具有局部自适应阈值的SIFT快速图像匹配算法

针对传统SIFT匹配算法复杂、特征冗余点多、难以满足实时性等问题,本文提出了一种具有局部自适应阈值的SIFT快速图像匹配算法。首先,所提方法在SIFT算法的基础上,对构建的高斯金字塔进行了优化,通过减少金字塔层数来消除冗余特征点以提高检测效率,并根据图像局部对比度来自适应提取FAST算法中的阈值从而实现高质量的特征点检测,筛选出鲁棒性较强的特征点进行更准确的匹配;其次,采用高斯圆形窗口建立32维降维特征向量,提高算法运行效率;最后,根据匹配特征点对之间的几何一致性对特征点进行提纯,有效减少误匹配。实验结果表明,本文方法在匹配精度和运算效率方面的综合表现均优于SIFT算法及其他对比匹配算法,相比传统的SIFT算法,匹配精度提高了约10%,算法运行时间缩短了约49%。在图像发生尺度、旋转以及光照变化的情况下,正确匹配率在93%以上。

基于机器视觉的缝纫线迹缺陷检测方法

缝纫线迹缺陷检测过程易受缝纫机抖动和面料移动过快等影响,针对缺陷检测过程中的扰动影响,以高精度和快速检测缺陷特征为目标,提出一种基于机器视觉的缝纫线迹缺陷检测方法。首先将主干网络的标准卷积改用蓝图卷积的DeblurGAN-v2算法和拉普拉斯算法联用,分辨模糊与清晰图像,并对运动模糊图像去模糊。然后将师生特征金字塔匹配算法应用到缝纫线迹缺陷检测上,将困难样本挖掘技术应用到师生特征金字塔匹配算法中提高了算法的检测精度与速度。结果表明:图像去模糊算法有效地去除了由外部干扰引起的图像模糊问题,缺陷检测算法检测正确率保持在95%以上,单张图片检测速度在0.04 s以下。本文方法能有效检测线迹缺陷特征,保障生产的高效性和连续性。

基于SIFT改进的无人机图像匹配算法

针对无人机图像匹配时间较长的问题,提出了一种基于SIFT改进的无人机图像匹配算法。引入了FAST算法检测角点,它能快速通过比较中心像素点和一定领域内像元的灰度值以判断是否为角点,从而提高算法的速度。同时,为了弥补FAST算法在高斯差分金字塔上搜索的不足,使用了基于Ostu和GA的图像分割算法对图像进行分割,对分割图像构建高斯金字塔,在高斯金字塔上进行特征点搜索。实验结果表明,与传统的SIFT算法相比,改进算法提高了无人机图像匹配的速率和正确率。

面向边缘特征的实时模板匹配方法

模板匹配是机器视觉领域的一项共性关键技术,目前基于边缘特征的模板匹配方法存在搜索时间长、在复杂环境下匹配准确率低等问题。为了在保证鲁棒性的同时提升实时性,提出了一种面向边缘特征的实时模板匹配方法。首先,在模板创建阶段,提出了一种新型边缘稀疏方法,通过置信评分机制筛选出模板中不变性强的边缘点,在保留模板关键特征的同时降低模板信息冗余,进而保证稳定性并提升计算效率。其次,在基于金字塔搜索的图像匹配阶段,提出了一种顶层提前筛选方法,采用归一化曼哈顿距离作为限制条件在顶层搜索结果中排除错误目标位姿,以加快后续各层的搜索速度。构建了5种工况不同的数据集,对所提模板匹配方法进行了对比验证,并将其应用于面向自由平面位姿的快速视觉点胶工艺。实验结果表明,所提模板匹配方法在显著提升匹配速度的同时能够保证高准确率,并且能够有效克服光照、旋转、缺陷、多目标、遮挡等干扰因素,满足机器视觉场景中对图像匹配的鲁棒性和实时性要求。

联合多尺度与注意力模型的双分支局部特征提取方法

局部特征是图像匹配与识别等应用中的关键表征方式.针对目前局部特征提取方法存在的尺度单一、区分性不足等问题,本文基于双分支编码器-解码器提出了一种联合多尺度与注意力机制的局部特征提取方法.首先,在共享编码阶段,采用经典的VGG-Style卷积神经网络对输入图像提取不同尺度的特征层;其次,在关键点解码阶段,通过与编码阶段中相同尺度特征进行并联构建特征金字塔结构以解决单一预测结构带来的特征信息不足等问题,同时在描述解码器中嵌入基于空间、通道的混合注意力模型以实现特征的选择性预测;最后针对检测和描述过程分别提出了针对性的损失函数对训练目标进行优化.实验结果表明,本文方法所提取的局部特征相较于现有方法不仅在重复性和区分性上表现更好,而且对视角、光照等变化具有更高的鲁棒性.

