面向場(chǎng)景理解的景象匹配方法研究.pdf

1、圖像匹配算法在圖像處理中具有重要作用，可以為圖像融合，目標(biāo)跟蹤等后續(xù)研究做基礎(chǔ)，現(xiàn)有的圖像匹配算法已經(jīng)有成熟的框架：特征提取、相似性度量和搜索策略。根據(jù)特征的不同可以分為兩類：直接使用灰度值的匹配算法和基于特征的匹配算法。而這兩種不同的匹配算法由于自身的特點(diǎn)對(duì)不同的場(chǎng)景的適用場(chǎng)景也不盡相同。直接使用灰度值的匹配算法由于過度依賴灰度值，因此當(dāng)灰度值發(fā)生變化時(shí)對(duì)匹配效果影響巨大，背景發(fā)生變化，圖像發(fā)生旋轉(zhuǎn)、縮放、加噪、模糊等都會(huì)造成大的誤匹

2、配。基于特征的匹配算法依賴于特征的性質(zhì)，由于現(xiàn)有的局部特征具有一定的不變性，在匹配算法中得到了大量應(yīng)用。本文圍繞基于局部特征匹配算法進(jìn)行研究，主要內(nèi)容如下：
　　(1)對(duì)圖像匹配算法框架：特征提取、相似性度量搜索策略進(jìn)行了詳細(xì)深入的探討。闡述了顏色特征、形狀特征和邊緣特征等特征相關(guān)原理，探討了基于灰度值的相似性度量函數(shù)、歐式距離、馬氏距離和Hausdorff等距離度量函數(shù)，展示了三步搜索法、最優(yōu)子塊兒及遺傳算法搜索策略。
　

3、　(2)就局部特征尺度不變特征(Scale invariant feature transform, SIFT)、主成分分析尺度不變特征(Principal Component Analysis SIFT, PCA-SIFT)和加速魯棒特征(Speeded-Up Robust Features, SURF)的提取步驟進(jìn)行了詳細(xì)的敘述，在此基礎(chǔ)上分別實(shí)現(xiàn)了其匹配算法。最后比較了這三種特征匹配算法在時(shí)間、尺度、旋轉(zhuǎn)、光照、模糊和仿射變換下的

4、性能表現(xiàn)，在時(shí)間上SURF最優(yōu)，在其他場(chǎng)景下SIFT特征匹配大多數(shù)情況都比另外兩者表現(xiàn)良好。
　　(3)在SIFT和PCA-SIFT匹配算法的基礎(chǔ)上對(duì)原始SURF特征匹配算法進(jìn)行了改進(jìn)，保持描述子維數(shù)不變，將描述子的生成范圍擴(kuò)大一倍。匹配算法總共在四種場(chǎng)景下進(jìn)行測(cè)試，每種場(chǎng)景變換矩陣都是已知的，通過已知矩陣判斷得到的匹配點(diǎn)對(duì)是否是正確的匹配點(diǎn)對(duì)，比較召回率、精確率和時(shí)間等評(píng)估算子，最后得出改進(jìn)的SURF匹配算法具有更好的性能。