基于SURF特征匹配的图像拼接算法

提出了一种了基于SURF(speed up robust features)特征匹配的图像拼接算法。SURF方法是一种快速且鲁棒性较好的特征提取算法,用该算法提取图像特征后,使用改进BBF(best bin first)的快速匹配算法来寻找图像间的匹配点;用L-M算法对单应性矩阵进行优化时,本文提出使用梯度误差函数增强对光照变化的鲁棒性;最后采用多分辨率融合方法进行图像融合,有效地消除了拼接痕迹,并保持较高的分辨率。实验结果验证了该算法的高效性,对存在旋转、尺度缩放、视角以及光照变化的图像都具有良好的效果。

基于SURF特征匹配法的高速公路能见度检测技术研究

为解决当前高速公路能见度检测稳定性低、实用性不强的问题,提出一种基于SURF特征匹配法的高速公路能见度检测方法,将摄像机获取的待检测图像进行图像预处理,然后应用SURF特征匹配算法进行特征点提取,与标准模板进行特征点匹配并分析匹配程度,进而得出能见度等级。与灰度直方图法和透射法做对比实验,结果表明:该算法能很好的模拟人眼的判别效果且处理速度快,更易实现能见度实时性监测。

基于SURF特征匹配的优化RatSLAM类脑导航方法

RatSLAM是模拟鼠类感知环境机制提出的一种定位与构图的导航算法。针对复杂环境如光线影响导致RatSLAM产生误差的问题,提出了基于SURF特征匹配与位置细胞校正算法的优化RatSLAM类脑导航模型。本方法通过一套移动视觉系统采集环境信息,构建的局部场景细胞通过SURF特征匹配算法获取到载体在环境中的方向与位置信息,头朝向细胞与位置细胞通过连续吸引子神经网络共同表示载体当前的位姿,利用上述细胞所获取的位姿与时间信息,通过路径积分计算当前载体在坐标系中所处的位置,最后构建基于认知点的拓扑经验地图。此外,在局部场景细胞获取环境信息的同时,通过SURF特征匹配算法来进行闭环检测与检测预先设置好的位置细胞节点,对当前运动轨迹进行修正。实验结果表明,在有光线影响的情况下,本文所提出的方法将绝对定位误差大大降低。

基于特征提取与匹配的带钢缺陷检测

为了提高工件缺陷检测准确性,本文以工件缺陷区域特征为基础,提出了一种新的工件缺陷检测方法。首先对带钢缺陷图像进行小波多层分解,选择低频系数图像和高频系数图像进行重构,从而有效地抑制了背景纹理信息;其次,通过分割和滤波对重构图像进行特征提取,得到带钢的缺陷特征图像;最后,通过对带钢缺陷特征图进行SURF特征提取与目标图像匹配,得到缺陷的具体位置。实验结果表明,用该算法进行表面缺陷识别,可获得较高的识别率,具有一定的通用性。

基于CNN双目特征点匹配目标识别与定位研究

针对传统的目标识别和定位存在识别类别单一和实时性差等缺点,提出了一种卷积神经网络(Convolutional Neural Networks,CNN)结合双目特征点匹配算法实现目标识别与定位的方法。通过CNN对训练的目标进行识别并框出目标在图像上的位置,采用SURF(Speeded Up Robust Features)算法对左右图像进行特征点匹配,计算目标框内的特征点得到视差,从而得到目标相对于摄像头的位置信息。由于随着目标与摄像头距离变化,重投影矩阵Q参数发生变化,影响定位精度,通过最小二乘法拟合矩阵Q和位置模型,提高定位精度。实验结果表明,该方法能够实时地实现目标识别与定位,通过改进的双目立体模型,提高了定位精度。

基于PoolNet显著性和SURF-VIBE模型的林火视频烟雾提取算法

烟雾的实时视频探测可用于早期森林火灾的预警,然而,由于烟雾具有飘动、扩散、闪烁等特性,通过实时视频提取烟雾区域具有极大挑战。本文根据人眼视觉注意力机制,将阴燃烟雾看作视频中湍流和灰色显著的区域,提出了一种基于显著性检测和SURF-VIBE模型的疑似烟雾区域提取算法。首先采用一种基于PoolNet的显著性检测方法获得烟雾显著性图谱,通过VIBE运动检测算法获得视频中运动前景,并使用SURF特征匹配算法消除相机抖动等对运动前景带来的干扰,再由计算出的运动前景构造运动能量函数,对显著性谱进行估计,最终提取出疑似烟雾区域。实验验证结果表明:该算法检测准确率为91.3%,每帧检测速度为0.028 s,可用于实时视频烟雾探测。

基于双目视觉的目标识别与定位

给出一种双目视觉系统结合SURF(Speeded Up Robust Feature)特征的目标识别与定位方法,分析了采用SURF特征实现目标识别的方法,利用双目视觉的原理求取识别出的目标物体的三维坐标信息,从而实现目标物体的识别与定位,与传统的基于SIFT(Scale Invariant Feature Transform)特征或基于颜色形状特征的目标识别与定位方法相比,该方法更具有鲁棒性和实时性.实验结果证明了该方法进行目标识别与定位的可行性,具有一定的应用价值.

基于机器学习的NAO机器人检测跟踪

为了解决对人形NAO机器人的检测跟踪问题,提出了一种机器学习与特征匹配相结合的方法。向梯度直方图(Histogram of Oriented Gradient)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,在行人检测中取得了较好的效果。将其应用于人形NAO机器人的检测跟踪,并结合Ada Boost算法通过机器学习的方法,从大量的训练样本中自动抽取HOG特征并建立级联分类器,利用分类器找出视频帧中含有机器人目标的区域,并在此基础上利用SURF(Speed Up Robust Features)特征匹配方法与模板图像进行特征匹配,以提高目标识别的正确率。实验结果表明,该方法对NAO机器人在室内光线无遮挡的情况下取得了稳定的跟踪效果。

基于形态学和surf特征的车牌定位算法研究

提出一种基于车牌字符特征的车牌定位方法。该方法根据颜色及边缘信息通过数学形态学手段实现车牌区域初定位得到候选区域,再求取候选区域灰度图的surf特征并形成特征描述向量,然后利用最近邻匹配法找到正确匹配点对,最终根据候选区域与参考图像间的匹配度来完成精确定位,并同时求得变换矩阵实现所求车牌区域的倾斜校正。实验结果表明,该方法能准确、实时高效地实现车牌区域定位。