针对ORB(oriented FAST and rotated BRIEF)算法中存在匹配精确率低的问题,提出了一种基于LK(Lucas-Kanade)光流改进的ORB图像匹配方法。首先对待处理的图像进行直方图均衡化,然后在Oriented FAST特征点检测的同时用LK光流对其进行跟踪...针对ORB(oriented FAST and rotated BRIEF)算法中存在匹配精确率低的问题,提出了一种基于LK(Lucas-Kanade)光流改进的ORB图像匹配方法。首先对待处理的图像进行直方图均衡化,然后在Oriented FAST特征点检测的同时用LK光流对其进行跟踪,并将跟踪的特征点进行Rotated BRIEF描述,最后在特征匹配筛选环节利用RANSAC(Random Sampling Consistency)算法进行误匹配的剔除。实验结果表明,改进算法在公开数据集中的平均匹配精度为90.9%,平均特征匹配及误匹配的剔除共耗时为18ms,与原始ORB算法相比,在时间基本一致的前提下,有效的提高了匹配的精度。展开更多
针对ORB(Oriented FAST and Rotated BRIEF)特征匹配算法在复杂环境变化下匹配精确率低以及匹配速度过慢的问题,提出了一种基于四叉树分解法和RANSAC(随机抽样一致性)方法的改进ORB算法。首先对待处理的原始图像经过四叉树分解法来剔除...针对ORB(Oriented FAST and Rotated BRIEF)特征匹配算法在复杂环境变化下匹配精确率低以及匹配速度过慢的问题,提出了一种基于四叉树分解法和RANSAC(随机抽样一致性)方法的改进ORB算法。首先对待处理的原始图像经过四叉树分解法来剔除掉灰度变化不明显的区域,然后再进行FAST特征点检测,在特征点匹配环节通过改进的RANSAC方法消除掉错误匹配。实验结果表明,改进后的ORB算法有效匹配精度提升23.5%,时间缩短了18.4%,在环境复杂变化时具有良好的鲁棒性与实时性。展开更多
针对图像匹配中SURF(speed up robust features)算法匹配效率不佳,以及RANSAC算法迭代次数不稳定和人为设置内点离散阈值所带来误差的问题,提出了一种结合改进的边缘化采样一致性算法和改进SURF的图像匹配方法。首先对输入图像进行快速...针对图像匹配中SURF(speed up robust features)算法匹配效率不佳,以及RANSAC算法迭代次数不稳定和人为设置内点离散阈值所带来误差的问题,提出了一种结合改进的边缘化采样一致性算法和改进SURF的图像匹配方法。首先对输入图像进行快速引导滤波预处理,过滤图像噪声并保留边缘细节信息。然后通过BEBLID(Boosted Efficient Binary Local Image Descriptor)算法为SURF构建高效的二值描述符,结合改进的边缘化采样一致性算法边缘化外点去除误匹配。经实验对比,该方法相较于SURF准确性更高,实时性有较大提升,可满足多数复杂环境下的图像匹配。展开更多
针对传统ORB(oriented FAST and rotated BRIEF)算法存在计算量较大、匹配精度较低等问题,提出一种将双边滤波和词袋(BoW)模型相融合的匹配算法。首先,采用双边滤波对图像进行对比度增强和去噪;获取图像的特征点和描述子,将BRIEF描述子...针对传统ORB(oriented FAST and rotated BRIEF)算法存在计算量较大、匹配精度较低等问题,提出一种将双边滤波和词袋(BoW)模型相融合的匹配算法。首先,采用双边滤波对图像进行对比度增强和去噪;获取图像的特征点和描述子,将BRIEF描述子通过BoW模型转化为BoW特征向量,利用BoW模型进行相似度筛选;最后通过渐进采样一致(PROSAC)算法剔除误匹配点对,提高算法的匹配精度。实验结果表明,改进的算法与传统算法相比匹配精确率和匹配速度都明显提高,并且具有较强的鲁棒性。展开更多
文摘针对ORB(oriented FAST and rotated BRIEF)算法中存在匹配精确率低的问题,提出了一种基于LK(Lucas-Kanade)光流改进的ORB图像匹配方法。首先对待处理的图像进行直方图均衡化,然后在Oriented FAST特征点检测的同时用LK光流对其进行跟踪,并将跟踪的特征点进行Rotated BRIEF描述,最后在特征匹配筛选环节利用RANSAC(Random Sampling Consistency)算法进行误匹配的剔除。实验结果表明,改进算法在公开数据集中的平均匹配精度为90.9%,平均特征匹配及误匹配的剔除共耗时为18ms,与原始ORB算法相比,在时间基本一致的前提下,有效的提高了匹配的精度。
文摘针对ORB(Oriented FAST and Rotated BRIEF)特征匹配算法在复杂环境变化下匹配精确率低以及匹配速度过慢的问题,提出了一种基于四叉树分解法和RANSAC(随机抽样一致性)方法的改进ORB算法。首先对待处理的原始图像经过四叉树分解法来剔除掉灰度变化不明显的区域,然后再进行FAST特征点检测,在特征点匹配环节通过改进的RANSAC方法消除掉错误匹配。实验结果表明,改进后的ORB算法有效匹配精度提升23.5%,时间缩短了18.4%,在环境复杂变化时具有良好的鲁棒性与实时性。
文摘针对图像匹配中SURF(speed up robust features)算法匹配效率不佳,以及RANSAC算法迭代次数不稳定和人为设置内点离散阈值所带来误差的问题,提出了一种结合改进的边缘化采样一致性算法和改进SURF的图像匹配方法。首先对输入图像进行快速引导滤波预处理,过滤图像噪声并保留边缘细节信息。然后通过BEBLID(Boosted Efficient Binary Local Image Descriptor)算法为SURF构建高效的二值描述符,结合改进的边缘化采样一致性算法边缘化外点去除误匹配。经实验对比,该方法相较于SURF准确性更高,实时性有较大提升,可满足多数复杂环境下的图像匹配。
文摘针对传统ORB(oriented FAST and rotated BRIEF)算法存在计算量较大、匹配精度较低等问题,提出一种将双边滤波和词袋(BoW)模型相融合的匹配算法。首先,采用双边滤波对图像进行对比度增强和去噪;获取图像的特征点和描述子,将BRIEF描述子通过BoW模型转化为BoW特征向量,利用BoW模型进行相似度筛选;最后通过渐进采样一致(PROSAC)算法剔除误匹配点对,提高算法的匹配精度。实验结果表明,改进的算法与传统算法相比匹配精确率和匹配速度都明显提高,并且具有较强的鲁棒性。
