基于SITF特征提取的加速匹配方法
一种提高SIFT特征匹配效率的方法
虽然 Ｓ 但 Ｉ Ｆ Ｔ 算 法 被 成 功 应 用 于 许 多 领 域， 由于 Ｓ 且Ｓ Ｉ Ｆ Ｔ 特征点数量庞大 ， Ｉ Ｆ Ｔ 特征描述符 这使得 Ｓ 效率 维数过高 ， Ｉ Ｆ Ｔ 特 征 匹 配 计 算 量 大、
８ － １ ２］ 。 许 多 学 者 进 行 了 研 究［ 不高 １ １期２ ０ １ ２ 年 ６ 月上半月
循环采样 ， 还需要 分 不 同 情 况 设 定 采 样 数 或 待 检 使得算法复杂 。 文献 ［ 以 测的特征点数目 ， １ ０ － １ １］ 基于圆形窗口的 １ 该方 ２ 维向量代替 １ ２ ８ 维向量 ， 但同时削弱了原算法邻 法提高了算法的 实 时 性 ， 域方向性信息联 合 的 思 想 ， 使得算法抗噪能力变 ］ 以街区距离和棋盘距离的线性组合 弱 。 文献 ［ １ ２ 代替欧氏 距 离 作 为 特 征 描 述 符 之 间 的 相 似 性 度 量， 并根据部分特 征 的 计 算 结 果 逐 步 减 少 参 与 计 算的特征点 数 ， 从 而 降 低 算 法 时 间 复 杂 度。线 性 组合系数和特征权重的选取均依赖于大量的实验 数据 ， 且针对不同 的 图 像 系 数 其 取 值 范 围 是 变 化 因 此， 应 用 起 来 并 不 方 便。 本 文 以 街 区 距 的，
基于GPU的海量SIFT特征点快速匹配
基于GPU的海量SIFT特征点快速匹配基于GPU的海量SIFT特征点快速匹配摘要：SIFT算子由于其较强的匹配能力和良好的健壮性成为图像匹配领域研究的热点与难点。
但一般应用中SIFT算子提取的特征点的匹配都是在CPU上进行的，这对于维度高达128并且特别是海量的特征点的匹配是非常耗时的。
本文提出将CPU上逐个特征点在KD树上进行的BBF搜索改为在GPU上并行进行，并通过实验进行了对比。
结果表明，将BBF搜索部分放在GPU上实现，匹配速度会有所提升，这就为SIFT算子进行复杂影像的匹配提供了更广阔的的应用空间。
关键词：SIFT特征点；KD树；BBF搜索算法；GPU并行；快速匹配1.绪论D.G.Lowe于1999年提出SIFT算子[1-2]并于2004年对该算子做了完善总结。
SIFT算法是利用提取的图像局部特征进行图像匹配的，在图像匹配、目标识别、遥感影像配准等领域得到了很好的应用[3]。
本文针对SIFT算子提取出的海量特征点的快速匹配问题，考虑各SIFT 特征点在KD树上的搜索是相互独立的，而GPU 在并行数据运算上具有强大的计算能力，特别适合做大量并行化的问题[4]，特别是2007年6月NVIDIA公司推出了可作为数据据并行计算设备的软硬件体系[5]—CUDA并行架构，更将GPU的并行处理能力和应用范围推上一个新台阶，研究尝试利用KD树+BBF搜索，将特征点在KD树的上进行的BBF搜索部分的实现放在GPU上，以试图提高海量特征点匹配的速度。
2.SIFT特征点匹配的一般方法（1）穷举法假设参考影像A和待匹配影像分别提取出m和n个SIFT特征点。
该算法思路为：将待匹配影像的一个特征点与参考影像的所有m个特征点分别进行欧氏距离计算，得到的一个包含m个欧式距离的集合，如果最邻近与次邻近距离的比值小于某一阈值，则与最邻近距离所对应的特征点为一对匹配点对。
将A的所有特征点依次都进行以上运算，即可得到所有的匹配点对。
基于sift特征的图像匹配算法
２１ ．特征点方向的确定
利用特征点邻域像素的的梯 度方 向分布特征 ，为每
一
个特征点指定方 向参数 ，使算子具有 尺度不变性 。
ｍｘ ）√ ＋ ｙ Ｌ 一） ＋ ， １ Ｌ ， ｌ （ ＝ ｌ） （ １） ） （Ｙ ， ， 一 ｘ ， ， ＋一 ｘ— ０ｘ ）ｏ ｎ ＯｙＯ Ｌ ， １／ （ １）三 一） ） ９ ， ＝ ２ ， －（ｙ ）（ ｘ ，一 Ｏ １） （ ） ｙ ｔ ｔ ａ ＋ ￣ －）Ｌ ＋ ，） ，
２２ ＊ 个种子 点 ，每个 种子 点８ 方 向 ，共可生 产３ 个数 个 ２
二 、算 法 实现 和 实验 结果
实验算法采用Ｖ ２ ０ 开发 。结果如下 ： Ｃ ０８ 第一 组实 验 ，上 图是 由下 图放大 而来 ，且 ±
光 照 强 度 。两 幅 图 中
的箭 头 方 向代 表 了该 像 素 点 的梯 度 方 向 ，
ＬｘＹｏ ＝Ｇ ｘＹ ） （，） （ ） （，， ） （， ，ｏ Ｉｘ ２
ＳＦ 特征匹配算法是Ｄａｉ Ｌ ｗｅ ０ ４ ＩＴ ｖｄＧ．ｏ 在２ ０ 年总结了
现有 的基于不变量特征检测技术的基 础上 ，提出的一种
基于尺度空 间的，对 图像缩放 、旋转甚至仿 射变换保持
不 变性 的 图像 局部特 征描述算 法 。ＳＦ 特征是 图像 局 ＩＴ
骤 ：１ 特征点 的检测 ；２特 征 向量 的生成 ；３特 征 向 ． 是 ． ．
量的匹配。
尺度对应 于图像 的概貌特征 ，小尺度对应于图像 的细节
特征 。选择 合适 的尺度 因子平 滑是建 立 尺度空 间 的关 键 。在这里 ，主要是建立高斯金字塔和Ｄ Ｇ（ ｉ ｅｅ ｃ Ｏ Ｄ ｆ ｒｎ ｅ
１ ． ．
基于SIFT特征的图像匹配技术研究
基于SIFT特征的图像匹配技术研究一、引言图像匹配技术作为计算机视觉领域的核心技术，具有广泛的应用前景，如拍照搜索、视觉地图构建、安防监控等领域。
图像匹配技术通过对图像的特征提取和匹配，实现不同场景下图像的匹配，为实现人工智能的目标提供了有力的支持。
SIFT特征是一种局部图像特征，由于具有特征独特、不受光线、视角等因素影响的优点，被广泛应用于图像匹配领域。
本文将从图像匹配的基本原理、SIFT特征提取及匹配算法等方面，深入研究基于SIFT特征的图像匹配技术。
二、基本原理1.图像匹配图像匹配是指在两个或多个图像中寻找相同或相似的目标。
其基本流程包括特征提取、特征匹配、求解相对姿态和目标的三维位置等步骤。
其中特征提取和匹配是图像匹配技术的核心。
在特征提取过程中，一种常见的方法是对图像进行降维处理，通过减少图像中的冗余信息，提取出与目标相关的有用信息。
在特征匹配过程中，通过对两幅图像中的特征点进行匹配，得到两幅图像中特征点间的对应关系，进而求解相对姿态和三维位置。
2.SIFT特征SIFT（Scale-Invariant Feature Transform）是一种局部图像特征，由David Lowe于1999年提出。
SIFT特征具有以下特点：（1）尺度不变性：通过高斯差分函数，实现对图像的多尺度分解，提取出具有不同尺度的特征点，并保持在不同大小的图像中也能被识别。
（2）旋转不变性：通过对每个特征点周围进行旋转不变性的描述，确保特征点描述符不受旋转角度的影响。
（3）光照不变性：通过对图像进行归一化，使特征点描述符不受光照、阴影等因素的影响。
（4）特征独特性：SIFT特征通过对图像的局部邻域进行描述，从而提取出具有独特性和区分度的特征点。
三、SIFT特征提取算法SIFT特征提取算法主要分为四个步骤，分别是关键点检测、方向分配、特征描述和特征匹配。
1.关键点检测关键点检测是SIFT算法的第一步，其目的是在图像中寻找稳定的局部特征点。
一种基于SIFT特征的快速图像匹配算法
一种基于SIFT特征的快速图像匹配算法任忠良【期刊名称】《软件》【年(卷),期】2015(000)006【摘要】针对SIFT算法运行速度较慢、时间效率不高的问题，本文提出了一种与Harris角点检测算法相结合的快速图像匹配算法。
该方法利用Harris角点检测算法计算量小，运行速度快的优点，并改进SIFT算法描述子，通过调整描述子的结构达到特征向量降维的目的，进一步提高算法的时间效率。
实验结果证明，该算法既保留了SIFT算法的稳定性以及旋转不变性，也提高了SIFT算法的运行速度。
%A new algorithm is proposed combined with Harris corner detection algorithm, in order to improve the efficiency of SIFT which runs slowly and has low efficiency on features extracting. It makes full use of Harris’ low calculation fast operation. By changing the SIFT descriptor, it achieves the goal of decreasing the eigenvector through improving the structure of the descriptor. As the experimental results show, this algorithm, not only retains the stability and rotation invariance of SIFT, but also improves the speed of SIFT algorithm.【总页数】5页(P53-57)【作者】任忠良【作者单位】中南民族大学计算机科学学院，湖北武汉430074【正文语种】中文【中图分类】TP391.41【相关文献】1.一种基于改进SIFT特征的图像匹配算法 [J], 龙文峰2.一种基于SIFT特征的快速图像匹配算法 [J], 杨松;邵龙潭;宋维波;刘威3.一种基于改进SIFT特征的图像匹配算法 [J], 龙文峰;4.基于SIFT特征的哈希快速检索与图像匹配 [J], 张闯;杨咸兆;徐齐全;陈苏婷5.基于改进的SIFT特征的图像匹配算法研究 [J], 胡柳;邓杰;肖瑶星;卢艳芝;曾蒸因版权原因，仅展示原文概要，查看原文内容请购买。
