面向場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，目標跟蹤等后續(xù)研究做基礎，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對不同的場景的適用場景也不盡相同。直接使用灰度值的匹配算法由于過度依賴灰度值，因此當灰度值發(fā)生變化時對匹配效果影響巨大，背景發(fā)生變化，圖像發(fā)生旋轉、縮放、加噪、模糊等都會造成大的誤匹

2、配?；谔卣鞯钠ヅ渌惴ㄒ蕾囉谔卣鞯男再|，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用。本文圍繞基于局部特征匹配算法進行研究，主要內容如下：
　　(1)對圖像匹配算法框架：特征提取、相似性度量搜索策略進行了詳細深入的探討。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)的提取步驟進行了詳細的敘述，在此基礎上分別實現(xiàn)了其匹配算法。最后比較了這三種特征匹配算法在時間、尺度、旋轉、光照、模糊和仿射變換下的

4、性能表現(xiàn)，在時間上SURF最優(yōu)，在其他場景下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匹配算法的基礎上對原始SURF特征匹配算法進行了改進，保持描述子維數(shù)不變，將描述子的生成范圍擴大一倍。匹配算法總共在四種場景下進行測試，每種場景變換矩陣都是已知的，通過已知矩陣判斷得到的匹配點對是否是正確的匹配點對，比較召回率、精確率和時間等評估算子，最后得出改進的SURF匹配算法具有更好的性能。