搜索资源列表
imagemosic
- 针对基于图像特征点的配准方法中对应特征对难以准确提取的问题,提出一种基于兴趣 点匹配的图像自动拼接方法。该方法首先利用Harris角检测器提取两幅图像中的兴趣点,并在此基 础上采用比较最大值法提取出对应兴趣点特征对,最后利用这些匹配特征对来实现图像的拼接。实 验结果表明,这种方法能有效地去除伪匹配特征对的干扰,同时降低了误匹配的概率-Feature points for image-based registration method of the corresponding char
safjfd
- 首先分析了典型说话人识别系统的各关键技术，详细分析了矢量量化技术在 说话人识别中的应用，研究了码本训练算法以及说话人判别算法，对算法中各参 数值的选取进行了讨论 其次根据系统的需求建立一个小的语音库，录制语音信 号，并对采集的语音信号进行预处理，检测语音信号的起始端点 在MATLAB 环境下仿真说话人识别系统，验证系统设计方案的可行性:特征提取阶段，提取 语音信号的12阶美尔倒谱系数以及各阶倒谱系数对应的1阶差分倒谱系数，在 训练阶段，采用分裂法和GLA算法相结合的矢量量
POINT
- 新型高效图像特征点检测算法 在运动检测 匹配 等图像处理领域有广泛应用-A NEW DIGITAL INTEREST POINT OPERATOR FOR CLOSE-RANGE PHOTOGRAMMETRY
sift2
- 提出了一种基于线特征和SIFT点特征的多源遥感影像配准方法。该方法首先匹配待配准影像和参 考影像中的线特征,利用匹配直线构建虚拟角点 其次,针对传统SIFT算法匹配多源遥感影像特征点存在的 不足,采用线特征约束点特征的方法进行SIFT同名点对的提取 最后结合虚拟角点对及SIFT同名点对构建三角网进行小面元微分纠正。 -A line-based features and SIFT features multi-point sources of remote sensing image
SIFT3
- :对传统SIFT算法从特征点提取时间和匹配精度上进行了优化,基于优化算法提取的特征点对构建 三角网进行小面元微分纠正配准。试验结果表明,该方法是一种有效的遥感影像自动配准方法。 -: SIFT algorithm from the traditional feature extraction time and matching accuracy, and the optimization, optimization algorithm based on the extracted fea
sift5
- :研究了一种多目标识别算法,该算法用SUSAN角点形成SIFT特征点,采用阶梯图像金字塔结构实现尺度不变,为所有匹配点建立统一的超定线性方程组并对该方程组系数矩阵进行简 化使其维数降低一半,得到增广矩阵.对增广矩阵进行列变换,依据坐标转换的特性可从中提取多目标的稳定正常点,实现了快速分离多目标的匹配点. -: Study of a multi-target recognition algorithm using SUSAN corner formed SIFT feature point
BaseAutopanoramareserch
- 别对两幅图像提取广义特征点后， 利用基于根均方误差和交叉相关的两级匹配算法完成同名控制点的建立。并以局部加权直线拟合方法来校正图像 的几何畸变。最后建立两幅图像之间的函数映射关系，完成图像的配准。实验结果证明了该方法的有效性。-Do the two images extracted generalized characteristic point, the root mean square error-based and cross-correlation of the two cont
deselaers-cvpr10
- 图像匹配知识介绍,基于特征点的匹配介绍，值得收藏-image match
sift-introduction
- SIFT特征匹配算法是目前国内外特征点匹配研究领域的热点与难点，其匹配能力较强，可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，甚至在某种程度上对任意角度拍摄的图像也具备较为稳定的特征匹配能力。该算法目前外文资料较多，但中文方面的介绍较少.-SIFT feature matching algorithm is at home and abroad feature points matching hot area of research and diffi
harris--feature-extraction
- 图像中角点(特征点)提取与匹配算法.，通过harris焦点检测来实现特征的提取-Extraction and matching algorithms of image corners (feature points), harris focus detection to the feature extraction