基于SIFT算法的图像匹配研究
基于SIFT算法的图像匹配研究近年来，随着计算机视觉领域的发展，图像匹配成为一个热门的研究领域。
图像匹配是指在两个或多个图像之间找到相同或相似的内容。
在许多应用程序中，如图像检索、物体识别、拼接和增强，图像匹配是一个至关重要的问题。
其中，SIFT算法是一种流行的技术，它已被广泛应用于图像拼接、物体识别等各种领域。
SIFT算法是由David Lowe于1999年提出的一种图像特征提取算法。
它的主要思想是通过从图像中提取出具有唯一性和不变性的特征点，来进行图像匹配。
在提取特征点时，SIFT算法涉及到多个步骤，如高斯差分金字塔和尺度空间极值点检测。
特征点提取完成后，SIFT算法使用局部图像描述符来描述这些特征点，这些描述符对图像旋转、尺度和亮度变化具有不变性。
在使用SIFT算法进行图像匹配时，首先需要在两个图像中提取特征点。
然后，通过匹配这些特征点来计算它们之间的相似性。
如果特征点的相似性得分高于阈值，则认为它们是匹配的。
在实践中，SIFT算法虽然非常流行，但也存在一些缺点。
由于SIFT算法需要计算复杂的高斯差分金字塔和尺度空间极值点检测，因此它的计算复杂度非常高。
此外，SIFT算法对于光照变化和旋转变换比较敏感，这会导致匹配结果的不准确。
为了克服这些缺点，研究人员提出了一些改进的SIFT算法。
例如，SURF算法使用快速的Hessian矩阵检测技术代替了SIFT算法中的高斯卷积和Laplacian检测。
这使得SURF算法具有更快的计算速度和更高的稳定性。
此外，ORB算法使用快速响应二进制特征来代替SIFT算法中的变量高斯模板和Haar小波变换。
这使得ORB算法在特征提取和匹配方面更加高效和准确。
除了SIFT算法，还有许多其他的图像特征提取算法，如SURF、ORB、FAST、BRIEF等。
每种算法都有其优缺点，研究人员需要在不同应用场景下选择最适合的算法。
总之，基于SIFT算法的图像匹配研究在计算机视觉领域发挥了重要作用。
基于视觉特征检测的快速匹配算法研究
基于视觉特征检测的快速匹配算法研究近年来，随着人工智能和计算机视觉的快速发展，图像和视频处理技术在很多领域都得到了广泛应用。
而基于视觉特征检测的快速匹配算法是其中的重要分支之一，它为人们解决了很多实际问题，如图像识别、人脸识别、物体跟踪、三维重建等。
一、基本原理基于视觉特征检测的快速匹配算法是从一组图像中提取出描述其内容的特征点，并将这些特征点进行匹配，从而在不需要精确的图像识别或分割情况下，可以实现图像和视频检索的目的。
特征点是指在一幅图像中可以和其他图像区分开的显著点，这些点具有一定的不变性，可以通过一些算法来提取。
目前常见的特征点提取算法有SIFT、SURF、ORB、FAST等。
二、算法流程基于视觉特征检测的快速匹配算法的流程一般包括以下几个步骤：1. 特征点检测：从图像中提取出特征点。
2. 特征点描述：对每个特征点进行描述，可以使用SIFT、SURF等算法。
3. 特征点匹配：将两幅图像中的特征点进行匹配，匹配算法可以是基于距离、角度差等方法。
4. 鲁棒性提高：对于匹配结果不理想的特征点进行排除或重新匹配，提高算法的鲁棒性。
5. 精度提高：对匹配结果进行精度提高，可以通过RANSAC 等算法来估计匹配点的位置变换关系。
三、应用领域基于视觉特征检测的快速匹配算法在很多领域都有应用：1. 图像检索：通过检测图像中的特征点，将其和数据库中的图像进行匹配，实现图像检索。
2. 视频跟踪：通过检测视频中的特征点，实现物体跟踪，可以应用于自动驾驶、无人机等领域。
3. 三维重建：通过检测多张图像中的相同特征点，实现三维空间中的物体重建。
4. 人脸识别：通过检测人脸图像中的特征点，实现人脸识别。
四、算法优化在实际应用中，基于视觉特征检测的快速匹配算法仍然存在一些问题，例如匹配错误、鲁棒性不足等。
因此，需要对算法进行优化。
优化方向可以包括以下几个方面：1. 特征点提取算法的优化：不同的特征点提取算法具有不同的性能表现，可以通过参数调整或算法改进来提高特征点检测效率和质量。
sift特征提取与匹配原理
SIFT特征提取与匹配原理的深入解析一、引言在图像处理和计算机视觉领域，尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）是一种被广泛应用的算法。
SIFT特征提取与匹配原理是图像处理中的重要一环，对于图像识别、图像配准、3D建模、物体跟踪等应用具有重要意义。
本文将深入解析SIFT特征提取与匹配原理，包括其基本概念、算法流程、优缺点以及应用场景。
二、SIFT特征提取原理1. 尺度空间极值检测SIFT算法首先通过构建尺度空间，在不同尺度下搜索所有可能的特征点。
这个过程是通过高斯差分（Difference of Gaussians，DoG）来实现的，它可以有效地检测出图像中的局部极值点，这些点具有尺度不变性，即无论图像被放大或缩小，这些点都能被检测到。
2. 特征点定位在检测到局部极值点后，SIFT算法会进行精确的定位。
这个过程包括去除低对比度的点和边缘点，因为这些点不稳定且对噪声敏感。
通过拟合三维二次函数来精确确定特征点的位置和尺度。
3. 方向分配为了使描述符具有旋转不变性，SIFT算法会为每个特征点分配一个主方向。
这是通过计算特征点周围像素的梯度方向和大小来实现的。
主方向是通过直方图统计梯度方向并找到最大的峰值来确定的。
4. 描述符生成最后，SIFT算法会生成一个描述符，用于描述特征点周围的图像信息。
描述符是通过将特征点周围的区域划分为4x4的子区域，并计算每个子区域的梯度方向和大小直方图来生成的。
描述符是一个128维的向量，具有对尺度、旋转和光照变化的不变性。
三、SIFT特征匹配原理在生成了SIFT描述符后，就可以进行特征匹配了。
这个过程是通过计算两个描述符之间的欧氏距离来实现的。
距离越小，表示两个特征点越相似。
为了提高效率，通常会使用K-D树等数据结构来加速匹配过程。
此外，还可以使用RANSAC等算法来消除误匹配，提高匹配的准确性。
四、优缺点分析SIFT算法的优点主要体现在以下几个方面：1. 尺度、旋转和光照不变性：SIFT描述符具有对尺度、旋转和光照变化的不变性，这使得它在各种场景下都能取得较好的效果。
一种基于分块策略的SIFT特征快速提取与匹配方法
一种基于分块策略的SIFT特征快速提取与匹配方法闸旋;王慧;程挺;李烁;郭忠磊【期刊名称】《测绘科学技术学报》【年(卷),期】2014(000)005【摘要】通过研究基于GPGPU的SIFT特征匹配，提出一种通过分块处理实现大面阵遥感影像快速匹配的方法。
首先采用鲁棒性强的随机采样一致性算法来估计待匹配影像间的单应关系并剔除误匹配点；然后通过单应关系找到待匹配影像间的重叠区域，进而实现大面阵遥感影像的分块SIFT特征提取和匹配。
试验证明该算法可较快提取相应航摄测区的同名像点，为后续进行的光束法区域网平差提供了鲁棒的数据源。
