一种基于SIFT算子的动态目标跟踪的改进方法_宋丹

合集下载

基于SIFT和加权信息熵的红外小目标检测

基于SIFT和加权信息熵的红外小目标检测

1 云背景红外图像噪声及弱小目标特征
包含有弱小目标的红外场景图像序列[6]描述为
F(x, y, n) = T (x, y, n) + C(x, y, n) + N (x, y, n)
(1)
由于算法针对红外序列图像,因此式中用 n 表示图像序列的帧数;F(x,y,n)表示第 n 帧图像上任意
点(x,y)处的灰度值;T(x,y,n)表示(x,y)处目标的灰度值;C(x,y,n)表示(x,y)处背景的灰度值;N(x,
Abstract: To satisfy the requirement of detecting small targets in infrared image, an infrared targets detecting arithmetic is put forward based on Scale Invariant Feature Transform(SIFT)and weighted entropy. The method considered the imaging character of small targets. SIFT feature is used to extract special points and the possible location of target is obtained through the match between frames. Weighted information entropy is applied to find feature of gray scale information and entropy. Then potential targets are judged again by the features which have been calculated for the need of real-time dim small targets detection in heavy cloud clutter and complex infrared backgrounds. Experiment indicates that the method has an advanced practicability, and the performance of robustness is good in the sky background. Key words: SIFT; weighted entropy; infrared small target detection; image processing

基于局部特征的SIFT算法改进研究

基于局部特征的SIFT算法改进研究

基于局部特征的SIFT算法改进研究SIFT算法是一种在图像处理领域中非常重要的算法,它是一种基于局部特征的算法,可以用于图像的匹配、识别和检索等方面。

SIFT算法最初是由David Lowe在1999年提出的,在之后的20多年里得到了广泛的研究和应用。

本文将对SIFT算法进行改进研究,主要是通过对其局部特征的改进来提升其性能,使其在更广泛的应用场景中发挥作用。

一、SIFT算法简介SIFT算法是一种基于局部特征的算法,主要用于图像的匹配和识别等方面。

它的特点是具有很好的尺度不变性和旋转不变性,能够在不同尺度和旋转角度下对同一物体进行准确匹配。

SIFT算法主要分为四个步骤:尺度空间极值检测、关键点定位、方向确定和特征描述。

在尺度空间极值检测中,SIFT算法使用了高斯差分金字塔来寻找图像中的极值点,以找出物体的不同尺度的特征点。

在关键点定位中,SIFT算法利用了拉普拉斯算子来确定关键点的位置和尺度。

在方向确定中,SIFT算法首先计算关键点周围的梯度直方图,然后根据这个直方图确定该点的主要方向。

最后,在特征描述中,SIFT算法使用了局部特征描述符来描述每个特征点的特征信息,进而实现图像的匹配和识别。

二、SIFT算法的不足虽然SIFT算法具有很好的尺度不变性和旋转不变性,但在实际应用中还存在一些不足之处。

一方面,SIFT算法在处理大规模图像数据时存在计算量大、时间复杂度高的问题,导致其无法在实时应用中使用。

另一方面,SIFT算法在处理复杂场景时可能会遇到模糊或重叠的问题,导致匹配和识别效果下降。

为了解决这些问题,我们需要对SIFT算法进行改进研究,以提高其性能。

三、基于局部特征的SIFT算法改进在SIFT算法中,局部特征是非常重要的因素。

因此,我们可以通过改进局部特征的方法来提高SIFT算法的性能。

以下是两种基于局部特征的SIFT算法改进方法。

1. 基于深度学习的SIFT算法改进基于深度学习的SIFT算法改进是一种通过引入深度学习技术来提高SIFT算法性能的方法。

SIFT算法详解及应用

SIFT算法详解及应用

SIFT算法详解及应用SIFT(Scale-Invariant Feature Transform)是一种在计算机视觉中常用的特征点提取算法,由David Lowe在1999年提出,并在2004年的论文中进行了详细阐述。

SIFT算法可以在不同尺度和旋转下保持图像的特征点不变性,因此在图像拼接、目标识别、图像匹配等领域具有广泛的应用。

1.尺度空间构建:SIFT算法使用高斯差分函数来检测不同尺度下的特征点。

通过在图像中采用不同尺度的高斯滤波,构建尺度空间,从而检测到不同尺度的图像特征。

2.关键点提取:在构建的尺度空间中,SIFT算法通过在每个像素点检测局部极值点来获取关键点。

具体的做法是对每个像素点在尺度空间上进行比较,找出该点与它相邻像素点和尺度上的极值,从而得到关键点。

3. 关键点定位:在关键点提取后,SIFT算法通过利用二阶偏导数的Hessian矩阵来对关键点进行进一步定位。

Hessian矩阵可以描述图像对灰度变化的响应,通过计算关键点周围像素点的Hessian矩阵,可以对关键点进行精确定位。

4.方向分配:在关键点定位后,SIFT算法为每个关键点分配一个主导方向。

通过对关键点周围的图像梯度进行统计,找到梯度方向分布最大的方向作为主导方向,以此来保证关键点对旋转具有不变性。

5.特征描述:在分配了主导方向后,SIFT算法使用局部图像梯度的方向直方图来描述关键点的局部特征。

将关键点周围的16x16邻域划分为4x4的小格子,计算每个小格子内的梯度方向直方图,最终得到一个128维的特征向量来表示关键点的局部特征。

1.尺度不变性:SIFT算法通过在不同尺度下检测特征点,使得算法对于图像缩放具有不变性。

这一特性使得SIFT在目标识别和图像匹配等领域具有广泛应用,可以应对不同尺寸的目标和场景。

2.旋转不变性:SIFT算法通过为每个关键点分配主导方向,使得算法对于图像旋转具有不变性。

这一特性使得SIFT在图像拼接和图像匹配中能够应对图像的旋转变换。

SIFT算法详解

SIFT算法详解

SIFT算法详解SIFT(Scale-Invariant Feature Transform)算法是一种用于计算图像特征的算法,最早由David Lowe于1999年提出,是一种用于在不同尺度和旋转下具有不变性的特征描述算法。

