特征检测子是近年来计算机视觉领域的研究热点。在宽基线匹配、特定目标识别、图像及视频检索、机器人导航和数据挖掘等多个领域均得到了广泛应用。为总结特征检测子目前存在问题及指出可能的发展方向, 对比分析了当前普遍使用的特征检测子的鲁棒性与速度。首先综述了尺度不变特征检测子(SIFT)、快速稳健特征检测子(SURF)、二进制稳健尺度不变性特征检测子(BRISK)、定向的基于加速段检测子(ORB)、风式特征检测子(KAZE)以及快速风式特征检测子(Accelerated-KAZE), 然后按照特征检测步骤深入分析了各种影响检测子性能与速度的方法, 最后利用Mikolajczyk 05标准测试图集测定并分析了检测子的复现率与耗时实验。实验结果表明, 快速非线性尺度空间、基于加速段的特征检测子(FAST)与长距离对迭代法的综合性能较好。

传统稀疏编码模型特征选择能力较弱, 稀疏系数向量中负系数的存在导致维数偏高、信息冗余, 不利于目标识别。针对这个问题, 提出了一种基于自适应弹性网络的稀疏编码模型。该模型首先利用融合尺度空间的AGAST检测子提取特征点, 经过FREAK算子描述, 采用能够自适应选择强相关性特征的自适应弹性网络回归模型求解稀疏系数向量, 最后通过分类器实现对目标的分类识别。实验结果表明,特征检测算法对于图像中尺度、视角、光照和旋转等变换具有更强的鲁棒性, 在自适应弹性网络的约束下, 模型具有较好的识别性能。

为了改善无人机侦察视频配准效果与速度, 提出一种基于景象匹配的无人机侦察视频快速配准方法。首先提出基于AGAST-Difference与FREAK的特征匹配算法对视频帧之间配准, 然后提出匹配区域搜索方法在数字卫星地图上找到视频帧匹配区域, 最后将视频帧与匹配区域配准, 根据匹配区域二维关系计算单应矩阵完成拼接。实验结果表明,基于AGAST-Difference与FREAK的特征匹配算法在尺度、旋转、视点等变化及运行速度上存在很大优势, 匹配区域搜索方法避免了定位定向系统带来的误差与引入控制点, 提高了纠正精度与速度。本配准方法对像素大小为810×612的视频拼接速度达到25 帧/s, 在离地约1000 m的空中, 二维定位精度可达7.87 m。