王海丽， 张 良

(中国民航大学 a.工程技术训练中心；b.智能信号与图像处理天津市重点实验室,天津 300300)

0 引言

局部特征检测与匹配是计算机视觉研究的热点。局部特征可以是对图像尺度、光照、视角变化、噪声等不敏感的角点、直线、边缘、随机点等，才能有效地进行目标跟踪。基于几何模板的方法难以解决目标之间的遮挡；基于纹理的算法对尺度变化敏感，可重现性低，在目标跟踪中容易丢失目标。结合基于鲁棒特征点进行定位，基于分布的特征向量进行匹配可以有效地解决这一难题。

局部特征点检测器有 Harris, SUSAN, Harris-Laplacian, SIFT[1]、GLOH等被广泛用于目标跟踪[2]，移动博物馆向导[3]等，高维的特征提取和基于距离的匹配计算量大，复杂度高。SURF[4]速度快，可结合 Harris角点进行机器人定位导航[5]。基于运动相关性匹配帧间SURF特征，根据特征向量的NN/SN，误匹配率较高；增加随机抽样一致性估计算法[6]可有效去除孤立点；在连续帧间增加约束条件进行特征匹配，有效估计运动目标，实现准确的特征匹配和目标跟踪。

1 常用局部特征点检测算法及特点

局部特征点检测算法中，Harris角点检测计算亮度变化进行近似，可重现性高，对旋转、光照变化具有不变性，但对尺度变化敏感。SUSAN比较模板中的像素值与模板中心的相对变化计算USAN面积，适合低层次图像处理，受阈值影响大，定位精度低。Harris-Lapalcian建立Harris角点的多尺度空间，计算Laplacian算子极值，最终定位出多尺度的Harris角点。SIFT算法在高斯差分尺度空间中，计算极值进行定位，利用梯度方向指定主方向，在邻域内生成128维的特征向量，采用NN/SN进行匹配，提取特征数目多，稳定性好，可扩展性强。……