1.关键点检测:SIFT算法首先对图像进行多尺度空间的检测,即在图像中寻找尺度空间极值点。

为了实现尺度不变性,SIFT算法采用了高斯金字塔的方法来对图像进行多尺度模糊处理。

金字塔的每一层可以通过对上一层图像进行下采样和卷积来生成。

然后,在每一层金字塔上使用一种拉普拉斯算子来计算尺度空间的极值点,这些极值点包括图像的边缘点、角点和斑点等。

极值点的检测是通过对每个像素点的周围像素点进行梯度计算和方向估计来实现的。

2.关键点描述:在关键点检测之后,SIFT算法通过计算每个关键点的局部图像梯度直方图来对关键点进行描述。

首先,将关键点周围的领域分为若干个子区域,一般为16个,每个子区域可以通过将关键点周围的区域划分为4×4个小区域来实现。

然后,对每个小区域中的像素点计算其梯度幅值和方向,并将其分到相应的方向直方图中。

通过对所有子区域的梯度方向直方图进行拼接,就可以得到整个关键点的描述子。

描述子的维度一般为128维,特征向量的每个维度包含了关键点的领域中的梯度方向信息。

3.特征匹配:在关键点描述之后,SIFT算法使用一种基于特征向量距离的匹配方法来实现图像特征点的匹配。

常用的方法是计算两个特征向量之间的欧式距离,并使用一个阈值来筛选出较为相似的特征点。

为了提高匹配的准确性和稳定性,SIFT算法使用了一种自适应的阈值筛选方法,通过计算两个特征向量距离的比值来判断特征点的匹配性。

总结来说,SIFT算法通过对图像进行多尺度的检测、关键点的描述和特征的匹配,实现了对图像特征的提取和匹配。

这种算法对于图像的尺度变化、旋转变换和部分遮挡等具有一定的不变性,因此被广泛应用于图像处理、目标识别和三维重建等领域。

一种基于改进sift算法的高效图像匹配方法

一种基于改进sift算法的高效图像匹配方法

一种基于改进sift算法的高效图像匹配方法专利名称:一种基于改进sift算法的高效图像匹配方法技术领域:本发明涉及一种图像匹配的方法,属于图像处理技术领域。

背景技术:图像匹配是指同一场景在两个不同时点下图像之间的对应关系,它是计算机视觉研究领域的一个基本问题,也是计算机视觉应用,如深度恢复、摄像机标定、运动分析以及三维重构等问题的研究起点或基础。

在特征匹配法中,如今运用最多的是点特征。

现在常见的特征点提取算法包括 Harris算子、ForIstner 算子、SIFT算法和基于小波变换的边缘点提取法。

其中SIFT 算法以其独特的优势,成为目前最为稳定的一种算法。

SIFT(Scale Invariant Feature Transform)算法即尺度不变特征变换算法,是David G. Lowe在1999年提出的一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子,SIFT将一幅图像映射(变换)为一个局部特征向量集,特征向量具有平移、缩放、旋转不变性,同时对光照变化、仿射及投影变换也有一定的不变性。

SIFT特征向量的生成由以下四个步骤组成I、在尺度空间中检测极值点;2、去除低对比度的极值点和不稳定的边缘极值点,得到特征点;3、计算特征点的方向参数;4、生成SIFT特征点向量,向量维数一般为128维。

运用SIFT算法提取的SIFT特征向量具有如下优点I、SIFT特征是图像的局部特征,对其旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换等保持一定程度的稳定性;2、独特性好,信息量丰富,使用于在海量特征数据库中进行快速、准确的匹配;3、多量性,即使少数的几个物体也可以产生大量SIFT 特征向量;4、可扩展性,可以很方便地与其他形式的特征向量进行联合。

尽管SIFT提取的特征点稳定,但SIFT算法缺点也很多,如算法复杂度较高,计算数据量大,耗时较长。

研究人员针对以上的缺点采取了许多改进措施,Yanke 等人提出了 PCA-SIFT方法[1],目的是对特征描述进行数据降维,虽使匹配速度加快,但是由于没有任何先验知识做基础,这种方法反而使计算量增加;Grabner等人用积分图像方法[2],使SIFT的计算速度提高了,但是降低了SIFT方法的优越性。

基于SIFT的目标跟踪算法研究

基于SIFT的目标跟踪算法研究

视 频运动 目标 检测与跟踪技 术在 军事 、交通 、 Tq 以及 生物 医学等领域具有广泛 的应用前景 ,是 k 计算机视觉 、图像 处理和模式识别领域 里非常活跃
的课题 … 。
法进行 了 究 ,韩 幽 S gn f o a g大 学刈 基’ 熵训算
的动态 标检测算法进行 了研 究。2 0 年 ,美 困L 05 } J 火佛 罗里达 大 学计 算机 视 觉实 验 室开 发 { 了基 丁 “ MA L B的 C C A系统 ,用 于尤人 机低 空航拍视 TA O O 频 图像 的 目标 检测与跟踪 处理 。利用 了 H rs ar 角点 i

要 :图 像特 征提 取和 描述 是 目标 跟踪 的一项 关键 技术 。 已经提 n的许 多特 征提 墩 算 精J 定性 够 ,尤 』对 1 豆稳
图像 的变换 不 具有 很强 的 鲁棒 性 ,SF IT算 法 是 只前 最具 棒性 的算 法 将 SF 征 提取 竹法J 1 I IT ] 川 至
e r ci e o s h ve b e r po e xta t ng m t d a e n p o s d, p e ii n a d tblz to %e c vey Iw e e pe al n i a s ta s h r c o n sa iiain v r r o r, s cil whe m ge i n - s y r
第3 卷 第3 3 期
2 1 年9 00 月
一 =一
长春 工人 q 学撤 ( - . 闩然 科学 版 )
J u a f a g h nUnv r i fS in ea dTe h o o y( t r l oe c d t n o r l n c u i e st o oe  ̄ n Q n lg Nau a S i eE i o ) n o Ch y n i

一种基于SIFT的改进特征点匹配算法

一种基于SIFT的改进特征点匹配算法

一种基于SIFT 的改进特征点匹配算法摘要本文提出一种改进的特征点匹配算法基于尺度不变特征变换(SIFT)算法,主要解决了SIFT 算法的准确性和速度问题。

改进算法通过改进SIFT 中的特征点匹配,提高了算法匹配准确性,同时采用了基于KD 树和多通道颜色直方图的快速匹配算法,加速了匹配速度。

实验结果表明,该算法在准确性和速度方面都优于传统的SIFT 算法。

关键词:SIFT;特征点匹配;KD 树;多通道颜色直方图引言近年来,计算机视觉技术的研究受到了广泛关注,其中尺度不变特征变换(SIFT)是一种被广泛采用的特征点提取算法。

