陈 谦，吴 清

(1.河北工业大学 计算机科学与软件学院；2.河北省大数据计算重点实验室，天津 300401)

基于显著区域检测的SURF特征匹配优化算法

陈 谦1,2，吴 清1,2

(1.河北工业大学 计算机科学与软件学院；2.河北省大数据计算重点实验室，天津 300401)

针对传统SURF匹配算法在特征点选取阶段选取了大量不符合匹配预期的特征点，增加了后期匹配的运算复杂度，提出一种SURF算子和显著区域检测相结合的方法。为使检测出的极值点和预期匹配的目标更加接近，用SURF算子构建出尺度空间图像后对该空间作显著区域检测，再对特征点赋显著度权值并通过孤立点剔除和局部冗余筛选出目标点，筛选后的特征点比传统方法得到的特征点数量明显减少，在降低时间复杂度的同时匹配精度提高了18%。特征匹配时引入RANSAC算法剔除误匹配点对，对匹配结果作进一步修正。实验表明，与传统SURF算法比较，改进算法在实时性和匹配精度方面均更优。

SURF算法；显著区域检测；尺度空间；特征值；匹配精度；RANSAC算法

0 引言

随着图像处理、机器视觉等相关领域技术的快速发展，特征匹配得到了广泛应用。在图像匹配方法中，特征点的提取及匹配方法已有很多研究成果。 Forstner算子[1]、Harris算子[2]、Moravec算子[3]、SIFT(scale invariant feature transform)算子[4]等都是比较常用的特征点提取算子。其中，SIFT算子是由David G·Lowe提出的一种基于局部特征的描述方法，但许多研究实验表明SIFT算法存在着128维的特征描述符，计算复杂度较高、实时性差、误匹配较多。SURF(speeded up robust features)算法[5]是SIFT算法的快速改进方法，虽然都具有对尺度和旋转的鲁棒性[6]，但相关实验表明，SURF算法采用二维Haar小波响应、积分图像和Hession矩阵相结合实现算法加速，比SIFT算法效率提升了3～5倍。……