面向绝缘手套佩戴状况检测的小目标检测与匹配算法

基于图像识别的变电站现场人员不安全行为监测对于保障电力生产安全具有重要的意义.对未穿戴绝缘手套的识别是安全监测的重要内容,但手部/手套面积小、有效样本数量少、多人场景中未佩戴手套人员难以识别等问题严重制约了识别算法的性能.针对上述问题,本文提出了一种面向绝缘手套佩戴状况检测的小目标检测与匹配算法.首先,针对数据集中有效样本数量少且特征数量严重不平衡的问题,采用颜色变换与图像拉伸等方法对数据集的图片进行数据增广.其次,针对手部/手套面积小导致目标识别率不高的问题,提出一种基于改进YOLOv3网络的检测算法.一方面,对原网络中的特征金字塔结构进行改进,对网络中多层级特征信息进行融合,提升小目标识别精度;另一方面,使用K均值算法分析数据集,获得适合本数据集的初始候选框,进一步提升小目标识别性能.最终,针对目前算法中仅进行手部/手套识别,但在多人场景中难以识别对应的人员的问题,设计了一套手部与人体的关联匹配算法,可以有效的对检测结果进行匹配.实验结果表明:本文提出的算法能够对绝缘手套佩戴情况进行有效地检测,改进的YOLOv3模型的准确率提升了29%,并且经过改进的YOLOv3+分配算法模型的准确率提升了33.43%.

基于YOLOX的金属表面缺陷检测算法

为解决传统检测方法对金属表面缺陷检测速度慢、精度低的问题,研究基于深度学习的YOLOX检测算法。在YOLOv4主干网络加入Focus结构,避免图片下采样中信息丢失;预测端创新性采用无锚框思想、解耦头和SimOTA动态正样本匹配方法对融合后特征进行预测,加快收敛速度。将该算法用于金属表面缺陷数据集,实验结果表明,结合无锚框、解耦头、样本匹配方法可使平均检测精度均值提升到83.78%,比YOLOv3和YOLOv4算法分别提升13%和7%,检测图片速度达到65张/秒,检测精度和速度均具有明显提升。

基于RFNA和改进LBD的镜像线特征匹配方法

针对物体和镜像之间的匹配问题,引入RNFA(Relative Number of False Alarms)边缘链检测方法获取更丰富的线段。文中提出一种改进的LBD(Line Band Descriptor)算法用于构建局部不变特征描述符,通过比较局部不变特征描述符获得初始匹配对。采用全局投影角度的筛选方式,并通过拟合投影中线的方式剔除初始匹配对中误匹配项。在完成全局投影角度的选取和投影中线的拟合后,放宽对局部不变特征描述符阈值的筛选以获得更多的匹配对,提升召回率。图像集仿真实验结果表明,文中所提算法在纹理较弱区域能够更好地识别线段,且能够在保证原算法性能的基础上获得更多的匹配对,提高5%左右的正确匹配率,并达到90%以上的召回率。

基于双重注意力与精确特征分布匹配的车辆重识别

为了解决目前车辆重识别方法细粒度特征提取能力弱、域泛化能力差的问题,提出了一种基于双重注意力与精确特征分布匹配的车辆重识别方法。提出一种新的双重注意力机制,使用WideResNet50与双重注意力模块构建多细粒度特征提取网络的前置部分,用于高效建模全局上下文信息并增强对车辆细粒度特征的提取能力。将基于精确特征分布匹配的风格迁移策略融入浅层主干来增强源域的域多样性,实现数据增广,从而有效提升车辆重识别的跨域性能和特征表达能力。提出了一种逐深度多尺度特征金字塔结构来加强特征提取,整合不同尺度特征层的多层次信息,并将该结构输出的车辆特征采用特征图分割的思想来突出局部细粒度信息,提升模型对车辆细粒度信息的敏感度。引入Tuplet边际损失来缓解最困难样本的过拟合问题。在两个大型基准车辆数据集VeRi-776和VehicleID上的实验结果表明,所提出算法在单域和跨域任务上都具有较好的重识别效果。