SIFT 算法具有尺度不变性、旋转不变性和光照不变性等特点,是一种非常有效的特征点提取算法,被广泛应用于计算机视觉领域中的物体识别、图像配准、三维重建等多个领域。

然而,尽管SIFT 算法被广泛采用,但是其在特征点匹配时存在一些问题,例如准确性和匹配速度等问题。

传统的SIFT 算法采用暴力匹配的方式进行特征点匹配,虽然匹配精度较高,但是匹配速度较慢,尤其是对于大规模图像数据集,运算时间呈指数级别增长,导致运算效率较低。

因此,改进SIFT 算法的特征点匹配算法是一项非常必要的任务。

本文提出了一种基于KD 树和多通道颜色直方图的改进特征点匹配算法,旨在提高SIFT 算法的特征点匹配精度和匹配速度。

本文通过实验对SIFT 算法和改进算法进行比较分析,并验证了改进算法的优越性。

基于SIFT 的特征点匹配SIFT 算法是一种基于尺度空间图像的特征点提取算法,旨在提取图像局部特征并对其进行描述。

SIFT 算法主要分为四个步骤:尺度空间极值检测、关键点精确定位、方向赋值以及特征点描述。

在这个过程中,主要通过DOG(差分高斯)算子来构造尺度空间,通过寻找局部最大值来检测图像中的特征点。

接着,使用DoG 空间的极值点,对每个极值点进行精准定位和方向赋值。

尽管SIFT 算法已经被证明是一种非常有效的特征点提取算法,但是它的特征点匹配存在一定的难点。

sift的基本原理和应用场景

sift的基本原理和应用场景

SIFT的基本原理和应用场景概述Scale-Invariant Feature Transform(SIFT)是一种用于图像处理和计算机视觉的特征提取算法。

它在计算机视觉和图像处理领域具有广泛的应用,特别是在目标识别和图像匹配方面。

本文将介绍SIFT算法的基本原理和常见的应用场景。

SIFT算法的基本原理1.尺度空间极值点检测–利用高斯滤波器在不同尺度下对图像进行平滑处理,得到一系列的高斯金字塔–对每个尺度的高斯金字塔图像进行差分操作,得到尺度空间的差分金字塔–在尺度空间的差分金字塔中,寻找局部最小和最大极值点,作为关键点的候选2.关键点定位–对候选关键点进行精确定位,通过在尺度空间的差分金字塔中进行拟合,得到关键点的精确位置和尺度–剔除低对比度和边缘响应不明显的关键点3.方向分配–在关键点周围的邻域内,计算梯度方向直方图,选择主方向作为关键点的方向–对关键点周围的邻域进行旋转,使得关键点具有旋转不变性4.特征描述–在关键点周围的邻域内,根据关键点的方向,在尺度空间的差分金字塔中计算局部特征向量–对局部特征向量进行归一化和主方向的旋转,得到最终的特征描述子SIFT的应用场景1.物体识别和目标跟踪–SIFT可以提取物体的唯一特征,用于物体识别和目标跟踪。

通过在目标图像和模板图像中提取SIFT特征,并进行特征匹配,可以实现物体识别和目标跟踪的功能。

2.图像拼接–SIFT可以识别图像中的特征点,并进行特征匹配。

利用SIFT 提取的特征点,在多幅图像中进行特征点匹配,可以实现图像拼接的功能,将多幅图像拼接成一幅全景图。

3.图像检索–SIFT提取的特征具有不变性和唯一性,可以用于图像检索。

通过在图像数据库中提取SIFT特征,将查询图像的特征与数据库中的特征进行匹配,可以实现图像检索的功能。

4.图像配准–SIFT可以进行图像配准,将不同视角或尺度的图像对齐。

通过提取图像中的SIFT特征,并进行特征匹配,可以实现图像的配准和对齐,用于医学图像配准、遥感图像的配准等领域。

SIFT算法原理SIFT算法详细介绍

SIFT算法原理SIFT算法详细介绍

SIFT算法原理SIFT算法详细介绍SIFT(Scale-Invariant Feature Transform)算法是一种用于图像特征提取和匹配的算法,被广泛应用于计算机视觉领域。

