SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。
2020-04-06 03:11:54
431KB
1
基于OPENCV库，实现两幅图像中目标轮廓匹配,利用对应关键点附近轮廓段的曲率hausdorff距离匹配。
2020-02-24 03:13:28
1.94MB
1
从图像匹配原理着手，采用了3种模板匹配方法：基于德耳塔相关度量，基于改进Hausdorff距离算法和基于序贯相似性检测算法，对机场飞机进行匹配和识别
2020-02-04 03:04:11
138KB
1
针对高维特征向量存在的最近邻匹配正确率低的问题, 提出了一种基于SURF和快速近似最近邻搜索的图像匹配算法。首先用Fast-Hessian 检测子进行特征点检测, 并生成SURF特征描述向量; 然后通过快速近似最近邻搜索算法得到初匹配点对, 再对得出的单向匹配结果进行双向匹配; 最后采用鲁棒性较好的PROSAC算法进一步剔除误匹配点对。实验证明了该算法不仅提高了SURF算法匹配的正确率, 还保证了算法的实时性。
2020-01-29 03:13:45
1.11MB
1
SAD(Sum of absolute differences)是一种图像匹配算法。基本思想：差的绝对值之和。此算法常用于图像块匹配，将每个像素对应数值之差的绝对值求和，据此评估两个图像块的相似度。该算法快速、但并不精确，通常用于多级处理的初步筛选。
2020-01-29 03:08:17
714KB
1
Harris是一种高效的角点检测算法，但不具备尺度不变性。SURF（speeded-up robust features）算法虽然能很好地解决图像尺度变化问题，但是在特征点提取方面没有Harris稳定。针对Harris和SURF两种算法的特点，提出一种新的Harris-SURF特征点提取算法。首先用Harris算法检测图像角点，再用SURF算法提取图像特征点；然后合并角点和特征点，并剔除重复点获得新的特征点集，确定新特征点的主方向并生成特征描述符，再对图像使用比值法进行初匹配；最后利用RANSAC剔除错误匹配点实现精确匹配。实验结果表明，该算法对图像存在旋转、缩放、光照及噪声变化有较强的鲁棒性，同时提高了运行效率。
2020-01-03 11:39:34
1.35MB
1