基于多特征融合图像匹配算法.docVIP

基于多特征融合图像匹配算法 　　摘 要：为解决SIFT算法在视角变换、对比度变换、尺度变换及旋转变换混合复杂情况下匹配精准度低的问题，提出一种结合SIFT和RILBP（rotation invariant LBP）的特征匹配算法。首先在图像SIFT特征点集上提取局部图像区域的RILBP特征向量；然后将SIFT的特征向量和RILBP特征向量融合成一个新的特征向量；其次，利用高维可扩展最近邻匹配算法实现两幅图像特征向量集之间的匹配；最后，使用VFC算法的筛选匹配策略对特征向量集进行筛选，找到两个特征向量集中的匹配对。实验结果表明，在视角变换和对比度较大的复杂情况下，该算法匹配精准度比SIFT算法提升了19.83%。 　　关键词：图像匹配；SIFT；视角变换；RILBP；特征融合 　　DOIDOI：10.11907/rjdk.171670 　　中?D分类号：TP312 　　文献标识码：A 文章编号：1672-7800（2017）007-0044-04 　　0 引言 　　图像匹配作为图像处理的关键技术被广泛应用于文字匹配、人脸识别、物象跟踪、图像拼接、生物特征识别及车牌识别等领域，一直是图像处理的热点研究方向。实践中，图像处理往往面临着多种情况的结合，特别是在视角变换和光照对比度变换相结合的复杂情况下，匹配算法对物体图像的匹配效率和精准度明显下降。 　　研究在视角、光照及对比度变换较大情况下图像匹配算法具有重要的现实意义。 　　2004年，加拿大学者Lowe所提出的局部特征匹配算法SIFT（Scale Invariant Feature Transform）[1，2]，对于目标图像在平移、旋转变换、光照强度变化较大等情况下有较好的匹配性能和鲁棒性，并且具有较好的扩展性和多量性等良好特性[1，2]。但是，SIFT算法效率较低，在应用过程中导致无法进行大量的实时匹配，并且SIFT在视角变换、旋转变换相结合的复杂情况下匹配率和准确率较低。因此，本文利用SIFT可扩展性好的特点，提取SIFT和RILBP[3]特征向量，在高维可扩展最近邻算法[4]的基础上，结合VFC算法[5]进行筛选匹配，以增强SIFT在上述视角变换混合情况下的匹配精准度。首先，对于两张待匹配图像作SIFT特征点检测；然后，计算每个特征点邻域的RILBP特征；其次，将SIFT的特征向量和RILBP的特征向量进行线性融合；最后，在高维数据可扩展最近邻算法匹配的基础上，使用VFC算法进行匹配筛选。通过INRIA Data Sets Images数据集测试，实验结果表明本文算法在视角、尺度、对比度及旋转等混合的复杂情况下匹配准确率比SIFT算法大为提升，在执行效率上也有所提高。 　　1 基于多特征融合的算法设计 　　SIFT具有良好的可扩展，且在光照、旋转、对比度变换条件下具有良好的稳定性[1，2]。LBP由Ojala[6]于1996年提出，此后改进的RILBP对于视角变换和纹理变换具有较好的稳定性[3]。本文结合两者优势，在SIFT特征点下提取RILBP特征，并将其和SIFT进行线性融合。 　　1.1 SIFT算法 　　采用SIFT算法检测图像局部特征[2]。首先，进行图像DoG尺度空间创建，利用高斯核函数[7]对图像作模糊处理进而得到DoG金字塔，高斯核函数如式（1）所示： 　　式（1）中，m和n代表高斯模板对应的维度。为达到更好的稳定性和独特性，Lowe使用DoG算子[1，2]来创建图像的尺度空间，并寻找尺度空间中的DoG极值点，将每个像素点与邻域的26个点进行对比，当其高于（或低于）所有相邻点的值时，即为极值点，并且利用2×2的 Hessian 矩阵剔除不稳定的特征点。然后，实现特征点方向赋值。梯度的模值m（x，y）和方向θ（x，y）如分别式（2）和式（3）所示： 　　其中，x和y为图像特征点坐标。最后，完成对应的特征点梯度运算，利用直方图方法计算出周围的像素梯度方向。直方图峰值走向为特征点主方向，至此检测出带有位置、尺度和方向的SIFT特征点。将图像确定区域分为16个小型区域，每个小型区域的梯度方向分为8个子部分，计算这8个子部分的梯度值，然后进行累加，最终获得一个4×4×8=128维的特征向量。 　　1.2 RILBP特征 　　原始LBP的策略是将图像像素与其邻域进行比对，编制成二进制后转换为十进制数。如图1所示，在3×3像素区域中，比中心点大的标记为1，比中心点数值低的标记为0，对转换后的数据表从第一列第一行的数开始顺时针排列，组成二进制编码然后将二进制编码转化为十进制数即24，十进制数值作为对应特征点的特征值。 　　RILBP是基于原始LBP的改进方案，即对转换前像素点对应的原始LBP二进制编码循环移位，一