SIFT算法的核心思想是在不同尺度空间中检测和描述图像的局部特征,通过这些特征可实现图像的匹配、识别和定位。

1.尺度空间极值点检测:首先,SIFT算法通过高斯平滑滤波器构建高斯金字塔,每一层都是由上一层进行降采样得到的。

在不同尺度空间的图像上,通过比较每个像素点与其相邻像素点的灰度值,找出尺度空间极值点,作为关键点候选。

2.关键点定位:通过对尺度空间的极值点进行精确定位,以获取更加准确的关键点。

在关键点候选集合中,利用尺度空间的极值点与梯度方向直方图等局部特征进行过滤,剔除低对比度和边缘响应的关键点。

3.方向分配:为了使SIFT算法具有旋转不变性,需要为每个关键点分配主方向。

采用梯度直方图对关键点周围的图像区域进行统计,找到梯度方向直方图的峰值,作为该关键点的主方向。

4.关键点描述:在每个关键点周围的图像区域内,构建128维的特征向量,用于描述该关键点的局部特征。

通过计算每个像素点周围的梯度幅值和方向,并将其转换为特征向量的模式,构成关键点的描述符。

5.特征匹配:对于待匹配的图像,通过计算两个图像的特征向量之间的欧氏距离,进行特征匹配。

采用距离比值方法,选取最匹配和次匹配之间的距离比值小于预先设定的阈值的特征点,进行最终匹配。

6.特征筛选:通过应用RANSAC(随机抽样一致性)算法,对匹配结果进行筛选,剔除外点,保留内点,从而得到更准确的匹配结果。

SIFT算法的应用非常广泛,常用于目标识别、图像拼接、图像检索、三维重建和运动估计等领域。

在目标识别中,通过提取图像的SIFT特征,并与模板图像进行匹配,可以实现目标的识别和定位。

在图像拼接中,通过寻找多幅图像之间的共同特征点,并根据特征点的位置关系进行配准,可以实现图像的自动拼接。

基于SIFT流红外弱小目标的检测和跟踪

基于SIFT流红外弱小目标的检测和跟踪

基于SIFT流红外弱小目标的检测和跟踪
牛志彬;周越
【期刊名称】《微型电脑应用》
【年(卷),期】2010(26)1
【摘要】相邻帧图像的流场表现了有关目标物体和背景的运动特性.该文通过使用稠密SIFT局部特征描述子描述相邻帧图像像素,并以流的角度来处理,获得包含目标和背景的混合流场.由于红外弱小目标与其邻域背景具有明显的运动特性差异,而这必然会表现在求得的小目标和背景的混合流场中.根据该流场的平台-阶梯特性采用特定算法分割得到弱小目标的具体位置.实验表明,SIFT流方法克服了经典的使用光流实现弱小目标检测和跟踪的缺点,鲁棒性强,不失为一种新的处理红外弱小目标的思路.
【总页数】5页(P37-39,42,61)
【作者】牛志彬;周越
【作者单位】上海交通大学,上海,200240;上海交通大学,上海,200240
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于Kalman滤波的红外弱小目标检测前跟踪算法 [J], 王继平;孙华燕;章喜
2.基于FPGA+DSP的红外弱小目标检测与跟踪系统设计 [J], 李飞飞;刘伟宁;孙海江
3.基于显著图的红外弱小目标动态规划检测前跟踪算法 [J], 詹令明; 李翠芸; 姬红兵
4.一种适用于多场景的红外弱小目标检测跟踪算法 [J], 施天俊; 鲍广震; 王福海; 兰超飞; 巩晋南
5.一种对空红外弱小目标检测跟踪方法研究 [J], 王曙光; 石胜斌; 胡春生
因版权原因,仅展示原文概要,查看原文内容请购买。

基于SIFT特征点的目标跟踪算法

基于SIFT特征点的目标跟踪算法

Visual Object Tracking Algorithm Based on SIFT
Features
作者: 涂虬
作者机构: 上饶师范学院,江西上饶334001
出版物刊名: 上饶师范学院学报
页码: 36-41页
年卷期: 2011年 第3期
主题词: 目标跟踪 SIFT特征点 背景建模
摘要:提出一种结合背景建模方法和基于SIFT特征点匹配方法的目标跟踪算法,该算法首先使用背景建模方法获得目标区域,然后对目标区域进行SIFT特征点提取,再利用特征点匹配方法实现视频目标跟踪,为了减小误配点,采用RANSAC方法来消除误配点。

