刘欣，李校林,，谢灿，何鹏

(1.重庆邮电大学通信与信息工程学院，重庆400065；2.重庆信科设计有限公司，重庆400065)

图像匹配技术是机器视觉和模式识别领域的一个重要分支，其应用领域广泛，如医学、目标识别跟踪、图像拼接等。目前，图像配准的方法大致分为两类：基于特征的图像配准方法和基于灰度的图像配准方法。其中，基于特征的匹配方法由于对不同特性的图像特征容易提取，且提取的特征点不易受到光照、旋转变化的影响，具有较强的稳定性和鲁棒性，因而得到广泛应用。

1999年，LOWE D在总结现有特征算法的基础上提出了尺度不变特征变换SIFT(Scale Invariant Feature Transform)算法[1]，并于2004年总结完善[2]。该算法提取的稳定特征点对旋转、亮度变化、尺度变化保持不变性，对视角变换、仿射变换也有一定程度的稳定性，因此在图像配准中得到了应用，如参考文献[3-4]将SIFT用于图像配准领域，除此以外也衍生了一系列改进算法，如利用主成分分析的PCA-SIFT[5]。但是SIFT本身始终存在抗仿射性弱以及计算效率低的缺点。针对以上缺点，BAY H等人于2008年提出了一种加速的鲁棒性特征SURF(Speeded Up Robust Feature)算法，该算法是对SIFT的一种改进方法，其性能在各方面接近或超越了SIFT算法，在保持性能的同时，计算速度是SIFT的3倍，参考文献[6]对此进行了比较详细的阐述。参考文献[7]提出了一种基于SURF和CamShift的物体跟踪方法，利用SURF算法找到跟踪窗口与初始窗口的色彩相似度，最终实现对物体的跟踪。

尽管上述算法在特征描述和特征匹配方面取得了较好的效果，但是，这些算法并没有在仿射变换上得到更好的改进。……