改进fast特征点支持下的实时影像地标匹配算法.docxVIP

改进FAST特征点支持下的实时影像地标匹配算法 ：Concerning the problem that matching time and accuracy requirements can not be met the simultaneously in image matching technology ， a method based on feature points matching was proposed. Landmark matching was achieved successfully by using RandomForest （RF）， and matching problem was translated into simple classifying problem to reduce the complication of computation for realtime image matching. Landmark image was represented by Features from Accelerated SegmentTest （ FAST）feature points ，the scale and affine invariability of FAST feature points were improved by Gaussian pyramid structure and affine augmented strategy ， and the matching rate was raised. Comparing with ScaleInvariant Feature Transform （SIFT ） algorithm and Speed Up Robust Feature （ SURF） algorithm ， the experimental results show that the matching rate of the proposed algrorithm reached about 90% ， keeping the matching rate approximately with SIFT and SURFin cases of scale change， occlusion or rotation ， and its running time was an order of magnitude than other two algorithms. This running timemethod matches landmarks efficiently and its meets the realtime requirements. running time 0 引言 影像地标匹配的主要支撑技术是图像匹配。文献 [1] 将图像 匹配主要分为基于灰度相关匹配和基于特征匹配。 其中， 基于特 征匹配又可以细分为基于特征点匹配以及基于变换域匹配两种 类型。文献 [2] 总结出了灰度相关匹配方法是利用对待匹配图像 遍历窗口进行相似性比较的方式进行搜索匹配的方法， 该方法计 算量较大， 图像相似性计算对尺度变化和旋转情况比较敏感。 文 献 [3] 指出基于特征的匹配方法通过对两幅图像提取特征，按照 某种数学法则或几何约束方法对特征进行描述， 通过特征匹配实 现图像的匹配； 该方法匹配效果好，但是计算复杂，达不到实时性要求。文 献 [4] 对基于特征点的图像匹配算法进行概述，主要有尺度不变 特征变换( ScaleInvariant Feature Transform ， SIFT )算法 以及加速鲁棒性(Speed UpRobust Feature , SURF)算法，Lowe[5] 提出 SIFT 算法，通过引入高斯拉普拉斯算子建立尺度空间、卷 积运算和差分近似， 保证了特征点的尺度不变性， 旋转不变性和 仿射不变性， 但是相应地增加了其计算复杂度， 运行时间达不到 实时性要求。Bay等⑹ 提出SURF算法，在SIFT算法的基础上 进行了改进， 利用 Hessian 矩阵和积分图像缩短了特征点计算时 间，采用 Haar 小波计算特征点主方向， 该算法匹配速度大于 SIFT 算法，但仍然没达到实时性的要求。文献 [7-8] 分别对两种算法 进行影像匹配应用研究。 变化域匹配方法将图像进行相应的特征 空间转换， 在空间变化域进行图像匹配，该方法能有效处理图 像的旋转和尺度变化，但其计算复杂、计算量大，不满足实时性 要求。 Lepetit 等[9-10] 提出运用随机森林算法进行宽基线匹配， 根据这一思路， 可将影像地标匹配转换为分类问题进行处理。 随 机森林