最后对算法进行了实验,实验结果表明,该算法可有效跟踪运动目标。

基于目标特征提取的改进型压缩跟踪算法

基于目标特征提取的改进型压缩跟踪算法

基于目标特征提取的改进型压缩跟踪算法庄哲民;龚家铭;谢光成;袁野【摘要】本文在传统的尺度不变特征子(Scale Invariant Feature Transform,SIFT)算法的基础上,提出了一种新的基于改进的SIFT压缩感知跟踪算法.该方法一方面通过改进压缩跟踪算法中分类器的更新策略来提高算法的实时性;另一方面,通过改进SIFT向量邻域的选取方法来实现降低向量维度,从而减少计算复杂度.仿真实验表明,该方法不仅可以提高跟踪目标的实时性,而且能够在发生目标尺度变化、遮挡、漂移的情况下对运动目标进行准确跟踪.%An improved SIFT target tracking algorithm based on compressed sensing is proposed in this paper.The real-time performanceis improved by improving updating strategy of the classifier in the compressive theory.On the other hand,The vector neighborhood of SIFT has been improved to decrease the vector dimension and the complexity of calculation.Simulations and experiments show that this method not only can improve the real-time performance of tracking target,but also can carry on the tracking of moving target accurately in the event of a target scale variation,occlusion shelter,drifting.【期刊名称】《测试技术学报》【年(卷),期】2017(031)002【总页数】7页(P93-99)【关键词】运动目标跟踪;特征提取;SIFT;压缩感知【作者】庄哲民;龚家铭;谢光成;袁野【作者单位】汕头大学电子工程系,广东汕头515063;汕头大学电子工程系,广东汕头515063;汕头大学电子工程系,广东汕头515063;汕头大学电子工程系,广东汕头515063【正文语种】中文【中图分类】TN911.73在视频图像处理技术日益成熟以及相关应用领域日益广泛的背景下,视频跟踪技术已成为当前研究与关注的热点[1]. 由于视频内容的复杂性、多变性以及场景的变化,实时跟踪某个运动的对象具有一定的难度,特别是当对象发生形变以及对象被严重遮挡时,实时跟踪将变得更为困难. 目前常用的视频跟踪方法主要有均值偏移算法[2]、卡尔曼滤波、粒子滤波、基于模板匹配[3]以及尺度不变性特征子(Scale Invariant Feature Transform, SIFT)算法[4]等.SIFT作为图像的一个局部特征算子,最早是David Lowe在1999年提出的. 由于SIFT算法具备对图像变换较强的适应能力,在图像匹配以及重建中都有着很好的应用,但因为SIFT算法的复杂性,导致匹配过程中花费的时间较长. 因此,本文提出了SIFT的改进算法,其核心一方面是在进行特征提取过程中改进SIFT的处理邻域,精简生成的SIFT算子的维度,从而减轻计算的复杂度;另一方面将压缩感知技术[5]用于视频数据的压缩,并改进压缩感知中分类器学习因子的更新策略,从而提高了整个算法的实时性.仿真实验结果表明,在处理运动目标发生尺度变化、旋转、遮挡等的情况下,基于目标特征提取的改进型压缩跟踪算法能够准确并且高效率地追踪运动目标,而且能够自适应应对光照改变引起的问题.1.1 改进的SIFT视频跟踪算法标准SIFT算法利用目标的尺度不变性的特征,整合相应的特征点来锁定目标并加以跟踪. 针对SIFT算子维度过高的缺点,本文提出从特征算子的生成邻域入手,对SIFT算子进行改进. 为了保证生成的描述算子具有旋转不变性,该邻域是以SIFT特征点为圆心,以8个像素单位为半径绘制的圆形邻域D. 我们将整个圆形领域划分为4个部分,半径为2个像素单位的内圆D1以及环宽为2个像素单位的3个圆环D2, D3, D4,圆形邻域D的数学表达如式(1)所示改进后的SIFT圆形邻域D如图 1(a) 所示.图1(a)表示的是一个16×16像素单位的局部圆形邻域图,其中不同的区域代表不同的子区域Di(其中i=1, 2, 3, 4),图中每一个小方格代表一个像素.传统SIFT算子首先记录0°,45°,90°,135°,180°,225°,270°,315°这8个方向的子向量,通过整合2×2的像素子单元生成一个8维向量,最后生成一个高达128维的向量. 而在本文中,指定圆形邻域D对应4个部分,其中每个部分Di分别由10个子向量构成,这些子向量的方向分别是0°,36°,72°,108°,144°,180°,216°,252°,288°,324°. 因此,圆形邻域任意一部分Di的构成可由式(2)表示式中:向量组(di1,di2,...,di10)是由改进后SIFT邻域所生成的10个子向量构成,由于整个圆形邻域D生成的SIFT算子向量维度仅为40维,大大地降低了计算复杂度.我们以整个圆形邻域中的D1部分作为示例,在图1(b)中的向量d11~d110就是构成向量D1的10个子向量,显然向量D1的维度为10维,而D2, D3, D4 3个向量的生成步骤与D1一致,改进后的SIFT算子通过将圆形邻域的4个部分整合在一起后,最终算子的维度为40维.之所以选定圆形邻域,是由于其对旋转不敏感,从而减少一些特殊状况对跟踪结果的影响. 为了能够进一步处理复杂场景中目标发生较大尺度的旋转的问题,则需要在邻域的每个部分Di中寻找幅值最大的那个子向量dij(i=1,2,3,4;j=1,2, ..., 10),并将dij以及之后的所有子向量同时进行相应的左移. 假设在D1找到其中最大的子向量,假设该子向量就是d11, 那么D1则不需要进行左移,因为该向量集的第一个子向量即为本向量集中幅值最大的一个. 否则就需要把幅值最大的这个子向量以及其后的所有向量提前,相应地,在该幅值最大的子向量之前的所有子向量右移到后部分. 也就是说假设D1中最大的子向量是d14, 那么前面3个向量则右移到最后,其他子向量全部一致性地左移. 最后结果如式(3)所示在传统SIFT算法中,只将特征点(极值点)梯度的相角作为旋转角度,而不是把邻域内其他点的相角作为旋转角度,故在本文中,只将子向量集中第一个子向量作为左移的参考来处理发生旋转的状况.实际的跟踪过程中很容易发生光照的骤变或者渐变,为了减轻相应的影响,故在生成完整的特征算子之前对其进行归一化处理在处理非线性光照的情况时,根据实验经验设置临界值为0.2,当向量中某子向量的幅值超过了临界值,则重置为0.2,相应地再重新进行归一化处理使得每个子向量符合要求.可见对SIFT算子的生成邻域进行改进后,优化后的SIFT算子不仅能够保留传统算子的优秀性能,而且大大降低了算子的维度,从而降低了算法的计算复杂度,为了进一步提高整个算法的实时性,将引入压缩感知理论,将视频目标跟踪结果进行优化.1.2 基于特征提取的压缩跟踪算法的实现压缩感知理论在视频跟踪的应用当中最大的优点即为减少计算复杂度,本文将压缩感知理论与特征提取算法相结合,一方面利用压缩感知使算法降低计算量,另一方面利用特征提取来优化跟踪效果. 同时针对传统的压缩跟踪算法和特征提取算子存在的缺点,分别对SIFT算子以及压缩跟踪算法中分类器的更新参数进行优化,提高跟踪算法的实时性以获取更好的跟踪结果.基于压缩感知理论,可以利用满足RIP条件的测量矩阵R=R n×m,将数据从较高维度的信号x∈R m 投影到较低维度的信号v∈R n,如式(5)所示式中: n≪m,在理想情况下,稀疏矩阵R能够保留下每个点对的初始距离,并且满足Johnson-Lindenstrauss定律,测量矩阵由式(6)的规则生成在此设置s=m/4,通常情况下s=2或3,可以获取一个非常稀疏的随机矩阵. 之后利用测量矩阵就可获取一个低维的特征集v(v1,v2,v3,…,vn), n≪m, 同时为了能够更高效地进行建模,采用贝叶斯分类器对候选者进行分类跟踪,分类器生成方式如下[6-8]式中:p(·)表征的是测量值y=1或者y=0时的概率值或是基于不同的y的测量值时的条件概率.当运动目标发生漂移时,由于压缩跟踪算法无法控制不断累计的误差,最终很容易导致失败,为了能够满足实时性要求,并且控制在跟踪过程中累加的误差,我们引入学习率来权衡分类器中高斯参数的比重[9]式中: d 和 b 分别表示采样特征集的前一帧与新的采样值的参数(均值μ以及协方差σ)的差值,学习率λ就是影响分类器函数内高斯参数权重的因子[10,11]. 由于分类器的参数分为两个部分,一部分是前一帧中目标特征的模版参数,另一部分是当前帧中搜寻位置处新的模版参数. 当相邻两帧中运动物体运动量较小时,那么由于新的模版参数改变量很少,则将学习率设置得大一点,使得分类器参数基本维持上一帧时的状态;如果相邻两帧中的运动目标发生了剧烈运动,则需要将λ设置得小一点,毕竟最新的跟踪结果更加依赖于新的一帧中的信息. 综合来说,学习率λ间接反应了运动目标的实时状况.为了使学习率λ反映运动目标的实时状况,需要一个能够自适应调整的学习率来权衡相邻帧的变动情况,从而控制分类器的效果. 为了更好地表征相邻帧图片的“距离”,首先计算出每幅图片中我们感兴趣的追踪区域的归一化直方图,并利用巴氏系数来度量两帧图片的“距离”,如式(10)所示式中: pi为前一帧图像追踪区域直方图的离散分布概率,而qi表征当前帧所追踪区域最可能的预测目标区域直方图的离散分布概率. 