%After researching SIFT feature detecting and matching based on partitioning strategy, a feature matching method apply to remote sensing imagery of bedding face array by blocking its area is proposed. This method first a-dopt the robust RANSAC algorithm to estimate homography relationship between two images to be matched and e-liminate false matching points, then find overlapping area between two images via the homographic matrix so as to achieve SIFT feature partitioned detecting and matching on remote sensing imagery of bedding face array. The pro-posed algorithm was experimented to verify that it can extract survey area corresponding points quickly, which can be provided as robust data foundation for bundle adjustment next to be conducted.【总页数】5页(P505-509)【作者】闸旋;王慧;程挺;李烁;郭忠磊【作者单位】92859部队，天津 300061;信息工程大学，河南郑州450001;78155部队，四川成都 610036;信息工程大学，河南郑州450001;92859部队，天津 300061【正文语种】中文【中图分类】P237【相关文献】1.基于图像分块的Harris-SIFT特征匹配算法 [J], 岳彩兵;张国华;马军勇2.一种改进的基于RANSAC方法的SIFT特征匹配 [J], 陈树;王磊3.一种基于数据聚类的鲁棒SIFT特征匹配方法 [J], 范志强;赵沁平4.一种基于SIFT特征的铁道检测图片的匹配方法 [J], 马彦昭;胡浩基;王曰海5.一种基于SIFT特征匹配的自动图像拼接方法 [J], 夏朝贵;李二森;刘智;杨婷;邱志斌因版权原因，仅展示原文概要，查看原文内容请购买。
基于SIFT特征的哈希快速检索与图像匹配
言
进行排名，将结果返给用户。CBIR 方式依据图像抽象
随着自媒体的出现，使得互联网上图像资源爆炸式
进行检索，实现了自动分类，提高了检索的鲁棒性 [1]。本
增长。为了更好地利用海量的数据，如何更好地快速检
文提出的方法属于 CBIR 类，在传统 SIFT 特征提取算法
索图像愈发重要。传统的图像检索方法主要分为两类：
that appear in the experiment，the problem of transforming the high⁃dimensional descriptors to low⁃dimensional conflict items is
perfectly solved and the matching speed is accelerated by adding the flag and recording the number and addresses of conflicts in
项，通过在哈希表中添加标志位并记录冲突相个数和地址，完美地解决了高维描述子转化到低维冲突项的问题，加快了匹配
速度。实验结果表明，该方法图像匹配速度优于传统 SIFT 匹配方法，加快了相似特征检索速度、提高了查询效率，并能够满
足实时应用。所提出的采用 SIFT 关键点描述子的二值化与哈希检索相结合的方法，通过对比实验，证明了该方法在保证准
基 于 标 签 的 图 像 检 索（Text ⁃ Based Image Retrieval，
的基础上引入哈希码，加快了检索效率。
SIFT 算法通过提取图像的 SIFT 特征来实现图像匹
TBIR）和基于内容的图像检索（Content⁃Based Image Re⁃
配，在稳定性、独特性、多量性以及可扩展性等方面具有
python利用opencv实现SIFT特征提取与匹配
python利⽤opencv实现SIFT特征提取与匹配本⽂实例为⼤家分享了利⽤opencv实现SIFT特征提取与匹配的具体代码，供⼤家参考，具体内容如下1、SIFT1.1、sift的定义SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是⽤于图像处理领域的⼀种描述。
这种描述具有尺度不变性，可在图像中检测出关键点，是⼀种局部特征描述⼦。
1.2、sift算法介绍SIFT由David Lowe在1999年提出，在2004年加以完善。
SIFT在数字图像的特征描述⽅⾯当之⽆愧可称之为最红最⽕的⼀种，许多⼈对SIFT进⾏了改进，诞⽣了SIFT的⼀系列变种。
SIFT已经申请了专利（所以现在opencv使⽤这个算法，需要低的版本）。
SIFT特征是基于物体上的⼀些局部外观的兴趣点⽽与影像的⼤⼩和旋转⽆关。
对于光线、噪声、微视⾓改变的容忍度也相当⾼。
基于这些特性，它们是⾼度显著⽽且相对容易撷取，在母数庞⼤的特征数据库中，很容易辨识物体⽽且鲜有误认。
使⽤SIFT特征描述对于部分物体遮蔽的侦测率也相当⾼，甚⾄只需要3个以上的SIFT物体特征就⾜以计算出位置与⽅位。
在现今的电脑硬件速度下和⼩型的特征数据库条件下，辨识速度可接近即时运算。
SIFT特征的信息量⼤，适合在海量数据库中快速准确匹配。
SIFT算法具有如下⼀些特点：1）SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视⾓变化、仿射变换、噪声也保持⼀定程度的稳定性；2）区分性（Distinctiveness）好，信息量丰富，适⽤于在海量特征数据库中进⾏快速、准确的匹配；3）多量性，即使少数的⼏个物体也可以产⽣⼤量的SIFT特征向量；4）⾼速性，经优化的SIFT匹配算法甚⾄可以达到实时的要求；5）可扩展性，可以很⽅便的与其他形式的特征向量进⾏联合。
1.3、特征检测SIFT特征检测主要包括以下4个基本步骤：1）尺度空间极值检测：搜索所有尺度上的图像位置。
月面模拟环境的SIFT特征提取与匹配方法
空间控制技术与应用Aer os pace Contr ol and App licati on 第35卷 第5期2009年10月收稿日期:2009201209作者简介:刘佳璐(1972—),男,辽宁人,博士后,研究方向为计算机视觉(e 2mail:tnliu @s ).月面模拟环境的SI FT 特征提取与匹配方法刘佳璐1,2(1.北京控制工程研究所,北京100190;2.空间智能控制技术国家级重点实验室,北京100190)摘 要:为了满足月面巡视探测器的自主导航要求.使用一种新的基于尺度不变的特征点提取和匹配算法.首先根据尺度不变特征变换方法从图像中提取关键点作为特征点,然后进行左右双目图像的特征点匹配和视差的恢复.与传统特征算法相比,可以提高对不同光照环境图像匹配的鲁棒性和匹配精度.在模拟试验场的双目视觉图像匹配中,仿真实验取得较好的效果.关键词:月面巡视探测器;SI TF 特征;视觉导航;特征提取;特征匹配中图分类号:TP391 文献标识码:A 文章编号:167421579(2009)0520048204Extracti on and M a tch i n g of S I FT Fea ture for S i m ul a ted L unarEnv i ronm en tL I U J ialu1,2(1.B eijing Institute of Control Eng ineering,B eijing 100190,China; 2.N a tional Key L aboratoryof Science and Technology Space IntelligentControl,B eijing 100190,China )Abstract:A ne w feature point extracti on algorith m based on p ri or knowledge of navigati on syste m s f or lu 2nar r over is p resented in this paper .The key 2points was extracted by SI FT fr om i m age as feature points at first .Then use these feature points f or binocular matc 2hing thus getting distance inf or mati on of the scene by the calculati on of differences bet w een match points in t w o i m ages .This algorithm could i m p r ove the r obust t o lightness change for i m ages of lunar regi on and accura 2cy in the later matching phase .This algorithm makegood results in si m ulative envir onment experi m ents .Keywords:lunar r over;SI FT feature;visi on naviga 2ti on;feature extracti on;feature matching本文研究背景为月面巡视探测器(月球车)控制与导航分系统中的视觉部分.