针对目前视频拼接技术中的主要问题,即SURF(Speed Up Robust Features)特征提取算法与FLANN(Fast Library or Approximate Nearest Neighbors)特征匹配算法在综采工作面恶劣环境中存在特征点误提取和特征点匹配正确率低的问题,提出一种...针对目前视频拼接技术中的主要问题,即SURF(Speed Up Robust Features)特征提取算法与FLANN(Fast Library or Approximate Nearest Neighbors)特征匹配算法在综采工作面恶劣环境中存在特征点误提取和特征点匹配正确率低的问题,提出一种改进SURF-FLANN的综采工作面视频拼接特征提取与匹配算法。为了提高特征点提取正确率,该方法通过将传统的高斯滤波换为更为先进的双边滤波提取图像中的SURF关键特征点,同时在特征向量中引入特征点4-领域内的特征点描述符信息,从而改进了描述符算子,进一步提高了特征点的描述能力。为了提升特征点匹配速度,提出了R-FLANN(Random Sample Consensus-Fast Library or Approximate Nearest Neighbors)特征匹配算法,该算法利用RANSAC算法获取特征点的匹配先验信息剔除无匹配、误匹配的特征点,从而提高特征点匹配速度。为了验证改进效果,通过消融试验验证了改进SURF-FLANN的特征提取与匹配算法有效提升综采工作面视频图像特征提取和匹配正确率。通过本文方法与SIFT+FLANN,Hairrs与SURF+FLANN的特征提取与匹配算法进行特征点提取与匹配的对比试验,结果表明本文方法特征提取与匹配平均正确率和平均匹配速度最高,分别达到了81.47%和51.47帧/s。通过运用本文方法与SIFT+FLANN,Hairrs与SURF+FLANN的特征提取与匹配算法进行视频图像拼接对比试验,结果表明本文提出的方法在拼接效果清晰度、对比度、熵、拼接速率指标都最好,得到了最佳效果。展开更多
针对传统SURF算法(speeded up robust features)在拼接高分辨率无人机航拍图像时运行速度慢、特征匹配率低的特点,提出了一种基于IB-SURF(image block-SURF)技术的无人机图像拼接算法。结合无人机定位定姿系统(position and orientation...针对传统SURF算法(speeded up robust features)在拼接高分辨率无人机航拍图像时运行速度慢、特征匹配率低的特点,提出了一种基于IB-SURF(image block-SURF)技术的无人机图像拼接算法。结合无人机定位定姿系统(position and orientation system,POS)求取图像重叠区域;构造掩模在无人机图像重叠区域检测特征点,减少特征提取时间;借助图像分块(image block,IB)的思想对图像划分网格,精简筛选特征点;引入Neighborhood-KNN(neighborhood-K nearest neighbors)进行特征点匹配,提高图像匹配效率。实验结果表明,IB-SURF算法有较快的运行速度和较高的特征匹配率,平均特征匹配率达到84.3%,特征匹配正确率超过95.1%,为图像高质量拼接提供了技术基础。展开更多
Local invariant algorithm applied in downward-looking image registration,usually computes the camera＇s pose relative to visual landmarks.Generally,there are three requirements in the process of image registration whe...Local invariant algorithm applied in downward-looking image registration,usually computes the camera＇s pose relative to visual landmarks.Generally,there are three requirements in the process of image registration when using these approaches.First,the algorithm is apt to be influenced by illumination.Second,algorithm should have less computational complexity.Third,the depth information of images needs to be estimated without other sensors.This paper investigates a famous local invariant feature named speeded up robust feature（SURF）,and proposes a highspeed and robust image registration and localization algorithm based on it.With supports from feature tracking and pose estimation methods,the proposed algorithm can compute camera poses under different conditions of scale,viewpoint and rotation so as to precisely localize object＇s position.At last,the study makes registration experiment by scale invariant feature transform（SIFT）,SURF and the proposed algorithm,and designs a method to evaluate their performances.Furthermore,this study makes object retrieval test on remote sensing video.For there is big deformation on remote sensing frames,the registration algorithm absorbs the Kanade-Lucas-Tomasi（KLT） 3-D coplanar calibration feature tracker methods,which can localize interesting targets precisely and efficiently.The experimental results prove that the proposed method has a higher localization speed and lower localization error rate than traditional visual simultaneous localization and mapping（vSLAM） in a period of time.展开更多