距离ρ就是前后两帧图像之间差异的度量,根据设定好的阈值来确定是否对分类器相应参数进行更新,判定规则如式(11)所示新的学习率可定义为学习率λ′的取值范围是(0,1),它与两帧距离ρ 成反比,在实际的跟踪过程中,首帧与末帧图像变化不大时,学习率λ′的取值会较小;相应的,若是首帧与末帧中运动目标的位置情况相差甚大,则λ′会被调整变大. 因此,自适应的学习率能够有效地控制误差的累积,当发生漂移和旋转的情况时,能较好地避免跟踪失败,采用自适应的学习率不仅没有给整个解决方案增加很多的计算量,且能改善复杂场景下的运动目标跟踪效率.改进的SIFT特征集是从前一帧的目标区域采样获得,然后从初始特征点里面随机选择固定数量的特征点作为初始特征点库,其中随机选取的特征点数量f事先会设置好. 本文的式(13)~式(15)为各个特征库内是互不影响的特征点,分别以u, v, w进行表示,其中第一级特征点库Sf表示为提取当前帧的特征点集,与前一帧所提取获得特征点库Sf进行匹配,匹配之后的特征点集则可表示为显而易见,匹配的数量m一定不会超过f.RANSC(Random Sample Concensus) 优化算法则用来将现有匹配之后的特征点进行优化,除去错误匹配的特征点,然后获得更准确的特征点集Sp,如式(15)所示此外,还可以利用已经获取的特征点集求取变换矩阵中的未知数,然后用来求解前一帧与当前帧目标尺寸的缩放比例和角度. 选取已经净化获得的特征点集,并在当前帧中随机选择若干数量的特征点,最终构成固定数量f的新的特征点库. 将上述步骤从初始帧到最后一帧,往复地在相邻两帧中施行,就可以求得目标尺寸的缩放比例,算法就可以自适应地调整追踪窗口的大小,减小跟踪误差.针对发生遮挡、光照以及旋转的场景中的目标跟踪,我们分别从公共目标跟踪视频库中选取face片段与coke片段,并在i7-4710MQ, 8G主机上进行调试,获取如图 2 的跟踪结果,其中a矩形框为原始压缩跟踪算法的跟踪结果, b矩形框则是基于特征提取改进型压缩感知跟踪算法的追踪结果. 从整个跟踪过程当中随机抽取6帧出来进行对比,可见人脸在从未遮挡到遮住部分再到完整再现整个过程中两种方法的跟踪结果.如图 2 所示,第1帧为初始化跟踪目标,在发生遮挡以前, a框与b框的效果基本一致,然后从第22帧开始有书籍分别从各种角度遮挡住人脸,在第27帧、第92帧、第157帧时a框都不能像b那样稳定地追踪运动目标,而且在最后目标重新暴露在视频中的时候, a框也无法恢复跟踪. 我们可以看出b框不论在哪种遮挡的情况下都能稳定地追踪到目标,而采用原始压缩跟踪算法的a框跟踪效果并不理想. 其原因一是在改进型的压缩跟踪算法的分类器参数λ是实时更新的,而在传统算法中该学习率的值是设置为固定的0.85;二是改进型的算法融合了优化的特征提取算法SIFT来强化跟踪效果,能在复杂的场景下跟踪目标.在第二个场景中,视频流中会出现光照、遮挡和旋转这几种常见的问题,同样采用传统的压缩跟踪算法与改进型压缩跟踪算法分别进行实验,随机选取其中的6帧进行对比,其中b框代表的是采用基于特征提取的改进型压缩跟踪算法的实验结果, a框代表的是传统压缩跟踪算法的跟踪结果,具体见图 3.如图 3 所示,同样第一帧为初始化选定跟踪目标,当人拿着罐头在灯泡以及植被附近运动且罐头仅仅自身旋转时,我们可以看到在第16帧附近时两种算法的跟踪效果基本一致;但在第34帧时,当罐头在移至离灯泡较远处并被植被的叶子所遮挡的时候,a框已经部分脱离了要跟踪的物体;第102帧时罐头自身发生旋转,此时的a框依然脱离了想要跟踪的目标;再到第274帧时, a框完全脱离目标,无法再跟上运动目标的节奏,然后b框却从始至终稳定地将目标跟踪在框内.可见由于物体的运动不可预测,跟踪过程中的分类器参数如果只单凭借经验设置固定值而不随物体实际运动实时更新的话,则跟踪效果总是不能如意;再则就是在复杂场景中,对运动目标进行高效率的特征提取,那样才能保证在发生了光照变化、遮挡、目标旋转等情况下仍然能稳定追踪到前景目标.为了数值化测量本方法的计算复杂度,显示其优越性,故将改进型压缩感知跟踪算法与传统压缩跟踪算法(CT)分别在同一PC机上重复进行调试运行20遍,取各个过程的均值记录如表 1 所示.本文算法除了具有较高的实时性的优点之外,经过改进后的SIFT算子与压缩感知理论融合后的算法还能够在跟踪的准确度上有较高的优越性. 中心位置错误率是用来定量评估追踪矩形的中心和实际目标中心的欧几里德距离. 为了提高该数据的准确性,在软-硬件平台分别进行仿真本文的算法、传统的CT算法、 TLD算法以及OAB(Online AdaBoost)算法20遍,分别取中心位置错误率的平均值进行对比.通过观察表 2 中的数据,相比于其他算法,本文算法在两个视频流中的跟踪具有较强的鲁棒性.本文在传统SIFT 算法的基础上,通过将改进的SIFT算法与压缩感知理论进行融合,获得基于改进SIFT特征提取的压缩跟踪算法. 该算法一方面利用SIFT算子对目标进行实时检测跟踪的优秀性能,并且克服了原算子高维度的缺点;另一方面将压缩感知理论引入到视频跟踪算法中来,进一步优化跟踪结果,提高实时性能,从而在复杂的环境下,能够鲁棒地跟踪运动目标.【相关文献】[1] Kalal Z, Mikolajczyk K, Matas J. Tracking-learning-detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(7): 1409-1422.[2] David G. Lowe. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91-110.[3] Grabner H, Leistner C, Bischof H. Semi-supervised on-line boosting for robust tracking[C]. European Conference on Computer Vision, Marseille, France, October 12-18, 2008: 234-247.[4] 李新德,刘苗苗,徐叶帆. 一种基于2D和3D SIFT特征级融合的一般物体识别算法[J]. 电子学报, 2015, 43(11): 2277-2283. Li Xinde, Liu Miaomiao, Xu Yefan. A recognition algorithm of generic objects based on feature-level fusion of 2D and 3D SIFT descriptors[J]. Acta Electronica Sinica, 2015, 43(11): 2277-2283. (in Chinese)[5] 石光明,刘丹华,高大化,等. 压缩感知理论及其研究进展[J]. 电子学报, 2009, 37(5):1070-1081. Shi Guangming, Liu Danhua, Gao Dahua, et al. Advances in theory and application of compressed sensing[J]. Acta Electronica Sinica, 2009, 37(5): 1070-1081. (in Chinese)[6] 谢昕,徐殷,熊焕东,等. 基于压缩感知的SIFT图像匹配算法的研究[J]. 华东交通大学学报,2015, 32(6): 115-121. Xie Xin, Xu Yin, Xiong Huandong, et al. Research on SIFT image matching algorithm based on compressed sensing[J]. Journal of East China Jiaotong University, 2015, 32(6): 115-121. (in Chinese)[7] Babu R, Patrick P, fez, et al. Robust tracking with motion estimation and local Kernel-based color modeling[J]. Image Vision Computing, 2007, 25(8): 1205-1216.[8] Kim T K, Woodley T, Stenger B, et al. Online multiple classifier boosting for object tracking[C]. Computer Vision and Pattern Recognition Workshops (CVPRW), IEEE Xplore, 2010: 1-6.[9] Matthews I, Ishikawa T, Baker S. The template update problem[J]. IEEE transactions on pattern analysis and machine intelligence, 2004, 26( 6): 810-815.[10] Javed O, Ali S, Shah M. Online detection and classification of moving objects using progressively improving detectors[C]. Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on, 2005: 696-701.[11] Williams O, Blake A, Cipolla R. Sparse bayesian learning for efficient visual tracking[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2005, 27( 8): 1292-1304.。

