基于尺度空间和特征描述的快速图像匹配算法研究

摘要

图像匹配的功能是将不同时间、不同角度、不同传感器或者不同拍摄条件下得到的两幅图像进行对应，在目标定位、视觉导航、目标识别、三维重建和图像拼接等领域具有不可或缺的地位。在图像匹配任务中，往往存在图像匹配质量满足要求，但匹配速度较慢的问题。为此，本文研究的重点是提升匹配算法速度。为了保障图像匹配的尺度不变性，需要构建尺度空间。同样，为了捕捉图像中具有代表性的信息，描述子的构建也至关重要。本文重点从尺度空间和描述子构建两方面入手，在保障图像匹配质量基本不变的前提下，对图像匹配算法进行了速度提升。主要工作如下:
　　(1)提出了一种大尺寸图像尺度预处理的图像快速匹配算法。本算法首先分析了大尺寸图像运行速度慢的原因，并给出相应的解决方案。在大尺寸图像参与匹配之前，根据测试法、模型法或反馈法等方法确定尺度缩小比例，对图像进行缩小预处理，然后再参与匹配。实验结果表明，该算法不但能够有效地提升大尺寸图像的匹配速度，还能提高匹配精度。该算法易于与现有包含尺度变化的匹配算法相结合，进而提升大尺度图像的匹配性能。
　　(2)提出了一种基于二进制描述FREAK的快速角点匹配算法。首先，通过构建一个简型的高斯金字塔，使FAST算法提取的角点具有了尺度不变性。然后，通过减小重叠区域，提出了一种新的FREAK描述子构建方式。大量的实验结果表明，该算法能够提升图像匹配的速度，并且能够匹配SIFT、SURF、ORB和BRISK等算法无法匹配的航拍图像。
　　(3)提出了一种基于多项式估计式尺度空间构建和二进制描述LDB的快速匹配算法。首先，利用多项式分解构建了尺度连续的sLoG尺度空间，然后在sLoG尺度空间上进行了斑点检测。在描述子构建方面，通过添加描述子主方向以及改变特征点邻域的网格划分策略，且对网格进行二次采样，改进了二进制字符串描述子LDB的构建方法，以期提升描述子的差异性和构建速度。大量的实验结果表明，本章算法的匹配速度能够达到实时性要求，并且具有较好的匹配性能。

目录

声明

摘要

1 绪论

1．1 问题提出与研究意义

1．2 国内外相关研究进展

1．3 本文研究内容与结构安排

2 图像匹配算法的相关知识

2．1 图像匹配算法的基本原理

2．2 图像特征的分类及提取

2．2．1 图像的特征分类

2．2．2 特征点提取算法

2．3 特征描述子

2．3．1 浮点型矢量描述子

2．3．2 二进制字符串描述子

2．4 图像匹配性能评价指标

2．5 实验图像数据简介

2．6 本章小结

3 大尺度图像的快速匹配算法

3．1 算法提出思想

3．2 算法原理的简单介绍

3．3 大尺度图像缩小比例的三种求解方法

3．3．1 测试法

3．3．2 模型法

3．3．3 反馈法

3．4 特征点检测与匹配

3．5 实验结果与分析

3．5．1 仿真图像

3．5．2 Mikolajczyk数据库图像

3．5．3 航拍图像

3．6 本章小结

4 基于FREAK的快速图像匹配算法

4．1 算法提出思想

4．2 FREAK算法原理的简单介绍

4．3 基于FREAK的快速匹配算法

4．3．1 构建简型高斯金字塔

4．3．2 检测FAST特征点

4．3．3 改进FREAK描述算法

4．3．4 特征匹配与误匹配剔除

4．4 实验结果的比较与分析

4．4．1 算法鲁棒性的比较

4．4．2 算法速度的比较

4．5 本章小结

5 基于多项式估计与LDB算法的快速匹配

5．1 算法提出思想

5．2 特征点检测

5．2．1 高斯尺度空间

5．2．2 sLoG尺度空间

5．2．3 sLoG空间特征点检测

5．3 描述子构建

5．3．1 LDB描述子

5．3．2 LDB描述子改进

5．4 实验结果与分析

5．4．1 算法性能的比较分析

5．4．2 算法速度的比较分析

5．5 本章小结

结论

参考文献

攻读硕士学位期间发表学术论文情况

致谢