邢艺馨， 田爱奎， 张立晔， 常春红， 郝本利

(山东理工大学 计算机科学与技术学院, 山东 淄博 255000)

0 引 言

目前，计算机视觉领域技术的快速发展，使得双目立体视觉在工业机器人、生物医学、虚拟现实以及军事等领域应用前景广泛，其图像匹配精度和速度一直备受关注。对此，经典算法的提出更是推动了该领域的发展。David G.Lowe 提出的SIFT(Scale Invariant Feature Transform，初度不变特征变换)算法所提取的特征点稳定性高，同时具有尺度不变性和旋转不变性的特点，可获取更多信息量，但同时有存在匹配时间较长的缺点[1]。随后，作为SIFT算法的优化算法——SURF(Speed Up Robust Feature)被提出，其利用了快速的Hessian矩阵检测关键点，缺点是鲁棒性降低[2]。2011年，Rublee[3]等对上述二种算法进行研究改进，提出了经典的ORB(Oriented FAST and Rotated BRIEF)算法，该算法的优点是匹配速度快，同时对噪声敏感的缺点也相当明显，匹配精度也因此降低。传统的ORB算法没有充分解决尺度不变性的问题，针对此问题，戴雪梅[4]等结合SURF算法的尺度不变的特征，对ORB算法进行了改进，得到一种全新的SURF-ORB(简称SURB)算法，其保留了ORB算法的速度优势，又有效地避免了ORB算法不具备尺度不变性的缺陷，提高了算法运行效率。2020年，文永革[5]等提出了结合SIFT算法与K-means聚类算法的图像匹配优化算法，提升了图像特征的算法效率，并且实现了在同等距离比率下，图像特征匹配精度的提升。文献[6]提出了一种大规模的对象检测系统，用户可通过选择查询图像的区域来提供查询对象。并且大型语料库中检索包含相同对象的图像的排序列表在系统中返回，会出现忽略图像的语义部分的情况。……