导航与控制子系统是控制月球车的神经中枢,本文研究的视觉导航部分犹如这个神经中枢的眼睛.视觉导航系统能否处理采集到的图像获得理想的效果,并获得清晰有效的图像以及做出正确的图像分析与理解,将直接影响到后面的遥操作或自主导航及避障的路径规划.在车辆的视觉导航系统中,通常包括图像的采集系统和视觉处理系统两大部分,其中前者通常包括CCD 相机采集数字图像,采集系统又分单目图像的采集和双目图像的采集,近些年来,随着信息技术的发展,普遍在视觉导航中使用双目立体视觉采集和处理图像[1].比如美国的“索杰纳”、火星探测车(MER )的“勇气号”和“机遇号”等.在双目立体视觉中[2],是模仿人眼的视差原理,进行两幅图像中相同部分特征的对应匹配,根据视差的原理获得三维信息,得出一个相对观测者的一个视差图,有效判断目标的距离,并且以此规划一个较为安全的路径,进而能进行自主导航和避障.整个系统的构成如图1所示.特征的提取和匹配是视觉导航技术中的一个重要步骤;也是计算机视觉研究领域中的一个重要问题.在月球车的视觉导航系统中,首先要对采集的图像进行特征提取,随后用提取的特征进行双目匹配得出视差图,最后恢复出到前方目标的距离信息.特征的提取是视觉导航技术中的一个重要步骤,也是计算机视觉研究领域中的一个重要问题.在双目视觉系统中,如何快速准确的选取两幅图像中共同可以用于下一步匹配的特征,是非常关键的一步,现有的立体视觉系统的特征提取包括点、线和区域特征的提取.由于月球车所处的月面环境属于非结构化环境,纹理特征比较单一,灰度变化不明显,只能适合采用基于特征点的匹配.目前的特征点提取方法主要有Moravec 算子、Forstner 算子、Harris 角点提取算子[3]和Susan 算子等.由于月面模拟环境的特点和相机等硬件的局限性,容易出现两个相机采集的图像光线差异和发生形变等问题.本文使用尺度不变特征(SI FT,scale invariantfeature transfor m )对模拟环境图像提取特征点[4],并进行双目视觉的匹配工作.与传统算法相比,可以・84・第5期刘佳璐:月面模拟环境的SI FT 特征提取与匹配方法增加对不同光照环境的鲁棒性,并且增加了匹配精度.在模拟试验场的双目视觉照片中,本文的实验取得较好的效果.图1 视觉系统算法框架图本文包含以下几个部分,第二部分是基于SI FT的月面模拟图像特征提取方法处理,第三部分是特征匹配方法,第四部分是实验及结果分析,第五部分是应用这个算法的可行性分析,第六部分是结论.1 基于S I FT 的月面模拟图像特征提取方法尺度空间理论最早出现于计算机视觉领域时其目的是模拟图像数据的多尺度特征.Koendetink 在文献[4]中证明高斯卷积核是实现尺度变换的唯一变换核,而L indeberg [5]等人则进一步证明高斯核是唯一的线性核.图像中的二维高斯函数定义为G (x,y,σ)=12πσ2e-(x 2+y 2)/(2σ2)(1)式中σ为高斯正态分布的方差.一个图像的尺度空间L (x,y,σ)定义为高斯函数与图像的卷积L (x,y,σ)=G (x,y,σ)3I (x,y ). Lowe 在图像二维平面空间和DoG (difference 2of 2gaussian )尺度空间中同时检测局部极值以作为特征点,以使特征点具备良好的独特性和稳定性[6].这个算法首先在尺度空间进行特征检测,并确定关键点(Keypoints )的位置和关键点所处的尺度,然后使用关键点邻域梯度的主方向作为该点的方向特征,以实现算子对尺度和方向的无关性.SI FT 算法提取的尺度不变特征向量对旋转、尺度缩放和亮度变化保持不变性,对视角变化、仿射变换和噪声也保持一定程度的稳定性,且独特性好,信息量丰富,适用于在海量特征数据库中进行快速、准确地匹配. SI FT 特征匹配算法包括两个阶段,第一阶段是SI FT 特征的生成,即从多幅待匹配图像中提取出与尺度缩放、旋转、亮度变化无关的特征向量;第二阶段是SI FT 特征向量的匹配.下面本文来具体介绍一下SI FT 算法.一幅图像SI FT 特征向量的生成算法总共包括4步:(1)计算尺度空间极值,以初步确定关键点位置和所在尺度.首先计算图像对应不同尺度空间的一系列高斯差分图像DoG (Lap lacian 2of 2Gaussian ),并构造高斯金字塔,DoG 算子定义为两个不同尺度高斯核的差分,具有计算简单的特点,是归一化LoG 算子的近似.DoG 算子如式(2)所示D (x,y,σ)=(G (x,y,kσ)-G (x,y,σ))3I (x,y )=L (x,y,kσ)-L (x,y,σ)(2) 对于图像上的点,计算其在每一尺度下DoG 算子的响应值,这些值连起来得到特征尺度轨迹曲线.特征尺度曲线的局部极值点即为该特征的尺度.尺度轨迹曲线上完全可能存在多个局部极值点,这时可认为该点有多个特征尺度.在计算尺度空间极值时,每个像素需要跟包括同一尺度的周围邻域8个像素和相邻尺度对应位置的周围邻域9×2个像素总共26个像素进行比较,以确保在尺度空间和二维图像空间都检测到局部极值.(2)通过拟和三维二次函数来精确确定关键点的位置和尺度,同时去除低对比度的关键点和不稳定的边缘响应点(因为DoG 算子会产生较强的边缘响应),以增强匹配稳定性和提高抗噪声能力.将尺度空间的方程D (x,y,σ)按照泰勒展开得到第二项[7]D (x )=D +5D T 5x x +1252D5x 2x(3) 通过这个二次函数,将不同尺度图像的局部极值点进行拟合;另上式的偏导数为0,求出极值的位置x 0=-52D -15x 25D5x. 这个过程可以在定位的过程中,使提取的特征点达到亚像素的精度.(3)利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性.计算特征点的方向θ(x,y )和幅值m (x,y )m (x,y )=(L (x +1,y )-L (x -1,y ))2+(L (x,y +1)-L (x,y -1))2θ(x,y )=arctan ([L (x +1,y )-L (x -1,y )]/[L (x,y +1)-L (x,y -1)])(4)・94・空间控制技术与应用35卷 式(4)为(x,y)处梯度的模值和方向公式.其中L所用的尺度为每个关键点各自所在的尺度.在实际计算时,在以关键点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向.梯度直方图的范围是0°～360°,其中每10°一个柱,总共36个柱.直方图的峰值则代表了该关键点处邻域梯度的主方向,即作为该关键点的方向.至此,图像的关键点已检测完毕,每个关键点有三个信息:位置、所处尺度和方向.由此可以确定一个SI FT特征区域.(4)生成SI FT特征向量.首先将坐标轴旋转为关键点的方向,以确保旋转不变性.接下来以关键点为中心取16×16的窗口.生成16个4×4的子窗口,在每个子窗口计算0°,45°, 90°,135°,180°,225°,270°,315°,这8个方向的梯度大小和幅值,因此每个4×4的子窗口可以看作一个8维特征向量的描述,那么整个窗口可以看作128维特征描述.然后将这些特征进行向量的归一化描述.如果缩小关键点的窗口到8×8,就可以最后生成一个32维特征向量.2 使用S I FT特征进行双目图像的匹配当两幅图像的SI FT特征向量生成后,下一步采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量.如图2所示,其匹配方法是直接在对应的另一幅图像中寻找特征点的特征向量相减,直接找出所得差值为最小值的点,作为匹配点.当两幅图像的SI FT特征向量生成后,采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量.图2的具体描述如下,假设在左图像提取n个特征点,在右图像提取m个特征点.左图像第i(0≤i≤n)个特征点坐标(x i,y i)的特征向量为X li,与每个右图像的每个特征点的特征向量Xrj(j=1,…,m)相减所得的一组数据中,理论上选择特征向量之差为最小(特征向量的欧氏距离最近)的特征向量所对应的右图特征点为对应匹配点.通常情况,为了防止误匹配的发生,选择欧氏距离最近点与次近点的距离相除,如果两者相除低于某一个比例阈值,就确定这个点和左图像的特征点匹配上.这个比例阈值越大,就会有更多的点匹配上,但是误匹配的概率也会高;这个比例阈值越低,匹配精度越高,但是匹配的点会减少.图2 特征匹配的流程图3 实验及结果分析图3是增强的图像与没有增强的图像的匹配结果.