高了图像配准过程中的精度与准确率,加快了图像配准的速度,并提升图像融合的效果。实验结果表明,该算法能够有效地抑制视差伪影,其拼接图像无明显接缝,并且可以实现实时拼接,拼接的图像更加自然,拼接的视觉效果较好。

改进SURF匹配算法在并联机器人中的研究

针对传统机器人中图像匹配方法准确率低、匹配时间长的问题,提出一种新型的基于机器视觉进行加速稳健性特性(SURF)的改进算法。以SURF特征点检测为基础,利用增强高效局部图像描述符(BEBLID)替换描述子,实现高维到二值化的转换;以自适应设定阈值方法降低人为设定对匹配产生的影响,结合渐进一致采样(PROSAC)优化策略对误匹配点对的剔除方法,获取有效的匹配点对。实验结果表明:与近几年改进算法相比,该算法在正确匹配率和匹配时间上分别提高了12.06%、9.66%,可见在特征点对的提取和匹配处理上,该算法具有更高的实时性、准确性,能够满足产品检测机器人分拣的实时性要求。

SURF算法和RANSAC算法相结合的遥感图像匹配方法

综合利用了SURF(speeded up robust features)算法和RANSAC(random sample consensus)算法各自的优势,提出了一种SURF算法和RANSAC算法相结合的遥感图像匹配方法。首先利用SURF算法提取特征点并进行预匹配,然后用RANSAC算法剔除误匹配点对,解决了SURF算法中存在的误差匹配和错误匹配问题。通过实验验证了所提算法的有效性,并且该算法在实际应用中也取得了良好的效果。

高精度实时全帧频SURF电子稳像方法

针对视频抖动和电子稳像的实时性,提出了基于SURF的电子稳像算法。首先,采用SURF算法检测图像的兴趣点,建立了当前帧与参考帧的对应关系,得出高精度的运动估计矢量。然后,通过判定参考帧更新策略,获得平滑的帧间全局运动矢量,进而对原始视频序列进行运动补偿。最后,将参考帧对应区域像素填充到稳像帧丢失像素区域进行全帧频补偿,输出高精度的实时全帧频电子稳像视频。实验结果表明,采用SURF算法的实时电子稳像算法,运行时间<30ms,精确度<1 pixel,对存在严重运动模糊的视频具有较强的鲁棒性,可以去除帧间高频抖动并有效改善视频质量。

基于改进SURF算法的无人机遥感影像快速拼接

为了及时、准确地反映测区情况，需要在拍摄现场将获得的无人机遥感影像进行实时拼接。基于SURF的无人机遥感影像拼接算法具有尺度和旋转不变性，拼接效果较好，但该算法稳定性较差，拼接过程中大量误特征点被提取出来，导致计算量大、匹配效率低，无法满足实时拼接的要求。该文首先利用SURF算法粗提取特征点，然后利用RANSAC算法剔除被误提取的特征点，实现特征点的快速匹配和图像实时拼接。实验结果表明该文的算法不但可以得到很好的图像拼接效果，而且极大地提高了拼接效率。

基于Harris角点和SURF特征的遥感图像匹配算法

Harris是一种高效的角点检测算法,但不具备尺度不变性。SURF(speeded-up robust features)算法虽然能很好地解决图像尺度变化问题,但是在特征点提取方面没有Harris稳定。针对Harris和SURF两种算法的特点,提出一种新的Harris-SURF特征点提取算法。首先用Harris算法检测图像角点,再用SURF算法提取图像特征点;然后合并角点和特征点,并剔除重复点获得新的特征点集,确定新特征点的主方向并生成特征描述符,再对图像使用比值法进行初匹配;最后利用RANSAC剔除错误匹配点实现精确匹配。实验结果表明,该算法对图像存在旋转、缩放、光照及噪声变化有较强的鲁棒性,同时提高了运行效率。

用于遥感图像拼接的改进SURF算法

经典的SURF算法存在许多不足,如特征描述符维度高、运算量大,对于旋转和拍射视角变换角度过大时,匹配精度低等。针对以上问题,提出了一种改进算法,首先通过Hessian矩阵提取特征点,然后采用特征点圆形邻域进行特征描述,使用Haar小波响应为每个特征点建立描述符,同时计算邻域内归一化的灰度差分及二阶梯度,形成新的特征描述符,最后采用RANSAC算法剔除误匹配点。该算法不仅较经典SURF算法具有速度优势,同时充分利用了灰度信息和细节信息,具有更高的精度。实验结果表明:该算法对图像的模糊、光照差异、角度旋转、视场变换等均有良好的鲁棒性和稳定性。将该算法应用于遥感图像拼接,得到无明显几何移位、边缘衔接良好的拼接图像。该算法是一种耗时短、精度高的图像配准算法,能够满足遥感图像拼接对配准的要求。

