摘要：针对目前直线匹配算法大多基于直线段支持区域的几何特性、灰度特性,但这些特性又极易受外界因素干扰造成匹配失败的情况,提出了基于直线几何不变量的匹配方法,该方法在无任何已知条件的情况下,运用叉积符号、点的线束交比不变量进行直线匹配。对于各个视点图像,采用Hough变换提取直线间交点集,再采用Graham扫描法构造一个最小的凸包,并通过匹配凸包顶点的交比序列来建立点与点的对应关系,选取其中一个对应关系完成直线的匹配。实验结果表明,该方法鲁棒性较好,具有广泛的应用性。

摘要：针对在快速运动和弱纹理场景中,提取到的点特征数量不足从而影响系统效果的问题,设计了一种融合点线特征的视觉惯性里程计算法。采用LSD算法通过设置动态的长度阈值过滤掉短线特征,然后利用逆向光流对点特征进行二次跟踪,并且提出一种基于采样点的直线匹配方法,将帧到帧和帧到平面的两种匹配方式结合,从而提高直线匹配的准确性。在公开数据集EuRoc上对此算法精度进行评估,实验表明,在复杂的场景中,与VINS-Mono相比,此算法表现出更高的精度和更强的鲁棒性。

摘要：由于直线断裂、遮挡以及共面空间直线投影等因素的影响,从左右图像中提取出来的直线之间会出现“一配多”甚至“多配多”的匹配情况,然而目前很少有算法能可靠地处理这些情况.提出了一种基于特征编组的匹配算法来解决它.与已有方法不同,该方法是在由两幅图像共同组成的直线集上进行编组.每个特征编组包含了内部直线之间的匹配关系.这样,直线匹配的问题就转化为从直线集中提取一些相互兼容的特征编组的问题.整个算法分为两步首先在几何和辐射约束的前提下构建所有可能的特征编组,并计算每个特征编组的匹配度,然后从所有可能的特征编组中寻找一个特征编组子集,在保证直线集中的每条直线最多属于该子集中一个特征编组的前提下,使得该子集中特征编组的匹配度之和最大.为了解决这个整数规划问题,设计了一种分两阶段的算法首先将整个问题分为多个子问题,然后对于每个子问题,利用分支定限法寻找最优解.将所提出的算法应用于实际的立体图像对中,取得了满意的结果.

摘要：提出了一种运用相应直线段特征作为控制基础的序列图像自动配准方法。根据相应直线段"共线"原理建立了图像配准模型,该模型的优点是不必精确定位相应直线段的端点,突破了相应特征必须严格"同名"的限制。同时,根据图像配准对控制直线段的要求,分别设计了序列图像中直线段特征的自动提取和自动匹配算法,从而实现了概略对准条件下的序列图像的全自动配准。

摘要：针对传统直线编组匹配算法中存在的数据计算量大,效率低等问题,提出了一种新的基于几何特性的直线编组匹配算法。该算法在定义线段对无向二元关系和有向二元关系的基础上,在粗匹配阶段计算所有线段对的无向不相似度,并采用双阈值生成候选线段组集合,再在精匹配阶段计算各个候选线段组的有向不相似度,最后结合两种不相似度生成最终的匹配线段组结果。与基于向量的特征直线匹配算法和基于几何特征二元关系的直线匹配算法相比,该算法在粗匹配阶段采用了双阈值设计,比只采用单阈值方法耗时更少,在精匹配阶段能有效地过滤掉不合理的候选线段组,得到最佳匹配结果。实验结果表明,所提算法不仅可行、高效,且效果更好。

摘要：本文利用Hough变换的点线对偶性,将对图像序列中的特征直线的匹配转化为在参数空间中对特征点运动轨迹的参数估计,设计采用卡尔曼滤波器对运动目标进行初步跟踪,通过建立模板与图像的匹配相关系数判定搜索到的特征点的精确坐标。实验结果表明,该方法具有较好的跟踪结果。

摘要：为提高直线特征匹配的可靠性,提出一种基于卷积神经网络(CNN)学习的直线特征描述方法。构建用于网络学习的大规模直线数据集,该数据集包含约20.8万对匹配直线对,每条直线用其周围的局部图像块表征。将图像块输入CNN,利用HardNet网络结构提取特征,使用三元组损失函数进行训练,输出强鲁棒性的直线特征描述子。实验结果表明,与手工设计的描述子MSLD和IOCD相比,该描述子在视角、模糊、尺度和旋转变化下均具有较好的区分性,在图像拼接应用中同样表现出良好的描述性能。