赵 烨蒋建国 洪日昌

(合肥工业大学计算机与信息学院 合肥 230009)

1 引言

基于特征的配准方法以其计算量较少、速度快等特点广泛应用于机器视觉、图像拼接、目标识别、3维重建、图片旅游、视频摘要等诸多领域[14]-。尤其以基于 Lowe[5,6]提出的尺度不变特征转换 (Scale Invariant Feature Transform, SIFT)算法应用较为广泛。SIFT算法将尺度不变特征子与梯度方向描述子相结合，具有图像缩放、旋转、光照和仿射不变性等优点。然而由于 SIFT描述子的维度较高导致计算过于复杂，难以满足在对速度要求高的场景。为了降低计算复杂度，缩短匹配时间，随后有很多研究人员提出了各种基于 SIFT 的改进算法。文献[7]提出了采用主成分分析(Principal Component Analysis, PCA)的方法对 SIFT描述子进行降维的PCA-SIFT算法，其算法中PCA-SIFT描述子的维度可以降低到 20维，但是该描述子的通用性不如SIFT描述子，需要通过有代表性的图像计算投影矩阵，并且在执行快速匹配时的精度也不如SIFT，不太满足实际应用[8]。文献[9]提出梯度位置方向直方图 (Gradient Location Orientation Histogram,GLOH)算法，把SIFT中棋盘格状的块状分区变成同心圆形的放射状分区，再使用PCA降低维度。该算子的独特性比 SIFT要好，但是计算更复杂。文献[10]提出的快速鲁棒特征(Speeded Up Robust Features, SURF)算法是一种快速的特征检测和描述算法。该算法在特征点检测和向量描述中巧妙地利用快速积分和箱式滤波，在继承 SIFT算法对图像缩放与亮度变化不敏感、抗干扰以及鲁棒性强的同时，大幅加快了特征的提取速度，基于SURF特征配准已成为模式识别领域中的一个新的研究热点。

但是SURF的匹配精度还不够优良，得到的特征匹配点还存在一定数量的误匹配。……