1种快速多尺度特征点匹配算法.docVIP

 一种快速多尺度特征点匹配算法 邵 巍1) 朱圣英1) 陈灵芝2) 1)（哈尔滨工业大学深空探测基础研究中心,哈尔滨 150080） 2)（青岛科技大学自动化与电子工程学院,青岛 266042） 摘 要 为了快速稳定地进行多尺度特征点的跟踪，提出了一种快速多尺度特征点的提取算法。该算法首先利用快速局部窗口极值搜索算法提取出不同尺度空间的特征点的局部极值，然后对特征描述符进行小波变换后，再利用最近邻算法对特征点进行匹配。实验结果表明，该算法的计算速度快于SIFT算法和MOPS算法，稳定性强于传统的Harris算法，可以用于实时图像配准及目标跟踪3002 关键词 特征点提取 特征点匹配 多尺度变换 MOPS SIFT Harris角点 中图法分类号： TP391.41 文献标识码:A A Fast Multi-Scale Feature Matching Algorithm SHAO Wei, ZHU Sheng-ying, CHEN Ling-zhi (Deep Space Exploration Research Center, Harbin Institute of Technology, Harbin 150008) Abstract This paper presents a Multi-Scale feature extraction algorithm, which computes maximum of the features in moving windows using fast algorithm and gets the matching features using nearest neighbor matching algorithm that indexes features based on their low frequency Haar wavelet coefficients. The experimental results show that this algorithm is faster than the SIFT and MOPS, and has more stability than Harris algorithm. The algorithm can be used in image registration and target tracking. Keywords feature extraction; feature matching; multi-scale transform; MOPS; SIFT; Harris corner 1 引 言 基于尺度空间的特征点提取算法是利用图像的特征不变描述符对不同尺度空间的特征点进行描述。Schmid和Mohr最早利用高斯微分算子对传统的Harris算法[1]进行改进，形成了旋转不变的特征描述[2]。Lowe对此算法进行了改进，在不同尺度空间进行特征点的提取，形成了SIFT(scale-invariant feature transform)算法[3]。SIFT算法对图像的旋转、缩放及光照影响都具有一定的鲁棒性。Brown等人提出了MOPS(multi-scale oriented patches)算法[4]，进行不同尺度上Harris特征点的提取，并利用窗口搜索算法对特征点的局部极值进行提取。由于SIFT算法和MOPS算法对特征点的提取一般都采用穷举算法搜索，计算量较大，因而在图像实时处理中的应用受到限制。本文利用快速局部窗口搜索算法进行多尺度特征点局部极值的提取，从而提高了特征点提取的速度。 2 多尺度Harris特征点提取 进行多尺度Harris特征点提取时，要对灰度图像先利用高斯平滑函数卷积形成图像金字塔。金字塔的最底层，更高层的金字塔表示为 (1) (2) 其中，l表示金字塔的层数，表示标准差为的高斯平滑窗口，s为采样间隔，一般取2。第l层坐标处的Harris特征点检测矩阵可以表示为 (3) 其中，表示在尺度上的梯度，即 (4) 参考文献[4]将积分尺度和微分尺度的值分别取为1.5和1.0，并利用矩阵H特征值()的调和平均检测函数来检测特征点，即 (5) 当大于某个阈值(一般取为10)，该点即为特征点。 3 局部区域快速特征点选取算法 由于特征点匹配的速度与特征点的个数直接相关，同时由于底层金字塔提取的Harris特征点主要集中在物体的边缘和角点处，分布很不均匀；若只将整幅图像中最大的多个特征点提取出来以减少特征点的个数，则可能使得这些特征点仅局限在某个局部区域，不利于重合区域较小的图像间的匹配。因此，本文在不同尺度金字塔图像的一定半径范围内选取的局部极