获得27个匹配点.使用增强的图像与没有增强的进行匹配,对本文的工作是非常有意义的,但由于采集设备硬件在月面环境中受到扰动影响,可能出现其中一幅图像过曝光的情况,会导致本应该属于对应的一个目标在图3上出现的灰度特征呈现出很大的差异.在光线差异比较大的情况下,传统的S AD(the su m of abs olute differences)和NNC(nor malized cr oss correlati on)等匹配准则都是基于局部灰度信息特性的匹配,这些方法会带来明显的误匹配情况.使用基于特征向量的SI FT方法匹配会对光照强度、位置变化、图像扭曲变形等保持很好的鲁棒性.根据视差公式推算相机距离被观测点目标的距离:Z=B f/d,其中两相机间距B和焦距f根据具体相机试验数据计算.d为两幅图像中匹配点所在像素的坐标对应的欧氏距离.d=(x L-x R)2+(y L-y R)2(5)其中xL和yL为图(3a)图像匹配点的坐标,xR和yR・5・第5期刘佳璐:月面模拟环境的SI FT特征提取与匹配方法图3 增强的左图像与没有增强的右图像的匹配结果为图(3b)图像匹配点的坐标.假设本文实验中导航相机间距B为200mm,焦距f为14mm,相机靶面尺寸为12mm×12mm,对应每个象素为010012mm;将两图像的像素间距离数据带入视差公式Z=B f/d,可以获图中的匹配点到相机的距离距离Z如表1所示.表1 相机到对应的匹配点距离点编号距离/m点编号距离/m点编号距离/m10.5076100.6955190.584320.5238110.7489200.46363 1.4965120.4568210.475940.6979130.579022 3.403650.6665140.7039230.485160.535815 6.2660240.678870.7069160.4552250.922180.4968170.4579260.490890.6614180.5549270.4826 根据表1所示,第3点,15点,22点都是对应图3中距离相机较远的点,求得的距离值都比较大.而17,20,21,23等几个点,在最前面距离相机最近的位置,这些点的距离符合实际的远近位置关系,因此,这个试验的结果有较高的准确性.同时这个实验的对比结果显示,在明暗明显不同的两幅图像中,仍然有较高的匹配精度,显示了对不同光照环境较好的鲁棒性,这个特性对以后的月面真实环境的匹配工作有重要的意义.4 应用S I FT特征匹配完成月面巡视器自主导航的几个可行性 虽然SI FT特征匹配的鲁棒性很强,可解决很多实际环境中可能出现的问题.但是其主要问题就是匹配准确的点数目不足以完全恢复出三维地形,为此可以采用其它手段完成避障任务.(1)今后改进SI FT特征匹配算法工作的设想SI FT特征匹配算法在对于月面模拟环境的视觉处理中虽然有很多独特的优点,但是比较致命的缺点就是精确匹配的数量不够多,运算速度比较慢.为此一方面可以通过图像分割方法,减少匹配的范围,将工作量缩小.另一方面在关键点特征向量生成上,可以在保留信息量的基础上,缩小窗口范围,进一步减少特征向量的维数.(2)用有限匹配点解决避障问题首先,图像中的每一个像素对应地面的近似梯形小块,假设地面为平滑无障碍物的,那么每个像素对应的地面梯形块到相机的距离应该是一个有规律的函数,对应每一点都应该有一个固定的理想的值.而通过SI FT方法计算出的结果,将与这个相机距离地面理论值有一个偏差,这个偏差的大小就决定这个位置的高低起伏.当这个偏差值超过某个阈值时候,就可以推断这个位置是安全区域还是危险区域.(3)在视觉里程的应用视觉里程计,是可以克服由于土壤松软,陡坡等引起的漫游车滑移带来的扰动.其原理是假定漫游车不动,特征点移动,求出特征点移动的距离和方向,然后推算出车辆本身的行走距离和位置,其具体工作方式包括:1)在采集的图像中选定一些感兴趣的特征点;2)在探测器移动的时候跟踪这些特征点;3)计算出不同时刻这些点的相对位置.(下转第60页)・15・空间控制技术与应用35卷配置文件的代码组成了I oC容器.I oC容器把在工厂方法中不灵活的对象生成代码,改变为配置文件来定义,设备只需要提供相应的符合统一接口要求的协议程序,并在配置文件中定义好设备类名和所对应的协议标识就可以平滑地加入到软件中,这样大大提高了程序的灵活性和可维护性.在实现方法上,X ML提供了一种计算机文档的标准格式,经常作为配置文件使用.利用Java语言中的反射机制,根据给出的类名生成相应的对象,能实现I oC容器的功能.另外,目前具有代表性的轻量级框架Sp ring本身提供了I oC容器,可根据其定义的规则直接使用.5 结 论对于地面站监控系统,监控设备种类多,软件开发中的组件依赖关系复杂.在监控软件开发框架中应用模块化思想,并结合通用接口和控制反转技术,可以方便组件开发,降低组件之间的耦合,使整个框架更加易于扩展、复用,更能适应需求的变化.各个模块采用抽象化的面向对象的设计方法,模块之间交互操作,在一定程度上提高了框架的通用性.目前此通用性设计思想已应用于某卫星地面站设备监控软件的开发中,取得了良好的效果,并为卫星地面应用系统的开发以及构建高效率的航天应用软件系统提供了良好的借鉴作用.参 考 文 献[1] 徐俊颖,许聚常,陈怀义.基于构建技术的卫星地球站站控系统的设计模型[J].计算机工程与科学,2006,28(3):1092110[2] 王明远,刘长柱.亚洲一流的遥感卫星地面应用系统[J].空间电子技术,2000(2):49[3] 傅秀涛,顾斌.面向AOCS软件的构件技术研究[J].航天控制,2009,27(1):67268[4] 刘青普,王健,赵振杰,等.卫星测控站监控系统软件结构的研究与实现[J].计算机仿真,2006,23(11):79281[5] Martin F.I nversi on of contr ol containers and thedependency injecti on pattern[E B/OL].[2004201223].htt p:///articles/injecti on.ht m l [6] 李明歆,马世龙,许可.面向航天器测试的S OA信息系统研究[J].计算机工程与设计,2007,28(21):524825249[7] 仲红艳.控制反转技术分析[J].计算机技术与发展,2006,16(1):59261(上接第51页)视觉里程对匹配点的精度要求比较高,今后可以使用SI FT方法进行这方面的尝试工作.5 结 论本文在基于SI FT特征提取的方法上进行了深入研究,并且将其用于月面图像的双目立体视觉匹配中.由于月面模拟图像的光照环境变化较大,采集图像的两相机之间容易存在其他硬件原因导致的采集图像的差异等,本文使用基于尺度不变的特征提取和匹配方法,可以有效避免这些问题.另一方面由于匹配的特征点提取达到亚像素精度,因此可以明显提高目标定位的精度,在仿真实验中取得较好的实验结果.今后可以进一步优化这一算法,针对实时性进行提高,同时可以利用图像分割的方法,在预处理阶段使用图像分割来有效判别可能的危险区域,减少后面的匹配工作量.参 考 文 献[1] Steven B,Goldberg M W,Mai m one L M.Stereo visi onand r over navigati on s oft w are for p lanetary exp l orati on[C].I EEE Aer os pace Conference,B ig Sky,Montana,US A,March2002[2] Cheng Y,G oguen J,Johns on A,et al.The mars ex pl orati onr overs descent i m age moti on esti m ati on system[J].I EEE I ntelligent Syste m s,2004,3(3)13221[3] Harris C,Stephens M J.A combined corner and edgedetect or[C].The4th A lvey V isi on Conference,Man2chester,UK,Ap ril1988[4] Lowe D G.D istinctive i m age feature fr om scale2invariantkeypoints[J]I nternati onal Journal of Computer V isi on,2004,60(2):912110[5] L indeberg.Scale s pace for discrete signals[J].I EEETrans.P AM l,1990,20(3):2342254[6] Lowe D G.Object recogniti on fr om l ocal scale2invariantfeatures[C].I nternati onal Conference on Computer V i2si on,Corfu Greece,1999・6・。
