基干SIFT算法图像匹配技术在测量系统中应用.docVIP

基于SIFT算法的图像匹配技术在测量系统中的应用 　　摘要：本文采用SIFT算法进行特征点检测，运用Kd-tree构造数据索引空间，采用最近邻检测算法在其中进行数据的查询，实现待匹配图像特征点和参考图像特征点的匹配。由于SIFT算法描述的特征点具有旋转不变性、尺度不变性等优良特性，借助这些特征点对，能够实现测量系统中的立体匹配。本文对获取的同一场景的两幅图像进行处理，用上述方法进行立体匹配，实现了较好的匹配效果，达到了接近实时性的匹配速度 关键词：SIFT算法；Kd-tree；最近邻检测；立体匹配 中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）15-0199-03 图像匹配是双目视觉测量系统中的关键技术。基于图像特征的匹配方法是最常用的匹配方法，该方法首先提取图像的局部特征（区域、线、点），然后计算两幅图像特征的相关性来确定它们之间的最佳匹配，再通过反映两幅图像关系的变换矩阵，将待匹配图像投影到参考图像中，实现两幅图像之间的匹配。基于图像特征的匹配方法研究要从Moravec[1]利用角点检测实现立体匹配开始。Harris角点检测在有效地运动跟踪方面具有重要的研究价值。Schmid[2]和Mohr研究表明不变尺度特征匹配能够扩展应用到一般的图像识别问题。由于Harris角点描述符对图像的尺度比较敏感，用于不同尺度的图像之间匹配，效果不是很理想。1999年David G.Lowe总结了已有的基于不变量技术的特征检测方法，提出了一种基于图像局部特征的描述算子，SIFT特征描述算子[3]。该算子具有多种良好的不变特性，对图像的旋转、缩放、尺度空间变换和仿射变换等均保持不变性，此外，该算法将特征检测、特征矢量生成、特征匹配搜索等步骤完整的结合，并进行进一步优化处理，达到了接近实时的运算速度，实现了良好的匹配效果 本文利用SIFT算法对图像中的特征点进行检测，并利用基于Kd-tree的最近邻算法进行特征点的匹配，最后依赖于已有的特征点匹配对，实现双目视觉立体匹配 1.2 SIFT特征描述子及特征矢量 SIFT描述子是一种用于特征检测的特征描述子，通过量化描述图像局部特征，客观地反映特征点附近局部区域内图像的分布情况。为了实现图像的旋转不变性，我们通过图像的梯度参数，求取特征点附近局部结构的稳定方向。对于已经检测到的特征点，特征点尺度值是确定的，我们可以得到最接近该值的高斯图像： 1.3 图像特征点匹配 对捕获的同一场景两幅图像，如果两个特征点描述矢量之间相距较近，就认为这两个特征点对应于三维场景中的同一位置；反之，则处于不同的位置。特征点匹配技术就是从对应同一场景的两幅图像特征点集合中，找到两两距离最近的特征点，实现特征点一对一匹配 特征匹配常采用线性扫描法，就是将特征点和查询点逐一进行距离比较，选择距离最小的点，但是该检索方法搜索效率比较低。本文采用Kd-tree[5]的数据结构，将整个数据空间划分成小空间，逐级展开搜索，搜寻最近邻点。Kd-tree本质上就是二叉树，每个节点表述一个空间范围。构建流程如下： （1）分析数据点数据，展开kd-tree； （2）找到分割超面，确定其垂直方向轴序号，计算对应维度上的数据方差； （4）分割数据。维数小于阈值的，其对应的特征点放在右子树空间；否则放在左子树空间； （5）分别展开左子树、右子树，重复上述步骤（2）、（3）、（4），将空间和数据集进一步细化，直至空间中只包含一个特征数据点 在kd-tree中进行数据的查询是为了检索kd-tree数据集中与查询点距离最近的数据点。按照二叉树结构展开搜索，沿着搜索路径，找到最近邻的近似点，也就是包含查询点的叶子节点。但是这样找到的叶子节点不一定就是最近邻点，最近邻点肯定距离查询点更近，也就是说，最近邻点一定在以查询点为圆心，通过叶子节点为半径的圆域内。这就需要我们沿搜索路径回溯操作，看是否存在某一数据点，距离查询点更近。若存在，就用新查到的数据点代替叶子节点，反之若不存在，则认为已经找到的叶子节点就是最近邻点，从而完成特征点的匹配 2 立体匹配 立体匹配[6]是指对参考图像中的任意像素，在待匹配图像中找到与之相对应的像素点的过程，即找到空间中任一场景点在两幅图像中对应的像素点。这些像素点有可能是已经检测出的特征点，也有可能只是普通的像素点。由于使用SIFT算法检测到的特征点具有多种不变特性，在图像中处于相对稳定的区域，我们可以建立待匹配像素点和周围特征点的关系，来实现像素点之间的匹配 本文在特征匹配的基础上，研究了普通像素点和特征点之间的关系，实现了图像的立体匹配。算法具体流程如下： （1）在参考图像中，从上往下，从左至右对图像特