Sift图像匹配算法研究.pdf

第一章 绪论 1.1 研究背景及意义 迄今为止，在人类所了解的生物之中，人类的视觉系统最为完善，功能最为强大，有数 [1-2] 据显示，人类获得的所有的信息当中，有75%来自视觉系统 。人类大脑能够和眼睛进行 完美的协作，从而完成高度复杂的信息处理流程，如果计算机能够很好的模拟这一过程，那 么必将大大提高人类的工作效率。计算机视觉（computer vision ）的目标就是要为计算机研 发出与人类视觉水平相当的视觉系统，通过感知到的图像对客观世界中实际的目标和场景做 [3] 出有意义的判断 。要达到上述目标，就需要通过计算机来模拟人类视觉的整个过程：首先 使用信息采集系统对外界信息进行采集，之后，通过计算机来模拟人脑对收集到的信息的处 理流程。以数字图像处理和识别为基础的物体识别，是计算机视觉的重要研究内容。 图像处理的目的是用计算机对图像中的目标特征做出定性和定量的分析，正确的理解和 识别图像。为了识别图像，我们要对其特征进行描述，图像特征的选取直接影响到图像识别 的结果。图像的局部特征一般指的是图像局部最基本的区别于其他图像的本质属性，如灰度， 深度，颜色等局部特征。一个良好的图像局部特征具有以下三个特点： (1) 独立性 独立性是指特征值对不同类图像应当有明显差异，且所用特征值应当互不相关，对于不 同类图像，所选取的局部特征应当体现出明显差异，以区分不同类图像。 (2) 鲁棒性 特征应当具有旋转、放缩、平移不变性，并且在部分遮挡的情况下不敏感。一个好的局 部特征对旋转变换、平移变换、仿射变换都有较强的不变性，并有一定的抗噪能力。 (3) 稀有性 特征的数量较少可以降低复杂度，减少计算量。 提取具有高稳定性、高匹配度的局部特征一直是人们追求的目标，而由加拿大英属哥伦 比亚大学的David Lowe 教授所提出的尺度不变特征（Scale Invariant Feature Transform， [4-5] SIFT ）算法 能够为我们提供所需要的局部特征。尺度不变特征SIFT算法所提取的特征具 有旋转、尺度、仿射和光照等不变特性，是特征提取和匹配算法中应用最为广泛的算法。尺 度源于对人类视觉系统的模仿，尺度越大，相当于看远处的物体，只能看到大致的轮廓；尺 度越小，相当于看近处的物体，能够看到物体的细节信息。同时图像匹配技术是数字图像处 理中另一项极为重要的技术，它的目的是分析两个或者多个图像之间的相似性程度，其中的 点特征匹配方法是图像匹配技术中一个基础而经典的方法，鉴于图像特征点的个数比图像的 总像素要少很多，所以基于特征点的图像匹配算法可以很大程度上减少计算量；同时，特征 点对噪声、扭曲以及遮挡等因素不敏感，而对相对位置比较敏感，所以，使用特征点可以提 高算法的匹匹配确度。基于SIFT算法的图像匹配因其高效性、稳定性和多量性等优点，被 广泛地应用于图像处理的各个领域，如物体识别、视频跟踪、三维重建、图像拼接和机器人 定标等应用，因此具有重要的研究意义。 1.2 国内外研究现状 图像特征作为图像本质属性，从某个侧面反映出图像中更有用的信息。常用常见的特征 [6] 提取方法包括：Harris 角点检测算子 ，由Harris 等人于1988年提出，该算子将图像中的拐 [7] 点提取出，作为基准单元进行匹配；SUSAN 检测算子 ，该方法由Smith 等人总结了形态 学方法所提出；基于SUSAN 检测算子的研究基础，Rosten 以及Drummond 等人提出了 [8] [9] FAST 检测算子 ；Marr 等人提出了LOG 算子，该算子具有各向同性的特点，对于角度 变化具有鲁棒性。除此之外，该算子较为稳定，能够在压缩，干扰，以及模糊情况下，稳定 地检测出分布较为均匀的特征点信息；陈白帆等人提出一种基于尺度空间理论的多尺度角点 [10] 检测算子 ，弥补了之前角点检测算子不具备