SIFT特征点提取与匹配算法
SIFT特征点提取与匹配算法SIFT (Scale-Invariant Feature Transform) 特征点提取与匹配算法是一种在计算机视觉领域中常用的特征点提取与匹配方法。
它由David Lowe在1999年提出，并且成为了计算机视觉领域中广泛应用的算法之一、SIFT特征点提取与匹配算法的主要思想在于提取图像中具有独特性、不受尺度变化和旋转变化影响的局部特征点，并通过特征匹配找到两幅图像之间的对应关系。
SIFT算法主要分为4个步骤：尺度空间极值检测、关键点定位、方向分配和特征描述。
第一步，尺度空间极值检测。
该步骤旨在检测图像中所有尺度的极值点作为特征点的候选。
为了对图像进行不同尺度的检测，SIFT算法使用了高斯金字塔。
高斯金字塔是通过对原始图像进行一系列高斯模糊和下采样操作构建的图像金字塔。
在每一组金字塔中，通过计算图像在不同尺度下的拉普拉斯变换，得到图像的尺度空间表征。
然后，通过比较每一层相邻像素点的灰度，检测出具有极值的像素点。
这些极值点将被作为候选的关键点。
第二步，关键点定位。
在这一步骤中，SIFT算法对候选的关键点进行一系列的筛选，以保留稳定的关键点。
首先，使用插值的方法对关键点进行亚像素精确定位。
然后，根据图像的梯度信息计算关键点的主曲率，通过判断主曲率是否小于阈值，来筛选掉低对比度的关键点和边缘响应的关键点。
此外，通过计算关键点的梯度方向，可以为后续的方向分配做准备。
第三步，方向分配。
为了提高特征点的旋转不变性，在这一步骤中，SIFT算法为每个关键点分配一个主方向。
具体地，SIFT算法将关键点的周围区域分为若干个子区域，并计算每个子区域的梯度方向直方图。
通过找到直方图中的局部极大值，选择关键点的主方向。
这样，即使图像发生旋转，关键点的描述子也能够保持一致性。
第四步，特征描述。
在这一步骤中，SIFT算法为每个关键点生成一个128维的描述子。
描述子的生成主要通过计算关键点周围区域内的梯度信息。
基于快速SIFT特征提取的模板匹配算法
基于快速SIFT特征提取的模板匹配算法李忠海;李申;崔建国;刘罗曼【期刊名称】《计算机工程》【年(卷),期】2011(37)24【摘要】针对尺度不变特征变换(SIFT)算法计算量大的问题,提出一种基于快速SIFT特征提取的模板匹配算法.采用递推方法加速计算每个种子向量,利用向量排序来保持算法对旋转的不变性,并通过一种适用于该描述符的快速搜索匹配方法,提高算法的实时性.实验结果表明,该算法能提高匹配速度,并且能在旋转、缩放的情况下有效地识别目标.%According to the problem of large amount of Scale Invariant Feature Transform(SIFT) algorithm, this paper constructs pyramid feature descriptor by using concentric squares, calculates every seed vector quickly by using recursion algorithm, and maintains the rotation invariant of algorithm by simply ranking the vector. It puts forward a matching search method which is suitable for the descriptor. Experimental results show that the algorithm can increase the matching speed, and can identify target effectively under rotate and zooming.【总页数】3页(P222-224)【作者】李忠海;李申;崔建国;刘罗曼【作者单位】沈阳航空航天大学自动化学院,沈阳110136;沈阳航空航天大学自动化学院,沈阳110136;沈阳航空航天大学自动化学院,沈阳110136;沈阳师范大学数学与系统科学学院,沈阳110136【正文语种】中文【中图分类】TP391.41【相关文献】1.一种基于特征提取和模板匹配的人脸检测算法 [J], 孔潇;沈兰荪;毋立芳2.一种基于比例特征提取模板匹配算法的充值卡卡密字符识别方法 [J], 张春昱3.基于快速 SIFT 算子违禁品特征提取研究 [J], 陈鹏;邹涛;郭建民4.一种基于特征提取和多模板匹配的心律失常检测算法 [J], 崔永华;梁正友5.基于模板匹配的三维人体语义特征提取算法 [J], 李灵杰; 童晶; 步文瑜; 孙海舟; 陈正鸣因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于SIFT特征的快速图像匹配算法
第33卷第7期2016年7月计算机应用与软件Computer Applications and SoftwareVol.33 No.7Ju l.2016一种基于SIFT特征的快速图像匹配算法杨松1，邵龙潭1宋维波2刘威21(大连理工大学工业装备结构分析国家重点实验室辽宁大连11022)2(大连海洋大学信息工程学院辽宁大连11023)摘要经典的SIFT算法具有良好的尺度、旋转、光强不变特性而广泛应用于图像匹配。
图像特征点较少时，匹配过程使用穷举法查找最近邻匹配点；当图像特征点较多时采用K D-T r e结构，而其检索过程存在“回溯”现象，这两种方法的匹配效率都不高。
为了提高特征点的匹配速度，提出改进的SP-T r e结构解决“回溯”问题。
在结点集分割时设置参数合理确定左右超平面位置，引入平衡因子作为结点分割方法选择的依据，采用近似最近邻搜索算法加快特征点匹配速度。
给出算法的详细实现过程，并应用两幅图像进行验证。
实验结果表明：SIFT特征向量采用改进SP-Tree结构在损失少部分匹配点的同时，提高了 SIFT特征点的整体匹配速度，适合于图像特征的实时匹配过程。
关键词 图像匹配SIFT特征KD-Tree SP-T r e e最近邻搜索中图分类号 TP391 文献标识码 A D0I：10. 3969/j.iss n.1000-386x.2016.07. 043A Q U I C K I M A G E M A T C H I N G A L G O R I T H MB A S E D O N S I F^T F E A T U R EYang Song1,2 Shao Longtan1Song Weibo2Liu Wei21(State Key Laboratory of Structural Analysis of Industrial Equipment,Dalian University of Technology,Dalian116024 ,Liaoning,China)2{Institute of Information Engineering,Dalian Ocean University,Dalian116023 ,Liaoning,China)Abstract Due t o i t s good invariant characteristics in scaling,rotation and light intensity,the classic SIFT algorithm has been widely used in image matching.I f there a re fewer image feature points,the exhaustion method i s used t o find the nearest matching point.I f there are more image feature points，KD-tree will then be used,but the backtracking phenomenon exists in i t s retrieval process,so the matching efficiency of both methods are low.In order t o improve feature points matching speed，we propose an improved SP-Tree structure t o solve the backtracking problem.The parameter a i s set t o determine a reasonable