针对基于深度学习的水印方法未充分突显图像的关键特征,以及未有效利用中间卷积层输出特征的问题,为提升含水印图像的视觉质量和抵抗噪声攻击的能力,提出一种融合注意力机制和多尺度特征的图像水印方法。在编码器部分,设计注意力模块关...针对基于深度学习的水印方法未充分突显图像的关键特征,以及未有效利用中间卷积层输出特征的问题,为提升含水印图像的视觉质量和抵抗噪声攻击的能力,提出一种融合注意力机制和多尺度特征的图像水印方法。在编码器部分,设计注意力模块关注重要图像特征,以减小水印嵌入引起的图像失真;在解码器部分,设计多尺度特征提取模块,以捕获不同层次的图像细节。实验结果表明,在COCO数据集上与深度水印模型HiDDeN(Hiding Data with Deep Networks)相比,所提方法生成的含水印图像的峰值信噪比(PSNR)和结构相似度(SSIM)分别增加了11.63%和1.29%;所提方法针对dropout、cropout、crop、高斯模糊和JPEG压缩的水印提取平均误比特率(BER)降低了53.85%;此外,消融实验结果验证了添加注意力模块和多尺度特征提取模块的方法有更好的不可见性和鲁棒性。展开更多
如何构造紧凑而有效的特征描述子是机器视觉和模式识别领域重要的研究课题之一。针对SURF(Speeded Up Robust Features)算法的Haar描述子不能充分利用特征点周围信息的缺陷,该文提出了一种新的局部不变描述子——加窗灰度差直方图(Windo...如何构造紧凑而有效的特征描述子是机器视觉和模式识别领域重要的研究课题之一。针对SURF(Speeded Up Robust Features)算法的Haar描述子不能充分利用特征点周围信息的缺陷,该文提出了一种新的局部不变描述子——加窗灰度差直方图(Windowed Intensity Difference Histogram,WIDH),该描述子基于特征点周围邻域一个较小的核心区域,通过窗口模板的移动充分利用外围作用区域的灰度差信息,构造了一个维度低且辨识力很强,运算简单高效的描述矢量。实验表明,将WIDH用于改进SURF算法的Haar描述子时,可以用更低维的矢量获取与SURF相近或更好的辨识能力。在抗模糊性和抗噪性方面,WIDH明显优于SURF的Haar描述子,相同的错误率下查全率分别提高了大约35%和50%。展开更多
针对高实时性要求中SURF(speeded up robust features)特征匹配算法速度偏慢的缺点,提出一种基于分块的加速方法,根据匹配中模板图像与搜索图像的大小对比关系,分别采用只对搜索图像分块的单分块方法与对模板图像与搜索图像都进行分块...针对高实时性要求中SURF(speeded up robust features)特征匹配算法速度偏慢的缺点,提出一种基于分块的加速方法,根据匹配中模板图像与搜索图像的大小对比关系,分别采用只对搜索图像分块的单分块方法与对模板图像与搜索图像都进行分块的双分块方法,其中单分块方法包括简单K分块、简单K+1分块、尺度K+1分块及模板尺寸与尺度自适应的分块方法;双分块方法包括单块匹配与多块匹配。针对不同的分块方法分析了其理论上的平均匹配时间,并通过实验进行了对比,结果证明分块方法能够在保证正确匹配的同时大幅提高匹配速度。展开更多
为解决车辆压线行驶或发生交通事故时占用多个车道而无法采集到完整的车辆图像问题,基于SURF(speed up robust features)算法和最佳缝合线的思想,提出一种车道图像序列拼接方法。首先根据车辆运动轨迹提出寻找最优对应图像算法,用于找...为解决车辆压线行驶或发生交通事故时占用多个车道而无法采集到完整的车辆图像问题,基于SURF(speed up robust features)算法和最佳缝合线的思想,提出一种车道图像序列拼接方法。首先根据车辆运动轨迹提出寻找最优对应图像算法,用于找出近似同步拍摄图像;然后用SURF检测图像中的关键点对图像进行粗配准,用RANSAC方法去除误配准点实现精配准;最后利用最佳缝合线方法沿图像的重叠区域进行分割拼接。实验表明:利用车道图像序列拼接方法能找出近似同步拍摄图像,准确计算出图像的重叠区域,避免缝合线经过运动区域,解决了拼接过程中产生的重影、裂缝等问题,合成了质量较高的多车道图像,以此确保获得完整的车辆图像。展开更多
针对传统车辆检索方法中存在准确性和区分度较低的问题,提出了一个基于改进SURF(speeded up robust features)算法的视频车辆检索方法。在车辆视频关键帧提取的基础上,根据改进SURF算法完成车辆图像的特征提取及匹配,其中包含改进FAST(f...针对传统车辆检索方法中存在准确性和区分度较低的问题,提出了一个基于改进SURF(speeded up robust features)算法的视频车辆检索方法。在车辆视频关键帧提取的基础上,根据改进SURF算法完成车辆图像的特征提取及匹配,其中包含改进FAST(features from accelerated segment test)特征点检测、SURF特征向量提取以及最近邻查询方法来进行特征点的匹配;通过计算比较待检索车辆图像与数据库车辆图像的相似度,算法完成图像筛选并反馈检索结果。实验结果表明:针对交通监控视频中待检索车辆,该方法能够较为准确地进行检索并反馈结果。展开更多
基金supported by the National Natural Science Foundation of China (60802043)the National Basic Research Program of China(973 Program) (2010CB327900)