基于SIFT的目标跟踪算法研究

基于SIFT的目标跟踪算法研究

基于SIFT的目标跟踪算法研究
宋华军;李泉
【期刊名称】《长春理工大学学报(自然科学版)》
【年(卷),期】2010(033)003
【摘要】图像特征提取和描述是目标跟踪的一项关键技术.已经提出的许多特征提取算法精度稳定性不够,尤其对图像的变换不具有很强的鲁棒性,SIFT算法是目前最具鲁棒性的算法.将SIFT特征提取算法应用到目标跟踪系统中,使用重心算法计算匹配的特征点的重心作为目标的脱靶量,既加快了算法的精度也提高运算的速度.实验证明,算法对目标的旋转、遮挡、亮度变化具有很强的鲁棒性,并且跟踪速度满足实时性的要求.
【总页数】4页(P123-126)
【作者】宋华军;李泉
【作者单位】中国石油大学(华东)信息与控制工程学院,东营,257061;中国石油大学(华东)信息与控制工程学院,东营,257061
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于Camshift和SIFT线性融合的目标跟踪算法研究 [J], 叶家林;宋建新
2.基于SIFT特征的复杂环境下目标跟踪算法研究 [J], 王丽芳;汪鑫;郑雪娜
3.基于KCF和SIFT特征的抗遮挡目标跟踪算法 [J], 包晓安;詹秀娟;王强;胡玲玲;
桂江生
4.基于SIFT特征目标跟踪算法研究 [J], 蔺海峰;马宇峰;宋涛
5.基于声呐图像序列SIFT特征的多目标跟踪方法研究 [J], 张丽红;周天;徐超;韩婷婷
因版权原因,仅展示原文概要,查看原文内容请购买。

基于有限线积分变换的序列图像运动目标检测

基于有限线积分变换的序列图像运动目标检测

Moving target detection based on finite line
integral transformation in image sequence
作者: 宋芳琴
作者机构: 绍兴职业技术学院信息工程学院,浙江绍兴312000
出版物刊名: 浙江科技学院学报
页码: 30-34页
年卷期: 2014年 第1期
主题词: 运动目标检测;有限线积分变换;背景差法;灰度图像
摘要:运动目标检测主要是从序列图像中将变化区域从背景中分割出来,它影响着运动目标能否正确地分类和跟踪。

因此,运动目标检测是智能视频监控技术中的关键问题之一。

有限线积分变换(finitelineintegraltransform,FLIT)作为近年来一种多尺度几何分析的新方法,能有效提取图像中的线性特征。

检测方法是在FLIT的基础上再结合背景差法来实现的。

具体而言,先对图像序列中的每帧网像(包括参考帧)作固定模板下的FLIT,再用当前帧的FLIT减去参考帧的FLIT,然后对不同方向提取的运动目标信息进行综合,最后采用数学形态学的相关处理来消除噪声。

实验结果表明,使用该方法可以承受整体的或局部的、缓慢的或突变的光线变化,能有效地检测出运动目标。

在线学习机制下几何模糊特征目标检测及跟踪

在线学习机制下几何模糊特征目标检测及跟踪

在线学习机制下几何模糊特征目标检测及跟踪陈莹;沈宋衍【摘要】针对目标跟踪中目标框发生偏移、消失等问题,于在线学习机制下提出一种基于几何模糊的跟踪检测学习的目标跟踪方法。

以跟踪-检测-学习为框架,利用Lucas-Kanade算法,获得目标的初步跟踪结果。

运用几何模糊的匹配思想代替传统检测手法,有效校正跟踪偏移,避免误差累计。

整合器比较跟踪、检测结果与上一帧结果的相似度,通过计算正负样本与检测子区域的归一化相关系数比求得置信度,得到目标的精准定位。

其结果通过学习器进行在线学习,从而进行下一帧的跟踪。

实验结果表明,将该检测思想应用于快速移动目标跟踪时,在背景相似度较高的条件下,表现出了良好的性能,与其他新的方法比较也有较高的定位精度。

%To solve the problem of tracking drifts or fail, a robust objects tracking algorithm based on geometric blur is proposed within the framework of online learning. Under the tracking-detection-learning mechanism, Lucas-Kanade algorithm is used to obtain the rough tracking estimation of the target. Based on the idea of geometric blur matching instead of traditional detection methods, the tracking drift is efficiently corrected. Then integrator is designed to compare the similarities between the previous frame and the results of the tracker and the detector. Their confidences are obtained by calculating normalized correlative coefficients between positive and negative samples and the detected region. An online learning is then developed to use the current result to update the tracker and the detector. Experimental results show that when applied to the fact moving target tracking under the condition of high background similarity,the proposed method performs well and outperforms other state-of-the-art methods with higher position accuracy.【期刊名称】《光电工程》【年(卷),期】2016(000)002【总页数】7页(P1-7)【关键词】目标跟踪;几何模糊;跟踪-学习-检测;在线学习【作者】陈莹;沈宋衍【作者单位】江南大学轻工过程先进控制教育部重点实验室,江苏无锡 214122;江南大学轻工过程先进控制教育部重点实验室,江苏无锡 214122【正文语种】中文【中图分类】TP391视频目标跟踪是计算机视觉的一个重要研究方向,在视频监控、机器人等领域具有广泛的应用前景[1],因此广受研究者的关注,出现许多积极的研究成果。