location about hyper-plane in node set segmentation，and a balancing factors p i s introduced as the choice basis for different node segmentation method，and the approximate nearest searching algorithm i s adopted，which can accelerate the speed of feature points matching.In the paper we give the detailed implementation process of the algorithm and the validations with two standard images.Experimental results show that the SIFT feature vector，by using a modified SP-Tree structure，at the expense of few matching points，greatly improves the overall speed of SIFT feature points matching.I t i s suitable for image features matching in real time.Keywords Image matching SIFT feature KD-Tree SP-Tree Nearest neighbour search〇引言图像匹配是一种研究同一场景中两个不同视角下的图像之间对应关系的技术，是计算机视觉应用研究的起点和基石，已广泛应用于图像的拼接与融合、目标的识别与跟踪、摄像机标定、图像检索以及三维重构等领域[1_4]。
基于 SIFT 的图像匹配算法
２ ０ １ ４年 第 ７期
算
机
与
现
代
化
总第 ２ ２ ７期
Ｊ Ｉ Ｓ Ｕ Ａ Ｎ Ｊ Ｉ Ｙ Ｕ Ｘ Ｉ Ａ Ｎ Ｄ Ａ Ｉ Ｈ Ｕ Ａ
文章编 号 ： １ ０ ０ ６ ． ２ ４ ７ ５ （ ２ ０ １ ４ ） ０ ７ － ０ ０ ６ ３ － ０ ５
基于 Ｓ Ｉ Ｆ Ｔ的 图像 匹 配算 法
周 丽芬
（ 曲靖 师 范 学 院计 算机 科 学 与 工 程 学 院 ， 云 南 曲靖 ６ ５ ５ ０ １ １ ）
摘要： 直接 用 Ｓ Ｉ Ｆ Ｉ ＂ 算法对较模糊 图像进行 关键 点提取 时， 提取 的 关键 点个数较 少且 进行 下一 步 匹配时错误 匹配较 多 提 出一种基 于 Ｓ Ｉ Ｆ Ｔ特征的 匹配算法 ， 首先利 用拉普拉 斯算子对 图像进行锐化处理 ， 使 其边缘得 到 突出， 然后利 用 Ｓ Ｉ Ｔ 算 Ｆ 法进行 关键 点提取 ， 最后利 用双 向匹配算法进行 图像 匹配。 实验 结果表 明 ， 利 用本 文算 法进 行 匹配比直接 用 Ｓ Ｉ Ｔ 算 法 Ｆ
ｉ ｍａ ｇ ｅ ｍａ ｔ ｃ ｈｉ ｎｇ ｏ ｆ ｔ ｈ ｅ ｎｅ ｘｔ ｓ ｔ ｅ ｐ ｆ ｒ ｏ ｍ ｂｌ ｕｒ ｉ ｍａ ｇ ｅ ．Ｗｅ ｐ ｒ ｏ ｐｏ ｓ ｅ ａ ｍａ ｔ ｃ ｈｉ ｎ ｇ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ＳＩ ＦＴ ｆ ｅ ａ ｔ ｕｒ ｅ ．Ｆ ｉ ｒ ｓ ｌｙ， ｗｅ ｔ ｕｓ ｅ ｔ ｈ ｅ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｋ ｅ ｙ ｐ ｏ ｉ ｎ ｔ ｓ ａ ｒ ｅ ｖ ｅ ｒ ｙ ｆ ｅ ｗ ｗｈ ｅ ｎ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ｂ ｙ ｔ ｈ ｅ Ｓ Ｉ Ｔ Ｆ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｄ ｉ ｒ ｅ ｃ ｔ ｌ ｙ ａ ｎ ｄ ｍｉ ｓ ｍａ ｔ ｃ ｈ ｐ ｏ ｉ ｎ ｔ ｓ ａ ｒ ｅ ｍｕ ｃ ｈ ｍｏ ｒ ｅ ｄ ｕ ｉ ｒ ｎ ｇ ｔ ｈ ｅ
物体识别中的特征基于SIFT特征提取描述匹配
多量性，即使少数的几个物体也可以产生大量 SIF T 特征向量。
可扩展性，可以很方便的与其他形式的特征向量进行联合。
第7页/共39页
例如旋转不变性
Original image courtesy of David Lowe
Octave 3
…
为了让尺度体现其连续性，在简单
2
Octave 2
…
降采样的基础上加上了高斯滤波。
一幅图像可以产生几组（octave）
图像，一组图像包括几层
Octave 1
（ i n t e r va l ） 图 像 。
…
第18页/共39页
17
关键点检测相关问题
…
高斯图像金字塔共o组、s层，
则有：
X
D
X 2
2
1
D
X
2. 再求出当前关键点到精确到 的最大偏移量后，若其值
大于0.5则表示极值点更靠近相邻的点，将关键点换成
相邻的点，重复前两步。
3. 若小于0.5则不动。
第25页/共39页
24
去除低对比度极值点：
• 在精确定位好后。通过上面求得的精确点，计算精确极值，
计算公式如下：
x y
L x 1, y L x 1, y L x, y 1 L x, y 1
梯度幅值：
m x, y
梯度方向：
L x, y 1 L x, y 1
x, y tan
• 2 =
• 利用差分近似代替微分，则有：
结合角点特征与SIFT特征的加速图像匹配
结合角点特征与SIFT特征的加速图像匹配陈伟;刘丽【期刊名称】《计算机技术与发展》【年(卷),期】2012(22)1【摘要】利用关键点寻找不同图像之间的一致性是很多图像处理和计算机视觉应用中的一个关键步骤.由于图像中巨量的关键点,因此特征的快速匹配成为了一个瓶颈.文中提出了一种对特征点进行分类比较的方法来加速特征匹配.首先可将SIFT特征分为两类,极大值SIFT特征和极小值SIFT特征；其次是将SIFT特征和传统角点特征相结合提取特征点并按照角点特征进行分类.实验表明,这种方法在保持原有鲁棒性和精度的情况下,可以较大提高特征匹配速度.%The use of keypoints to find correspondences across multiple images is a key step in many image processing and computer vision applications. Due to the large numbers of keypoints in an image,the feature matching rapidly becomes a bottleneck. In this paper,a novel method is presented to accelerate features matching by making comparisons only between the features of the same types. The first one is based on splitting the SIFT features into two types,Maxima-SIFT and Minima-SIFT features. In the second one,the SIFT feature combines the traditional corner-like features which use moment-derived corner patterns to extract keypoints and split sift features into different types use corner patterns. The presented experimental results show that the method has a big acceleration in the features matching performance compared to the original one without lose a noticeable precision and robustness.【总页数】5页(P98-102)【作者】陈伟;刘丽【作者单位】山东师范大学信息科学与工程学院,山东济南 250014;山东省分布式计算机软件新技术重点实验室,山东济南 250014;山东师范大学信息科学与工程学院,山东济南 250014;山东省分布式计算机软件新技术重点实验室,山东济南250014【正文语种】中文【中图分类】TP31【相关文献】1.结合小波变换与SIFT特征的工件图像匹配 [J], 王彦;傅卫平;朱虹;梁元月2.种结合小波变换的SIFT特征图像匹配算法 [J], 刘佳嘉;何小海;陈为龙3.基于SIFT特征的哈希快速检索与图像匹配 [J], 张闯;杨咸兆;徐齐全;陈苏婷4.基于改进的SIFT特征的图像匹配算法研究 [J], 胡柳;邓杰;肖瑶星;卢艳芝;曾蒸5.基于改进的SIFT特征的图像匹配算法研究 [J], 胡柳;邓杰;肖瑶星;卢艳芝;曾蒸因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于SITF特征提取的加速匹配方法