文摘Local invariant algorithm applied in downward-looking image registration,usually computes the camera＇s pose relative to visual landmarks.Generally,there are three requirements in the process of image registration when using these approaches.First,the algorithm is apt to be influenced by illumination.Second,algorithm should have less computational complexity.Third,the depth information of images needs to be estimated without other sensors.This paper investigates a famous local invariant feature named speeded up robust feature（SURF）,and proposes a highspeed and robust image registration and localization algorithm based on it.With supports from feature tracking and pose estimation methods,the proposed algorithm can compute camera poses under different conditions of scale,viewpoint and rotation so as to precisely localize object＇s position.At last,the study makes registration experiment by scale invariant feature transform（SIFT）,SURF and the proposed algorithm,and designs a method to evaluate their performances.Furthermore,this study makes object retrieval test on remote sensing video.For there is big deformation on remote sensing frames,the registration algorithm absorbs the Kanade-Lucas-Tomasi（KLT） 3-D coplanar calibration feature tracker methods,which can localize interesting targets precisely and efficiently.The experimental results prove that the proposed method has a higher localization speed and lower localization error rate than traditional visual simultaneous localization and mapping（vSLAM） in a period of time.
文摘针对基于深度学习的水印方法未充分突显图像的关键特征,以及未有效利用中间卷积层输出特征的问题,为提升含水印图像的视觉质量和抵抗噪声攻击的能力,提出一种融合注意力机制和多尺度特征的图像水印方法。在编码器部分,设计注意力模块关注重要图像特征,以减小水印嵌入引起的图像失真;在解码器部分,设计多尺度特征提取模块,以捕获不同层次的图像细节。实验结果表明,在COCO数据集上与深度水印模型HiDDeN(Hiding Data with Deep Networks)相比,所提方法生成的含水印图像的峰值信噪比(PSNR)和结构相似度(SSIM)分别增加了11.63%和1.29%;所提方法针对dropout、cropout、crop、高斯模糊和JPEG压缩的水印提取平均误比特率(BER)降低了53.85%;此外,消融实验结果验证了添加注意力模块和多尺度特征提取模块的方法有更好的不可见性和鲁棒性。
文摘针对高实时性要求中SURF(speeded up robust features)特征匹配算法速度偏慢的缺点,提出一种基于分块的加速方法,根据匹配中模板图像与搜索图像的大小对比关系,分别采用只对搜索图像分块的单分块方法与对模板图像与搜索图像都进行分块的双分块方法,其中单分块方法包括简单K分块、简单K+1分块、尺度K+1分块及模板尺寸与尺度自适应的分块方法;双分块方法包括单块匹配与多块匹配。针对不同的分块方法分析了其理论上的平均匹配时间,并通过实验进行了对比,结果证明分块方法能够在保证正确匹配的同时大幅提高匹配速度。
文摘为解决车辆压线行驶或发生交通事故时占用多个车道而无法采集到完整的车辆图像问题,基于SURF(speed up robust features)算法和最佳缝合线的思想,提出一种车道图像序列拼接方法。首先根据车辆运动轨迹提出寻找最优对应图像算法,用于找出近似同步拍摄图像;然后用SURF检测图像中的关键点对图像进行粗配准,用RANSAC方法去除误配准点实现精配准;最后利用最佳缝合线方法沿图像的重叠区域进行分割拼接。实验表明:利用车道图像序列拼接方法能找出近似同步拍摄图像,准确计算出图像的重叠区域,避免缝合线经过运动区域,解决了拼接过程中产生的重影、裂缝等问题,合成了质量较高的多车道图像,以此确保获得完整的车辆图像。
文摘针对传统车辆检索方法中存在准确性和区分度较低的问题,提出了一个基于改进SURF(speeded up robust features)算法的视频车辆检索方法。在车辆视频关键帧提取的基础上,根据改进SURF算法完成车辆图像的特征提取及匹配,其中包含改进FAST(features from accelerated segment test)特征点检测、SURF特征向量提取以及最近邻查询方法来进行特征点的匹配;通过计算比较待检索车辆图像与数据库车辆图像的相似度,算法完成图像筛选并反馈检索结果。实验结果表明:针对交通监控视频中待检索车辆,该方法能够较为准确地进行检索并反馈结果。