一种改进SIFT算法的单目视觉里程计

一种改进SIFT算法的单目视觉里程计

一种改进SIFT算法的单目视觉里程计
赵黎明;陈宁
【期刊名称】《集美大学学报(自然科学版)》
【年(卷),期】2015(020)003
【摘要】针对如何准确获取位姿信息来实现移动机器人的避障问题,提出一种改进SIFT特征点匹配的单目车载视觉里程计算法.首先,为了提高特征点匹配的正确率和实时性,结合主成分分析法和平面极线几何约束,改进了传统SIFI匹配算法,其次,建立合理的移动机器人运动数学模型,得到连续帧间图像信息和移动机器人运动位姿变化的转换关系.试验结果表明,误差仅为1.6%,算法运行时间缩短0.022 s.
【总页数】7页(P218-224)
【作者】赵黎明;陈宁
【作者单位】集美大学机械与能源工程学院,福建厦门361021;集美大学机械与能源工程学院,福建厦门361021
【正文语种】中文
【中图分类】TP24
【相关文献】
1.一种基于SIFT算法的单目视觉里程计设计 [J], 代云祥;陈星晖;李迅
2.融合光流与改进ORB算法的单目视觉里程计 [J], 唐浩; 王红旗; 茹淑慧
3.一种基于SIFT算法的单目视觉里程计设计 [J], 代云祥;陈星晖;李迅
4.基于改进ORB算法的单目视觉里程计研究 [J], 陆文超;杨慧斌;闫娟;亢程博
5.基于改进Census变换的单目视觉里程计 [J], 蔺志伟;李奇敏;汪显宇
因版权原因,仅展示原文概要,查看原文内容请购买。

一种改进SIFT算法

一种改进SIFT算法

一种改进SIFT算法
师艳伟;杨晶东;杨敬辉
【期刊名称】《江南大学学报(自然科学版)》
【年(卷),期】2014(013)004
【摘要】针对图像特征提取算法-SIFT,特征描述器维数较高,特征匹配耗费时间较长,匹配过程中存在相同图像不能匹配和不同图像能够匹配等问题,提出了一种改进SIFT算法与KD-tree搜索匹配算法相结合的新方法.采用KD-Tree算法替代传统链表式搜索方法降低特征点匹配时间;把特征点间距离和特征描述子内积同时作为匹配标准,加入相应匹配阈值减少匹配错误率,并通过理论和实验证明采用欧几里德距离作为相似性度量具有更高的匹配成功率.实验结果表明,在图像特征匹配中,该算法能够有效减少特征匹配错误率,大幅度降低匹配时间,具有较好的实时性和鲁棒性.【总页数】8页(P403-410)
【作者】师艳伟;杨晶东;杨敬辉
【作者单位】上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093;上海第二工业大学经济与管理学院,上海201209
【正文语种】中文
【中图分类】TP393
【相关文献】
1.一种基于改进SIFT算法的轨道板图像匹配方法 [J], 张护望;林浒;王诗宇;郑廖默;冯斌
2.一种适用于SAR图像配准的改进SIFT算法 [J], 迟英朋;刘畅
3.一种适用于SAR图像配准的改进SIFT算法 [J], 迟英朋;刘畅;;;
4.一种自适应分数阶微分的改进SIFT算法 [J], 周虹
5.一种面向图像拼接的改进PCA-SIFT算法 [J], 杨炳坤;程树英;郑茜颖
因版权原因,仅展示原文概要,查看原文内容请购买。

基于SIFT特征视觉词汇算法的局部遮挡目标识别

基于SIFT特征视觉词汇算法的局部遮挡目标识别

基于SIFT特征视觉词汇算法的局部遮挡目标识别闫钧华;姜惠华;孙思佳;艾淑芳;李大雷【摘要】To solve the problem of object recognition with partial occlusion, we use SIFT (Scale Invariant Feature Transform) feature vectors of the object image as the visual words, apply visual vocabulary algorithm, and propose an object recognition algorithm based on SIFT feature visual vocabulary algorithm. Experiments have been done based on a full-range gesture model library of transports for object recognition without occlusion and a full-range gesture model library of transports with partial occlusion for object recognition with partial occlusion. Experimental results show that the average recognition rate of object without occlusion can reach 83%or more, with good recognition performance;for object with partial occlusion, the average recognition rate can be maintained at about 80%, with only a small reduction. Experimental results show the algorithm has excellent performance for object recognition with partial occlusion.%针对被局部遮挡目标的识别困难的问题,将目标图像的SIFT(Scale Invariant Feature Transform)特征矢量作为视觉单词,应用视觉词汇算法,提出了基于SIFT特征视觉词汇算法的目标识别算法。

一种基于SIFT的网格仿射拼接算法

一种基于SIFT的网格仿射拼接算法

一种基于SIFT的网格仿射拼接算法王存睿;郭长青;段晓东;张庆灵【期刊名称】《计算机工程与应用》【年(卷),期】2011(47)36【摘要】图像拼接在卫星图像遥感、医学图像处理都具有广泛的应用价值.利用SIFT作为图像局部特征,构建一种基于SIFT特征的仿射计算方法,利用网格覆盖匹配特征点,通过该方法在SIFT匹配特征点中选取仿射点,进而构建相应的仿射变换,通过仿射待选点建立拼接边缘,还给出了不同程度仿射变换的图像拼接方法来解决边缘图像仿射失真的问题.实验结果表明该方法可以克服传统方法的仿射不稳定问题,具有较好的稳定性和准确度.%Image mosaic in the satellite remote image,medical image processing has a wide range of application.This paper presents a modified algorithm based on SIFT feature of image, constructs a way to select points from the matched points to build affine transformation,and then builds a mosaic border based on the selected point.For the distortion of edge image by affine transformation, this paper presents an incomplete affine transformation to resolve thisproblem.Experimental results indi cate that the method can overcome the problem of traditional affine by selecting points randomly to generate the correspond ing formula,and has better stability and accuracy.【总页数】3页(P187-189)【作者】王存睿;郭长青;段晓东;张庆灵【作者单位】东北大学信息科学与工程学院,沈阳110004;大连民族学院非线性信息技术研究所,辽宁大连116600;大连民族学院非线性信息技术研究所,辽宁大连116600;大连民族学院非线性信息技术研究所,辽宁大连116600;东北大学信息科学与工程学院,沈阳110004;东北大学信息科学与工程学院,沈阳110004【正文语种】中文【中图分类】TU391.9【相关文献】1.一种基于SIFT的仿射不变特征提取新方法 [J], 王鹏;王平;沈振康;高颖慧;曲智国2.一种基于SIFT和改进RANSAC的稳健图像拼接算法 [J], 姜小会;陈清奎;何强;栾飞;董志强3.基于分块和仿射不变性的SIFT图像匹配算法 [J], 涂婷;陆济湘4.一种改进的具有仿射不变性的SIFT描述符 [J], 章明珠;廖开阳5.基于SIFT的边缘局部仿射的图像拼接算法 [J], 王楠楠;王存睿;段晓东;焉德军因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
相关文档
最新文档