基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

农机障碍物目标识别与预警SIFT算法改进研究

农机障碍物目标识别与预警可以有效减少农机伤亡事故。如果将传统的尺度不变特征变换(scale invariant feature transform,简称SIFT)算法应用在农机障碍物目标识别中,特征描述符的运算相对来说比较错综复杂,匹配特征点的时间也比较长。提出1种改进的农机障碍物目标识别SIFT算法,该算法采取特征向量矢量和的方法构建64维度的简化描述符,依据金字塔的构造来匹配特征点。测试结果说明,改进算法对农机监测到障碍物图片匹配计算时间较原来的SIFT算法大幅减少,实时性提高。系统监测到石头等障碍物时,提出预警,有效减少了事故的发生。     

隐马尔可夫模型下基于SIFT特征的局部遮挡目标识别

提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。     

基于SIFT检测与匹配算法的奶牛形体图像技术研究

使用普通数码相机拍摄奶牛形体图像,应用SIFT特征点检测与匹配算法进行特征点检测、匹配、基础矩阵和单应投影矩阵的计算.实验结果表明,该方法对图像采集的要求低,能适应野外作业,检测的特征点数量大,精确度高,匹配结果准确.     

基于SIFT算法的图像匹配研究

图像匹配是计算机视觉、摄影测量等领域的基本问题,SIFT算法由于具有旋转和尺度不变性等优良性能被广泛使用,但也并非完美。针对SIFT算法的适用性问题展开研究,采取三组图像进行匹配,SIFT算法采用SIFTGPU的实现版本。实验结果表明,大部分情况下,SIFT算法可以得到较多可靠的同名点,但如果图像中纹理单一或者重复纹理较多以及成像时角度差异过大,容易造成SIFT算法匹配质量降低。     

基于模拟退火算法与量子遗传算法的图像匹配研究

针对传统的基于先验模板或者个性特征的图像匹配算法存在的计算复杂、实时性较差、早熟收敛、全局最优缺失等问题,提出了一种基于模拟退火算法与量子遗传算法的图像匹配混合算法,可以克服模拟退火算法的收敛速度慢与量子遗传算法的局部搜寻能力弱等单一算法的固有劣势,实现全局最优,具有匹配精度高、抗干扰性强、并行搜索效率高等优势。在Matlab2015b环境下开发了验证环境并对算法进行了实际验证,结果表明该算法可以在较短的时间内有效匹配目标图像,实时性、准确率和稳定性较高,收敛速度、并行搜索效率等核心参数满足设计需求。     

两种图像匹配算法在植被覆盖区的应用对比

从无人机影像的特点考虑,对SIFT和SURF这两种图像匹配算法进行研究,利用这两种算法对大量无人机影像进行对比较验,比较2种算法的可靠性。结果表明,在植被覆盖较多的地形中,SURF不但在匹配速度上优于SIFT算子,而且在匹配对数量上也要多于SIFT算子。     

基于改进免疫遗传算法的汽车零件排样

为提高汽车零件排样的板材利用率,对汽车零件的排样技术进行研究.汽车零件大多是不规则零件,因此其排样属于二维不规则排样问题范畴.在智能优化算法求解二维不规则排样领域,遗传算法容易产生早熟现象,并且局部寻优能力较差,而免疫算法具有很强的局部寻优能力.结合遗传算法与免疫算法的全局与局部寻优能力,提出一种改进的免疫遗传算法.该算法的遗传选择操作加入个体浓度计算,操作步骤和变异概率可以自适应调整,从而有效避免早熟现象.自适应计算免疫选择个体数以及免疫克隆个体数以提高算法的收敛性能.分别使用ESICUP网站提供的公开数据和实际汽车零件专用数据对提出的免疫遗传算法的性能进行测试,实验结果表明,和现有的几种算法相比,本研究提出的免疫遗传算法能获得更高的材料利用率.     

一种草莓图像立体匹配方法

提出了一种基于尺度不变特征变换和随机抽样一致算法的立体匹配方法。首先采用SIFT算法提取左右草莓图像的特征向量,再运用RANSAC和极线约束法对两幅图像进行特征点匹配,以降低特征点对之间的错配率,提高图像匹配精度。最后利用双目立体视觉原理对图像各目标进行匹配试验。结果表明,该算法较传统方法平均匹配精度提高50%,算法时间缩短66%,可满足草莓收获机器人视觉系统在自然采摘作业环境下的工作要求。     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

基于加速鲁棒特征的木材显微图像自动配准方法

针对显微镜观测视野狭小而难以采集到全局图像的问题,提出了一种基于加速鲁棒特征(SURF)的木材显微图像自动配准方法.首先使用SURF检测并描述兴趣点,通过最近邻匹配得到匹配点对后,用双向匹配和RANSAC算法剔除错误匹配.然后利用最小二乘法和匹配结果进行模型参数估计,最后通过插值获得配准图像.对阔叶材显微图像配准实验结果表明,该方法具有较好的鲁棒性,无论图像是否有旋转,都可以实现自动的配准.比起尺度不变特征转换(SWT),由于用SURF得到的兴趣点数量更少,运算速度更快,总的匹配速度提升了5倍左右,缩短了整个配准过程的时间,算法更具有实时性.     

