针对加速稳健特征(Speeded Up Robust Features,SURF)算法在三维重建中匹配准确率低的问题,提出基于SURF算法的改进算法。首先利用SURF算法提取特征点,通过近邻搜索(Best Bin Fast,BBF)算法实现Kd-Tree快速查找最近邻特征点,结合双向唯...针对加速稳健特征(Speeded Up Robust Features,SURF)算法在三维重建中匹配准确率低的问题,提出基于SURF算法的改进算法。首先利用SURF算法提取特征点,通过近邻搜索(Best Bin Fast,BBF)算法实现Kd-Tree快速查找最近邻特征点,结合双向唯一性匹配的方法完成图像匹配,然后在视差约束下,利用视差梯度约束对初始特征匹配对进行预处理,筛选掉一些偏差较大的匹配对,最后采用随机抽样一致(Random Sample Consensus,RANSAC)算法对特征点二次优化和去噪处理。将其他改进算法和提出的改进算法分别进行图像匹配处理比较,分析算法的性能,得到提出的改进算法匹配成功率达96.3%。实验结果证明提出的改进算法简单快速,匹配精度高。展开更多
文摘针对加速稳健特征(Speeded Up Robust Features,SURF)算法在三维重建中匹配准确率低的问题,提出基于SURF算法的改进算法。首先利用SURF算法提取特征点,通过近邻搜索(Best Bin Fast,BBF)算法实现Kd-Tree快速查找最近邻特征点,结合双向唯一性匹配的方法完成图像匹配,然后在视差约束下,利用视差梯度约束对初始特征匹配对进行预处理,筛选掉一些偏差较大的匹配对,最后采用随机抽样一致(Random Sample Consensus,RANSAC)算法对特征点二次优化和去噪处理。将其他改进算法和提出的改进算法分别进行图像匹配处理比较,分析算法的性能,得到提出的改进算法匹配成功率达96.3%。实验结果证明提出的改进算法简单快速,匹配精度高。