摘要：SIFT算法是目前应用最广泛的特征点提取匹配算法，该算法具有尺度不变性，旋转不变性和一定的光照不变性。
但SIFT算法复杂度较高，而且图像匹配时间较慢，在较大形变和光照变化下易出现匹配不准确。
针对上述问题，提出极值分类匹配算法，将特征点分为极大特征点和极小特征点两类，进行分类匹配，并利用扩散过程来代替欧式距离计算特征点之间的距离。
本文方法不仅降低了时间复杂度，提高匹配速度，而且对图像形变和光照变化更具鲁棒性。
关键字：SIFT算法；图像匹配；特征分类；扩散距离
0 引言
图像匹配是图像预处理的基本任务，是图像拼接校正和图像融合最基本的步骤之一。
现已广泛应用于计算机视觉，包括目标识别与检测，遥感信息处理，医学图像处理以及三维场景重建等领域[1-3]。
近年来围绕图像匹配提出很多方法，主要可以分为三类，基于灰度的图像匹配方法、基于变换域的图像匹配方法和基于特征的图像匹配算法。
基于特征的匹配算法较其他两种方法而言计算量小，可靠性高，适应性强。
目前最流行的特征提取算法是2004年，David G.Lowe提出的SIFT（Scale-Invariant Feature Transform）算法，该算法实现了图像在模糊，旋转，缩放，光照变化等情况下的配准[4]。
与其他算法相比，SIFT在特征点提取和配准方面具有最优的鲁棒性，但其算法
效率并不最优。
许多研究者对SIFT做了优化和改进，包括Yanke等人提出PCA-SIFT算法[5]，Bay等人提出的SURF算法[6]，Morel等提出了Affine-SIFT(ASIFT)算法[7]，这些改进算法在运算速度方面优于原算法，但匹配精度不高。
本文在SIFT算法基础上提出一种极值分类匹配算法。
用SIFT 算法提取两幅图像的特征点，把特征点分为极大特征点和极小特征点两类，再使用扩散距离[8]代替欧氏距离确定候选匹配点。
1 SIFT特征提取与匹配
1.1特征点提取
一个图像的尺度空间定义为变化尺度的高斯函数与原图像的卷积，形成高斯金字塔，通过对两个相邻高斯尺度空间的图像相减，得到DoG(高斯差分金字塔)的响应值图像
其中，（表示高斯卷积核，表示两相邻尺度空间倍数的常数）。
在差分金字塔中采样点要和它同尺度的8个临近点和上下相邻尺度对应的9*2个点共26个点比较，找出在其邻域中的极大或极小值点。
通过对DoG函数拟合，精确特征点的位置和尺度，同时去除低对比
度点和边缘响应点。
1.2特征点描述
在描述阶段，根据特征点邻域内的梯度方向为每个特征点选定一个主方向。
将特征点周围邻域均匀划分为4*4个小块，计算每个小块中像素的梯度幅值和方向，对每个特征点形成4*4*8的128维描述子向量，最后对每一个点的128维向量进行归一化，去除光照的影响。
1.3特征点匹配
SIFT算法使用欧氏距离度量两幅图像特征点之间的相似性，在待配准图像中找到与当前图像某个特征点欧氏距离最近的特征点和次近的特征点。
用表示两点之间的距离，若距离之比小于某个阈值T，则接受为一对匹配点。
在得到了初始的匹配点对之后，采用随机抽样一致（RANSAC）算法来剔除误配点，获得更精准的匹配和图像转换模型。
2匹配算法的改进
2.1极值分类匹配法
由1.1可知，图像的特征点都是不同尺度的差分金字塔中的极大值和极小值经过拟合形成的，因此我们分别将两幅图像的特征点分为极大特征点和极小特征点，在匹配时将相同类别的特征点进行匹配。
（1）改进的极值分类匹配算法步骤：
①分别将两幅图像的极值点分类，原图像极大值点组成集合，极小值点组成集合，待配准图像极大值点组成集合，极小值点组成集合；
②建立待配准图像的K-D树，将生成（极大值树），生成（极小值树）；
③分别取原图像两个集合中的点，用BBF有序搜索算法[3]在和中使用下文介绍的扩散距离比较最近邻距离与次近邻距离的比值，确定候选匹配点。
（2）算法性能分析
使用改进的算法步骤进行匹配加快了特征点匹配速度，其主要表现在两个方面：构建K-D树和搜索近邻点。
①构造K-D树的时间复杂度为,设待匹配图像中集中特征点个数为, 集中特征点个数为，。
则建立的复杂度为，建立的复杂度为。
②个最小临近点的查找需要的时间。
若使用原算法，设是极大值匹配次数为，极小值匹配次数为。
现使用极值分类法，搜索次数为，搜索次数为，则，算法复杂度的证明同①。
2.2扩散距离度量相似性
SIFT算法是采用特征点间的欧氏距离作为相似性度量。
由于每幅图像的特征点数目很多，且每个点都是128维向量，所以欧氏距离的计算效率很低。
本文使用扩散距离进行特征点之间的相似性度量。
扩散距离（Diffusion Distance）是Haibin Ling和Kazunori Okada 在2006年提出的基于局部描述子的直方图比较的测量方法，该方法模拟温度场热量扩散来计算距离[8]。
假设一维分布和，它们之间的差值为,现定义一个孤立的温度场,在时，= 温度场热量扩散方程式为
是金字塔层数, 是高斯滤波函数标准差，“ ”符号的意义代表着对上层图像的降采样。
我们用范式来计算因此式(10)可以近似为
采用扩散距离的方法可以降低相似性度量的复杂度。
首先，降采样操作的计算量呈指数减少。
其次，高斯滤波的卷积操作是线性计算。
而使用欧氏距离，每对特征点的比较都要进行128次的平方运算，
所以对于大量的特征点匹配，扩散距离的计算效率明显提高。
3实验结果与分析
本文的编程平台为Visual Studio 2010下的Opencv2.4.5开源计算机视觉库。
使用C/C++语言编程，实现了极值分类法和使用扩散距离进行相似性度量的特征点快速匹配方法。
由以上图片和图表可以看出，利用本文提出的极值分类算法和扩散距离方法在匹配速度上比SIFT算法大大加快，而且在图像形变和光照变化下具有更高的精确度。
4结论
本文简单介绍了SIFT算法，提出了一种基于SIFT的特征匹配加速算法，首先将特征点分成极大值类和极小值类，匹配时生成两棵K-D树分别搜索近邻特征点，然后用扩散距离代替欧氏距离计算特征点之间的相似性，生成初始匹配点，最后用RANSAC算法去除误配，通过变换矩阵得到配准后的图像。
实验结果表明，改进算法不仅在时间上节省开销，提高匹配效率，而且在形变和光照变化方面有很强的鲁棒性。
参考文献
[1].张谦，贾永红，胡忠文.多源遥感影像配准中SIFT特征匹配改进[J].武汉大学学报,2013, 38（4），40（1），455-459.
[2].易军凯，边锆辉，姜大光.尺度不变特征转换特征提取优化算法研究[J].北京化工大学学报,2013,38（4），115-119.
[3].刘金侠.基于特征的图像匹配和图像融合研究[D].北京：中国科学院研究生院硕士学位论文,2013.
[4].Lowe D G. Distinctive Image Features from Scale invariant Keypoints [J].International Journal of Computer Vision，2004，60(2):91-110.
[5].AbdiH，Williams L J．Principal component analysis[J]．Wiley
Interdisciplinary Reviews：Computational Statistics，2010，2：433-459．
[6].Bay H. Tuytelaares T. Van Gool L.Surf: Speeded up robust features[C]//European Conference on Computer Vision.2006:404-417.
[7].Morel J M, Yu G S.ASIFT: A new framework for fully affine invariant image comparison[J].SIAM Journal on Image Sciences,2009,2（2）:438-469.
[8].Ling H, Okada K. Diffusion Distance for Histogram Comparison.IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Computer Society,2006.246-253.。