结合小波金字塔的快速NCC图像匹配算法

针对传统的归一化互相关算法(NCC)计算量庞大、运算速度慢、正确率较低等问题,本文提出一种基于小波金字塔搜索策略的快速NCC图像匹配算法。该算法在归一化互相关算法的基础上,采用和表法分别计算图像均值、图像方差和图像间的互相关来降低运算的复杂度,减少算法的计算量;同时在选择特征点匹配搜索策略时,构造图像小波金字塔结构,利用分层匹配来提高图像匹配的效率。与其他算法进行对比,结果表明该算法获得的匹配点连线效果更好,所用的时间也量化,证明该算法不仅能提高匹配速度,还能改善匹配精度。

模式图像的特征提取与配准方法

目的提高产品包装模式图像的匹配速度和准确性,得出算法中影响这两方面的关键因素。方法运用高斯金字塔对原始图像进行向下采样,将图像转换为尺度空间的表示方式;利用加速稳健特征(SURF)方法提取特征点,并对SURF方法提取的特征点用Brute-Force算法进行匹配;通过对每组匹配点欧式距离的排序,剔除误匹配点,仅保留一定数量的正确匹配点对。结果得出高斯金字塔、Hessian值、颜色空间对计算速度及获取特征点数量的影响。颜色空间的改变不影响特征点数量,在计算时间上的差别也可忽略。尺度空间缩小1/2时,计算速度能够提升75%,同时剔除2/3的冗余特征点。结论文中方法能够有效提升特征提取速度,并且具有匹配精度高、鲁棒性强的特点,同时对旋转角度的变化具有较强的适应性。

基于角点和局部特征描述子的快速匹配算法

提出了一种基于角点检测和灰度差分不变量区域统计直方图的局部特征描述子相结合的快速匹配算法。通过建立较少图层的阶梯金字塔,利用Shi-Tomasi算法提取图层中数量适中的强角点。采用具有几何意义的低阶灰度差分不变量描述图像特征,改进了传统算法对噪声及角点位置偏差敏感、计算复杂等问题。实验结果表明算法在保证具有旋转、尺度缩放、光照及小视角变化、模糊等性能不变的同时,整体匹配所耗时间以及正确匹配率均优于SIFT和SURF算法。

融合特征光流与角点特征的图像特征匹配算法研究

图像特征匹配是视觉里程计的重要环节,针对视觉图像序列特征点匹配中存在的匹配精度低问题,提出一种融合金字塔特征光流与角点特征的精确快速图像特征匹配算法。算法首先利用ORB(二进制定向简单描述符)算法快速提取图像特征点,然后融合金字塔Lucas-Kanade特征光流的追踪特性,使用局部特征窗口计算图像特征点位移矢量。接着针对图像特征的匹配对齐问题以及特征丢失问题,算法采用K最近邻半径搜索作为特征滤波器移除混淆的匹配,最后使用RANSAC(Random Sample Consensus)算法剔除冗余误匹配点对,提高匹配率。通过多组实验数据对比,该算法的图像特征匹配率可达到98%。对比传统的ORB特征匹配算法,该算法在实时性和图像特征匹配精度上均有显著提高。

基于改进BOF算法的图像识别和分类

对bag of features(BOF)算法进行研究与改进,并将其应用到图像识别和分类中。针对传统BOF算法执行效率低以及分类精度不够高等缺陷,提出一种结合SURF(speeded up robust feature)与空间金字塔匹配原理的优化方法相结合的图像识别与分类算法。SURF算法可提高执行效率,而空间金字塔匹配原理的优化方法可提高分类精度。首先对分类图像应用SURF算法提取特征描述符并生成视觉词典,该算法提取的视觉词典能更有效地表示图像特征,且能应对多变的尺度;然后应用空间金字塔匹配原理对图像采用视觉词典的直方图表示,进一步提高分类的准确度;最后利用LIBSVM分类器进行分类。在Graz,Caltech-256和Pascal VOC 2012这3个数据集中进行实验测试。研究结果表明:该方法与传统的BOF算法相比提高了执行效率和分类精度。在数据实验中通过与近几年一些相关研究工作在分类准确率方面进行对比,该方法具有很大的优越性。

基于改进特征袋模型的奶牛识别算法

针对特征袋(BOF)模型中存在特征计算耗时、识别精度低的不足,提出一种新的改进BOF模型以提高其目标识别的精度和效率,并将其应用于奶牛个体识别。该算法首先引入优化方向梯度直方图(HOG)特征对图像进行特征提取和描述,然后利用空间金字塔匹配原理(SPM)生成图像基于视觉词典的直方图表示,最后自定义直方图交叉核作为分类器核函数。该算法在项目组自行拍摄的数据集(包含15类奶牛、共7 500张奶牛头部图像)上的实验结果表明,使用基于SPM的BOF模型将算法的识别率平均提高2个百分点;使用直方图交叉核相比使用高斯核将算法的识别率平均提高2.5个百分点;使用优化HOG特征,相比使用传统HOG特征将算法识别率平均提高21.3个百分点,运算效率为其1.68倍;相比使用尺度不变特征变换(SIFT)特征,在保证平均识别精度达95.3%的基础上,运算效率为其7.10倍。分析结果可知,该算法在奶牛个体识别领域具有较好的鲁棒性和实用性。

