戴 玥，陆小锋，朱民耀，王晓丽

(上海大学视频与空间信息学科组，上海 200072)

智能视觉监控是当今计算机领域的一个研究热点，其中的一个关键问题是实现多摄像机场景下的运动目标识别。而目标识别问题可以通过目标之间的特征匹配来解决。

常用于目标匹配中的特征主要有颜色特征、点特征、纹理特征等。经典的基于颜色直方图(Color-histogram)的目标匹配方法的基本思想是将目标之间的匹配转换为对应的直方图之间的距离相似度衡量。基于点特征的目标匹配法则是将目标匹配转换为稳定关键点的描述子之间的相似性度量。相似性度量即通过计算目标特征之间的巴氏距离、欧氏距离或者马氏距离来判定目标间的相似性。D.Comaniciu在文献［1］中采用将Color-histogram与巴氏距离相结合的方法来寻找最佳匹配目标的位置。Lowe提出了一种基于尺度空间的图像局部特征描述算子—尺度不变特征变换(Scale Invariant Feature Transform，SIFT)［2］，该算法对于目标旋转、尺度缩放、亮度变化及噪声等具有较好的鲁棒性，但是计算较复杂。因此，H.Bay［3］等人在此基础上又提出了加速鲁棒特征(Speeded Up Robust Features，SURF)算法，该算法对目标的特征提取部分进行了改进，在保持良好的鲁棒性的同时又提高了运算速度。A.Alahi将Color-histogram、梯度方向直方图、SIFT和SURF等几种不同的特征相结合［4］，该方法提高了目标的识别性能，但是速度降低，很难达到实时跟踪的需求。

针对现已存在的这些特征提取与匹配方法，本文将Color-histogram、SIFT和SURF这三种不同的特征分别应用于条件不同的场景视频中进行实验，通过对实验结果的比较可以分析出每种基于不同特征的匹配方法各自较适用的场景条件，为此领域的研究人员提供一种关于特征选择的参考。……