奶牛形体图像处理中尺度不变特征变换特征点检测与匹配策略的应用

针对奶牛形体图像,分析尺度不变特征变换特征点检测与匹配算法的应用特点,提出一种全自动图像格式转换,尺寸调整,特征点检测,特征点匹配,数据存储策略.结果表明,该策略定位特征点精确,数据有效性强,匹配结果准确.     

基于点匹配的区域拷贝篡改检测

图像区域拷贝是一种常见的数字图像篡改技术,目前的大部分数字图像区域拷贝取证技术未考虑旋转和缩放因素。提出一种新的基于点匹配的图像区域篡改检测算法。首先利用尺度不变旋转变换（SIFT）寻找图像中的关键点,使用主成分分析法(PCA)对关键点进行降维描述,然后利用关键点特征向量的相似度寻找关键相似点。实验表明,该算法不但能够较精确地定位出复制和粘贴的图像伪造区域,还能有效抵抗噪声污染、有损压缩以及旋转等攻击,并有效地减少运算量,提高了检测效率。     

前景判别的局部模型匹配目标跟踪

目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。     

抗旋转和尺度变化的导航系统图像匹配算法

在惯性导航系统中,定量分析了景象匹配过程中惯性导航系统漂移和无线电气压高度表测量误差对实测图的旋转和尺度所造成的影响,引入了对数极坐标变换.基于图像边缘特征提取,提出了一种结合中心点的4-邻域点共同参与计算的抗旋转和小尺度变化的图像匹配算法,并给出了相应的算法流程.仿真分析表明,在导航系统误差漂移所引起的图像旋转和气压高度表所引起的尺度变化范围内,该算法能满足匹配准确性的要求,并能有效给出系统的定位误差修正信息.     

基于角点匹配图像拼接方法的改进

在图像拼接领域,同时提高图像拼接的质量和速度是比较困难的。为了解决这个问题,本研究对图像拼接中的特征匹配和图像融合这2个关键部分进行了改进。在特征匹配方面,传统的用于提纯出匹配特征点的方法是使用RANSAC算法。为了解决其在不匹配点比例较大时提纯效率较低的缺点,本研究提出了一种使用聚类法预提纯特征点再用RANSAC算法精确提纯的方法,在图像融合时,使用了最佳路径法与亮度权重函数相结合的方法,以达到消重影并使拼接结果图像自然的目的。试验证明,经过对图像拼接以上2部分的改进算法效率有极大的提高,并能有效地去除重影使拼接图像更加自然。     

大豆冠层多源图像特征点配准方法研究

针对具有颜色信息的大豆冠层三维结构形态的重建问题,采用PMD摄像机与彩色摄像机相结合的多源图像采集系统获取大豆冠层多源图像,对大豆冠层多源图像特征点配准方法进行研究。以彩色图像和强度图像为研究对象,利用仿射变换实现彩色图像坐标系到PMD图像坐标系的转换;利用Harris算法检测图像特征点,采用基于归一化互相关系数法(NCC)实现特征点粗匹配。为克服传统RANSAC算法抽样次数较多及和数据检验时间较长的弊端,提出在特征点匹配阶段,按照可信度将特征点对排序,从可信度高的点对开始抽取的方法来优化经典RANSAC算法,进而实现特征点精匹配,最终完成多源图像特征点配准。为验证本研究提出的图像配准算法的有效性,将该算法与传统图像配准算法相对比,结果表明:室外和室内环境下,样本组的平准正确配准率分别为83%和87%,均优于传统图像配准算法,并满足快速配准大豆冠层多源图像特征点的要求。     

基于MVS序列图像的油菜三维模型

为实现油菜作物模型的可视化研究,给油菜作物的数字化管理提供数据基础,以感染虫害的苗期油菜为研究对象,采用MVS序列图像技术,搭建MVS技术的序列图像采集平台。根据SFM和PMVS算法获得虫害油菜的稀疏点云数据和稠密点云数据,同时,探索序列图像数量对于特征点匹配的影响。对MVS序列图像技术获得的虫害油菜三维点云数据,采用滤波、精简、Alpha-Shape曲面重建等处理,得到虫害油菜的三维形态曲面模型。结果显示,使用图像数目多和8邻域匹配两者相结合的方法可以又快又好地匹配图像特征点;在获得合适的Alpha值情况下,Alpha-Shape算法可以真实形象地表现出虫害油菜的生长状态。