视觉定位系统中,图像匹配的精度直接影响整个定位系统的精度,针对图像匹配中存在的误匹配率较高等问题,提出了一种基于多层次FAST(MFAST)和优化采样的随机采样一致性(RANSAC)算法的图像匹配算法。首先采用MFAST算法提取角点,运用加速稳健特征算法确定主方向生成特征描述符;然后在基于RANSAC的框架下,利用改进的加权K-最近邻分类方法选取新的样本集合计算出最佳模型参数,从而剔除误匹配点。在真实场景下进行实验,结果表明,与传统算法相比,该算法能高效剔除误匹配点,提高图像的匹配精度,且满足实时性要求。

在散斑视觉测量中,通常引入标志点以提高散斑的测量效率。针对传统标志点匹配过程中存在的匹配时间长、匹配准确率低等问题,提出了一种采用改进KLT(Kanade-Lucas-Tomasi)算法的标志点匹配方法。该方法在利用改进加速稳健性特征(SURF)算法对标志点进行检测以建立初始匹配点的基础上,采用改进的KLT算法实现标志点的匹配,并利用最大双向误差作为约束条件删除匹配过程中存在的误匹配点,以提高匹配的可靠性。最后,对机翼颤振测量中涂敷在机翼模型散斑区的标志点进行了匹配实验验证。结果表明,与传统的尺度不变特征转换(SIFT)与SURF匹配算法相比,所提方法在匹配时间上分别减少了75.9%和42.8%,在匹配准确率上分别提高了30.6%和22.2%。

针对综合孔径数字全息, 研究了散斑噪声对基于特征点匹配的图像配准精度的影响。建立了数字离轴全息实验装置, 利用尺度不变特征变换(SIFT)算法和快速稳健特征(SURF)算法提取待配准图像和参考图像的特征点, 采用欧氏距离最邻近法进行特征点匹配; 在此基础上采用抽样一致性最大似然估计算法估计图像变换模型参数。实验结果表明, SIFT算法的抗噪性更好; 对于SIFT算法, 当散斑信噪比大于1.4时, 配准相对误差小于0.02; 对于SURF算法, 当散斑信噪比大于1.7时, 配准相对误差小于0.05。