基于SIFT和SURF图像拼接算法的改进算法

目前,图像拼接技术已经成为数字图像处理、计算机图形学和人工智能等领域的研究热点。介绍基于SIFT(Scale Invariant Feature Transform)特征点的图像拼接算法和基于SURF(Speeded Up RobustFeatures)特征点的图像拼接算法,并且对这两个算法的性能做了比较,给出各自的优劣点。最后,基于这两种算法,提出一种加快图像拼接速度和质量的算法。

结合SURF算法和单应性矩阵的无人机影像匹配

针对无人机影像受拍摄条件影响或区域环境复杂造成的匹配效果不佳,局部区域甚至无法匹配的问题,基于SURF算法,利用多重约束条件改进算法对无人机影像进行了特征匹配。该匹配算法首先利用SURF算法检测影像特征点,利用FLANN快速搜索结合KNN算法筛选特征点,选出构造单应性矩阵的最优内点匹配对,然后利用基于单应性矩阵的RANSAC算法过滤掉错误匹配。试验结果表明:与基于SURF算法的单一约束条件的无人机影像匹配相比,多重约束条件的无人机影像匹配算法在匹配质量优化的同时能提高无人机影像匹配集数量,该算法在误匹配减少的前提下能获得更多准确的特征点。

基于尺度限制SURF的图像配准

图像配准是数字图像处理中一个重要研究领域,是图像拼接、图像超分辨率重建的基础,基于尺度不变特征的图像配准已成为最近几年的热门研究领域,SURF算法是其中之一。对于具有尺度差异(SD)同时满足仿射变换的图像,传统SURF算法存在较大误匹配,从而影响最后的配准精度。针对误匹配问题,采用基于尺度限制(SR)的SURF算法并利用样本统计的方法来剔除误匹配,实验结果表明基于尺度限制的SURF算法能够有效的剔除误匹配,从而提高图像配准的精度。

基于SURF和轨迹滤波的旋转视频稳像算法

现有电子稳像技术主要以平移稳像为主,而对同时存在大角度旋转和抖动的视频稳像能力较差,针对该问题提出一种基于SURF和轨迹滤波的旋转视频稳像算法。首先,采用SURF特征点匹配算法获得相邻2帧匹配的特征点,使用双向最邻近距离比值法剔除误匹配点,利用相似变换模型和RANSAC算法,得到高精度的旋转角度并对当前帧进行反向旋转,从而消除视频旋转。然后,使用KLT特征点跟踪算法生成视频的特征点轨迹。最后,采用Kalman滤波和B样条曲线拟合相结合的方法进行稳像处理,进而得到不旋转且稳定的视频。实验结果表明,该算法适合任何角度旋转的视频,消旋精度达到0.02°,且能够有效地消除视频抖动,对于分辨率低,同时存在运动模糊的视频也有较强的鲁棒性。

SURF与RANSAC算法结合的图像跟踪方法

针对实时跟踪过程中提高特征点匹配的准确性和稳定性问题,提出一种将SURF算法与RANSAC算法相结合实现图像的实时匹配与跟踪的方法。基于SURF算法进行特征点检测;利用欧氏距离进行特征点粗匹配;基于RANSAC算法剔除误匹配点,并进一步根据匹配特征点分布的几何特性进行优化筛选;利用获取的正确的匹配点对求解单应性矩阵,得到两幅待配准图像之间的映射关系,从而实现图像的实时匹配与跟踪。实验结果表明,在不同实验条件下,包括旋转、缩放、局部遮挡和局部光照增强或减弱等,改进算法均能够在目标区域内寻找到基准图像,并进行实时跟踪,且具有很好的准确性和稳定性。

基于SURF和KLT跟踪的图像拼接算法

针对现有图像拼接精度不高和速度慢的问题,提出一种图像自动拼接算法。采用特征向量实现图像序列完全自动排序,把特征向量作为图像中的运动目标,利用KLT跟踪算法计算特征点的偏移量,从而得到图像之间精确的单应性变换矩阵,给出一种基于视觉特征的色彩融合方法实现图像的无缝拼接。实验证明该算法提高了匹配的精度和速度,能够实现自动排序,并具有较好的鲁棒性。

基于改进SURF算子的彩色图像配准算法

为了解决传统SURF算法存在的问题,提高彩色图像配准的精度和准确率,提出一种双向邻近匹配的彩色图像配准算法。该算法对传统的SURF描述符进行改进,将图像的色彩信息叠加在只包含灰度信息的传统SURF特征描述符上,组成改进的SURF特征描述符,以增强彩色信息对配准的影响,提高配准的准确率;采用FLANN算法搜索匹配点对,并对匹配点对进行双向邻近匹配,以提高搜索效率和匹配精度;利用改进RANSAC算法剔除匹配错误的特征点对,以进一步优化匹配结果。实验结果表明,该算法能够有效地提高彩色图像配准的精度和准确率,具有较好的鲁棒性和图像变换适应性。