ImageMosaic
- 一些关于图像拼接的论文，包括特征提取、特征匹配和RANSAC特征点提出等-The articles of image mosaic, including feature extraction, feature matching and RANSAC the feature points purification algorithm
SIFT
- SIFT算法，基于特征的特征点提取及基于置信度的特征匹配-SIFT algorithm, feature-based feature extraction and matching based on the characteristics of Confidence
image-matching--
- 首先对图像 进行高斯和 Wallis 滤波处理，然后采用简化 SIFT 算法进行特征点提取，最后通过特征点双向 匹配方法实现图像的精确匹配。通过对缺陷版图图像的试验验证了该方法具有匹配点数量 多、准确率高、无重复点等优点。-First of all Gaussian image filtering and Wallis and simplified SIFT feature point extraction algorithm, and finally through the fea
image-feature
- 把 SIFT 算法应用在牙齿模型图像上，检测牙齿图像的特征点。 方法：首先采用高斯差分算子 DoG 搜索整个图 像的尺度和位置信息，从而确定具有代表性尺度、方向的特征点。基于其稳定性选择关键点，得到一个详细的模型以确定每个候 选点的合适位置和范围。基于局部图像梯度方向信息将方向矢量和关键点对应起来。在选定范围内的每个关键点周边区域测量 局部图像梯度，并采用 KNN 算法进行特征匹配。 结果：通过大量的实验和与其他特征提取方法相比较，该方法能有效地检测牙 齿模型图像的特征，并为牙齿
image-matching-
- 针对 １２８ 维 ＳＩＦＴ 特 征向量，采用距离匹配和余弦相似度匹配相结合的测度方法，利用特征点方向一致性进一步降低误匹配率 ． 实验结 果表明：改进算法对图像的缩放、旋转、光照、噪声和小尺度的视角变换均有较好的匹配效果 ． 与原算法相比，在保 证匹配点数和匹配时间的基础上，改进算法对旋转、缩放、噪声模糊和光照变换的误匹配率平均降低 １０％～２０％ ， 对于小尺度的视角变换，误匹配率平均降低 ５％． -For 128-dimensi
sift-based-on-edge-corner
- SIFT 由特征提取，特征描述符描述和特征匹配 3 部分构成，该算子特征提取数目庞大，建立特征描述符运算 量高，导致算法效率低。提出了一种 SEC( SIFT-Edge-Corner) 算法，在图像尺度空间提取角点代替 SIFT 特征点，并根 据角点是边缘曲率极值理论，预先采用 Canny 算子得到高斯边缘图像金字塔，再提取角点并进行尺度选择。实验结 果表明: 该算法在保障高准确率的前提下大幅度提高特征提取效率-By the SIFT feature extraction, fea
ASM-2.2.1
- 对模型特征点周围的纹理信息进行采样，对比图像和模型训练集的纹理，找到纹理最接近的点即认为是特征点。作者这里比较纹理的工具是马氏距离。为了提高搜索的效率，作者还提到了多分辨率搜索周围像素纹理，对于粗糙的尺度，搜索范围大，对于细致的尺度，进行细致的搜索，提高了匹配的效率。-The texture information model feature points around the sampling, texture contrast image and model train sets, find
fast-template-matching
- 本文提出一种基于图像边缘几何特征的快速模板匹配算法。算法利用边缘 点的位置和梯度方向作为匹配信息进行相似度计算。可以很好的避免因图像明 暗变化、光照不均匀、旋转所带来的影响，且对于部分遮挡的情况，亦可以得 到良好的匹配结果。为了得到边缘点坐标和梯度方向，本文根据曲面拟合原理， 通过平移变换，推导出精确梯度方向和亚像素边缘坐标的快速算法。既加快了 算法的处理速度，也是匹配算法高精度的前提保证。为了使匹配算法满足实时 性要求，主要采用阈值判断和图像金字塔算法的搜索策略。在阈值
Image-Stitching
- 基于SIFT特征的全景图像拼接 主要分为以下几个步骤： (1) 读入两张图片并分别提取SIFT特征 (2) 利用k-d tree和BBF算法进行特征匹配查找 (3) 利用RANSAC算法筛选匹配点并计算变换矩阵 (3) 图像融合 -Image Stitching
sift的人脸识别
- sift 特征匹配实现 人脸识别 特征点 匹配()