图像特征点提取和描述算法研究.docVIP

图像特征点提取和描述算法研究 　　【 摘 要 】 双目图像立体匹配是双目视觉系统研究中的重点，根据现有的图像特征点匹配算法，提取出特征检测和特征描述两部分，并将各种算法的特征检测部分与特征描述部分配合使用，利用Matlab测试了它们在不同旋转、尺度、光线变化等情况下的匹配性能，同时给出了实验结果及分析。 　　【 关键词 】 图像特征匹配；SURF；ORB 　　【 Abstract 】 Binocular image matching is the focus of binocular vision system research. According to the existing image feature matching algorithms， divide each algorithm into two parts： feature detection and feature description. Use Matlab to test the combination use of each part in different situation： rotation， scale variation， illumination change and so on. Experimental results and analysis are given. 　　【 Keywords 】 feature matching； surf； orb 　　1 引言 　　双目图像立体匹配是双目视觉系统研究中的难点和热点，其核心是通过某种特定的匹配准则，在双目图像上找到同名特征间的对应关系，实质就是运用匹配算法，在待匹配特征中寻找最佳配准特征的过程。若以左图获得的目标特征为源特征对象，在右图中寻找最佳匹配特征的搜索过程，就是各种立体匹配算法的研究内容。 　　无论哪种立体匹配算法，要想取得较好的匹配效果，都需要考虑解决三个问题：（1）如何定义特征，即选择哪种特征作研究对象；（2）如何得到正确的对应匹配特征，防止误配和失配；（3）匹配的速度问题，特征匹配尤其是特征点的匹配搜索量很大，从而带来很大的计算工作量。 　　综合来讲，直接影响立体匹配算法的性能的关键技术包括四个方面：特征提取、特征描述、特征匹配、消除误匹配。这四个关键技术以某些特定的规则结合到一起就可以形成一个新的计算方法。 　　目前应用较为广泛的是基于特征点的检测与描述算法，主要包括Harris、SIFT、SURF、FAST、ORB等。为此，本文在介绍上述常见算法的基础之上，提出了一种鲁棒性较高的O-SURF算法，并通过11组包含旋转、明暗、噪声等不同状态的测试图像，将Harris、SIFT、SURF、ORB特征检测子与SIFT、SURF、ORB特征描述子分别进行线性组合，从而对各种组合算法的优劣进行比较。 　　2 图像特征点提取与描述算法 　　2.1 Harris角点提取算法 　　Harris算法是Harris和Stephens等人在Moravecs算子的基础上进行改进，于1988年提出的一种特征点提取算子，它通过微分运算和自相关矩阵运算来检测角点。角点要求在水平以及竖直方向上均有较大变化的点。 　　其原理是取以目标像素点为中心的一个小窗口（一般为矩形区域）向任意方向以微小位移移动，用解析式表达其灰度变化量。 　　Harris算子用式（2.1）的高斯函数代替二值窗口函数，给离中心点近的像素赋于更大的权重，从而减少噪声影响。 　　Harris采用如下的角点判定方法：矩阵M的两个特征向量Il和I2与矩阵M的主曲率成正比。Harris利用Il和I2来表征变化最快和最慢的两个方向。若二者都很大就是角点，一大一小就是边缘，两个都小则是处在变化缓慢的图像区域。根据两个特征值的和与矩阵M的迹相等，两个特征值的积与矩阵M的行列式相等，因此用（2.5）式来判断角点质量，根据该点的角点值是否为邻域最大，并且超过给定阈值来判断它是否是特征点，如果满足则可以认为该点即为所求的角点（k一般取0.04～0.06）。 　　Harris算子是一种有效的点特征提取算子，提取的特征点均匀合理，对图像旋转、灰度变化、噪声等不敏感，是一种比较稳定的特征提取算子。但它对尺度很敏感，不具有尺度不变性。 　　2.2 SIFT和SURF特征点匹配算法 　　SIFT算法是Lowe与1999年提出的一种局部特征提取的算法，并在2004年加以完善和总结，成为目前一种具有很好稳定性和鲁棒性的特征提取算法。该算法有几个优点：（1）在适当的参数设置下提取到的特征点的数目可观；（2）通过SIFT算法提取到的图像特征具有相当高的独特性，使其能在海量的数据库中进行准确的匹配；（3）SIFT特征具有旋转、尺度