[發(fā)明專利]一種基于改進SIFT算法的高效圖像匹配方法

無效

• 申請?zhí)枺?/td>: 201210169119.2
• 申請日: 2012-05-28
• 公開（公告）號: CN102722731A
• 公開（公告）日: 2012-10-10
• 發(fā)明（設(shè)計）人: 王艷;孫永榮;張翼;劉曉俊;王瀟瀟;熊智
• 申請（專利權(quán)）人: 南京航空航天大學
• 主分類號: G06K9/64
• 分類號: G06K9/64
• 代理公司: 南京經(jīng)緯專利商標代理有限公司 32200
• 代理人: 朱小兵

技術(shù)領(lǐng)域

本發(fā)明涉及一種圖像匹配的方法，屬于圖像處理技術(shù)領(lǐng)域。

背景技術(shù)

圖像匹配是指同一場景在兩個不同時點下圖像之間的對應關(guān)系，它是計算機視覺研究領(lǐng)域的一個基本問題，也是計算機視覺應用，如深度恢復、攝像機標定、運動分析以及三維重構(gòu)等問題的研究起點或基礎(chǔ)。

在特征匹配法中，如今運用最多的是點特征?，F(xiàn)在常見的特征點提取算法包括：Harris算子、ForIstner算子、SIFT算法和基于小波變換的邊緣點提取法。其中SIFT算法以其獨特的優(yōu)勢，成為目前最為穩(wěn)定的一種算法。SIFT(Scale?Invariant?Feature?Transform)算法即尺度不變特征變換算法，是David?G.Lowe在1999年提出的一種基于尺度空間的、對圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子，SIFT將一幅圖像映射（變換）為一個局部特征向量集，特征向量具有平移、縮放、旋轉(zhuǎn)不變性，同時對光照變化、仿射及投影變換也有一定的不變性。SIFT特征向量的生成由以下四個步驟組成：

1、在尺度空間中檢測極值點；

2、去除低對比度的極值點和不穩(wěn)定的邊緣極值點，得到特征點；

3、計算特征點的方向參數(shù)；

4、生成SIFT特征點向量，向量維數(shù)一般為128維。

運用SIFT算法提取的SIFT特征向量具有如下優(yōu)點：

1、SIFT特征是圖像的局部特征，對其旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換等保持一定程度的穩(wěn)定性；

2、獨特性好，信息量豐富，使用于在海量特征數(shù)據(jù)庫中進行快速、準確的匹配；

3、多量性，即使少數(shù)的幾個物體也可以產(chǎn)生大量SIFT特征向量；

4、可擴展性，可以很方便地與其他形式的特征向量進行聯(lián)合。

盡管SIFT提取的特征點穩(wěn)定，但SIFT算法缺點也很多，如：算法復雜度較高，計算數(shù)據(jù)量大，耗時較長。研究人員針對以上的缺點采取了許多改進措施，Yanke等人提出了PCA-SIFT方法^[1]，目的是對特征描述進行數(shù)據(jù)降維，雖使匹配速度加快，但是由于沒有任何先驗知識做基礎(chǔ)，這種方法反而使計算量增加；Grabner等人用積分圖像方法^[2]，使SIFT的計算速度提高了，但是降低了SIFT方法的優(yōu)越性。以上方法只是改進匹配階段或者特征描述，本發(fā)明通過特征提取和特征描述的雙重改進，在保證SIFT匹配精度的前提下提高了運算速度，更好的實現(xiàn)了SIFT算法的實時性。

[1]KE?Y，SUKTHANKAR?R.PCA-SIFT:a?more?distinctive?representation?for?local?image?descriptors[C].Proceedings?Conference?Computer?Vision?and?Pattern?Recognition,2004:511-517.

[2]GRABNER?M,GRABNER?H,BISCHOF?H.Fast?approximated?SIFT[C].Proceedings?Asian?Conference?on?Computer?Vision,2006,1:918-927。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是針對背景技術(shù)的不足，提出一種改進SIFT算法的高效圖像匹配方法。在圖像匹配時，通過選擇更能代表或體現(xiàn)圖像特征的點來進行匹配工作，有效提高了匹配過程的實時性。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

一種基于改進SIFT算法的高效圖像匹配方法，包括如下步驟：

步驟（1），利用SIFT算子對輸入的參考圖像和待匹配圖像進行特征點提取；

步驟（2），結(jié)合Harris算子對步驟（1）提取的參考圖像和待匹配圖像的特征點進行優(yōu)化，篩選出具有代表性的角點作為最終的SIFT特征點；

步驟（3），對步驟（2）篩選出的SIFT特征點的特征描述符進行降維處理，獲取參考圖像和待匹配圖像的64維特征向量描述符；

步驟（4），利用最近鄰/次近鄰算法對參考圖像和待匹配圖像進行初始匹配，并采用基于極線約束的RANSAC算法剔除其中的錯誤匹配，實現(xiàn)圖像的精匹配。

進一步的，本發(fā)明的一種基于改進SIFT算法的高效圖像匹配方法，步驟（1）所述利用SIFT算子對輸入的參考圖像和待匹配圖像進行特征點提取的具體步驟如下：