不同分辨率图像的角点匹配方法

针对不同分辨率图像的匹配问题,提出了一种利用高斯金字塔的一对多角点匹配方法.采用一种变形的特征描述算子(SIFT)对角点附近的图像区域进行特征提取,根据提取出的特征向量进行角点匹配,并提出一种简单有效的抽样一致性算法以剔除错误匹配点对,最后在一对多角点的匹配结果中选出最佳的匹配作为最终的角点匹配结果.实验结果表明,该算法能有效地克服分辨率的差异给匹配带来的困难,算法简单,可靠性好.

基于LLC与GIST特征的静态人体行为分类

针对静态图像人体行为识别问题,提出一种融合局部约束线性编码(LLC)和全局特征描述子的方法。该方法对图像进行密集采样,提取每个子区域的SIFT特征,利用LLC方法对提取的密集SIFT特征进行编码和池化。为了加入空间信息,采用空间金字塔的思想,获得具有空间位置信息的LLC池化特征。将LLC池化特征串联通用搜索树(GIST)特征作为图像的最终描述,使用核函数为直方图交叉核函数的支持向量机进行分类。实验结果表明,与利用LLC、空间金字塔匹配特征和GIST特征进行识别的方法相比,该方法识别效果较好。

图像制导中的SIFT快速算法

图像制导中,导弹根据预存的地形图自动捕捉攻击目标。通过图像匹配识别目标,尺度不变特征变换(the scale invariant feature transform,SIFT)算法具有优异的性能,但计算量较大。根据地形图像的特点提出了一种SIFT改进算法Zoser SIFT,Zoser SIFT直接对图像进行逐级递减采样,形成阶梯(Zoser)金字塔图层,由24邻域极值点形成特征点。新算法不进行高斯变换,具有图层少、特征点数量适中等优点,大幅度减少了计算量。同时新算法占用内存空间少,浮点运算少,适合在实时DSP系统中应用。新算法虽然抗噪声能力有所下降,但对光照改变、尺度变化、变形和遮挡等仍有很好的鲁棒性,在航拍地形图上进行识别时性能稳定。

抗仿射形变异构金字塔复合描述点特征匹配算法

不同视角下具有一定变形的高分辨率大尺寸影像之间的匹配是遥感、摄影测量和计算机视觉等领域的难点。提出了抗仿射形变异构金字塔复合描述点特征匹配算法(RAIPy MuDePoF匹配算法):构建了基于sinc函数卷积变换的多尺度异构金字塔影像结构,提出采用变换影像的sinc梯度、主方向和变形程度拟合仿射协变区域,在特征点的仿射归一化区域中,提出新的抗旋转投影累积量描述子和加权直方图辅助描述子进行复合描述,最后在大尺度匹配特征拟合变化参数和可信度的引导下实现尺度域的点特征匹配。大量试验表明,算法对尺度变化、旋转、噪声和一定程度的视角变换和变形具有很强的适应性,性能优于当前很好的匹配算法。

一种基于四叉树划分的改进ORB算法

原ORB(oriented FAST and rotated BRIEF)算法提取的图像特征点经常出现“扎堆重叠”现象,其分布较为密集且缺乏尺度不变性,因而容易造成图像特征点误匹配的问题。为了解决该问题,提出了一种基于四叉树划分的图像特征点提取算法。首先对图像建立尺度金字塔,然后使用四叉树划分图像并限制划分深度。用加速分段测试的特征(features from accelerated segment test,FAST)算法通过多个检测阈值对划分后的图像进行特征点检测。检测完毕后,根据划分出的子块总数和提取的特征点总数对划分出来的各个子块设置自适应阈值,提取ORB特征点。操作完成后通过采取非极大值抑制的方法筛选最佳特征点,并使用改良后的二元鲁棒独立基本特征(binary robust independent elementary features,BRIEF)算法计算得出特征点的描述符,最后进行特征点匹配。实验结果表明,本文算法提取的图像特征点较原ORB算法提取的效果在均匀程度上得到了明显地提升,冗余重叠的特征点数量减少,且在特征点提取速度方面较原ORB算法的提取速度提高了30%以上。