散斑结构光因只需投射一幅图像即可获取三维信息，成为近年来的研究热点。但利用散斑结构光进行三维信息获取时，存在散斑特征点匹配数量少、误匹配率高的问题，为此研究了散斑特征点提取与匹配算法。在分析散斑点区域灰度分布规律的基础上，提出一种基于灰度值比较的散斑特征点提取方法，通过比较窗口上相关像素灰度值进行粗提取，定义特征点响应函数消除冗余检测。匹配方面，建立散斑特征点描述子，提出一种基于描述子信息的多约束扩散匹配方法，首先通过多约束条件获得匹配度较高的种子点，生成种子点队列，其次利用队列中种子点的描述子信息，对描述子中未匹配的散斑特征点进行扩散匹配。实验结果表明，与其他方法相比，所提算法将匹配数量提高了35%以上，误匹配率降低到0.12%。

现有的指静脉识别方法通常以包含静脉分布的灰度图为对象进行算法设计。但由于采集装置的局限性, 光照强度的不确定性, 手指血管周围组织的复杂性等, 原始图像即使经过图像预处理过程, 得到的灰度图中依然会存在不规则的阴影和非静脉特征, 这可能使得被提取出的静脉特征不具有很好的代表性和区分性, 从而降低识别结果的准确性。因此, 本文提出以包含指静脉分布的二值图为对象进行算法设计, 从而在识别过程中尽可能减少非静脉因素的干扰。在特征提取上采用了适于二值图特征点检测的加速分割测试特征提取算法, 提取出静脉纹理边缘中符合要求的像素点作为特征点, 进而对检测到的特征点进行向量化描述。同时为了提高匹配的精度, 提出了基于圆形邻域的匹配算法, 使用加权匹配距离描述图像之间的相似程度。采用山东大学公开的手指静脉数据库进行算法性能测试, 平均识别率为0.993, 等误率为0.0196。上述结果证明了算法的有效性, 为指静脉识别算法设计提供了新的思路。

提出一种加速分割特征算法与快速视网膜关键点描述子(FREAK)结合的图像配准算法。首先对图像建立尺度空间,并在此基础上利用加速分割特征优化算法检测图像特征点,结合Harris算法对特征点进行过滤,保留强角点用于图像配准;其次结合 FREAK对检测的特征点进行描述,计算其特征向量,采用汉明距离替代传统的欧氏距离进行图像匹配,并采用随机采样一致性方法精炼匹配点来避免由于噪声和物体位置移动等原因产生的误匹配。从配准精度和配准时间两个方面,对本文方法与尺度不变特征变换算法、二进制稳健独立基本特征算法及原始FREAK算法进行对比实验,结果表明,本文方法具有配准速度快、准确性高、稳定性好等特点。