张琳娜，陈建强，吴 妍，张 悦，岑翼刚

（1.贵州大学机械工程学院，贵阳550025；2.贵阳市公安司法鉴定中心，贵阳550025；3.北京交通大学信息科学研究所，北京100044）

引 言

图像拼接技术广泛应用于全景图像拼接［1-2］、虚拟现实［3-4］、无人机遥感图像拼接［5-6］及多图像视频拼接［7-8］等领域。针对不同的应用领域和不同的具体问题，配准算法的结构和性能不尽相同［7］，但目的相同：在规定的变换空间内寻找一种最佳变换，确保待配准的两幅图像之间达到某种意义的匹配。一般的图像拼接流程包括：特征提取、特征匹配、单应矩阵和图像融合［9］。

为了更好地实现图像配准，很多学者都在努力提取更快、更突出的特征。图像特征提取是对整幅图像进行降维描述，使用低维的图像特征向量来描述整幅图像。从最早期的Moravec算法［10］到Harris算法［11］，再到尺度不变特征转换（Scale-invariant feature transform，SIFT）［12］、SURF［13］、FAST［14］、ORB［15］和BRISK［16］算法，以及改进算法PCA-SIFT、ICA-SIFT、P-ASURF、R-ASURF和Radon-SIFT等，特征提取算法层出不穷。为了满足人眼视觉感受，得到更自然的拼接图片，文献［17］利用不同图像间信息进行互补融合。为了解决由像素几何未对准及目标运动引起图像重合区域“鬼影”效应［18］，文献［19］寻找一条最佳镶嵌线，在重叠区域寻找两幅图像的差异最小值。还有一部分学者致力于解决整体映射扭曲失真的问题。文献［20-21］提出了一些局部映射模型，提高对齐的质量，如APAP（As-projective-as-possible）［21］模型，将图像划分为密集网格，每个网格都用一个单应性矩阵对齐，用网格优化的方法来解决图像拼接对齐问题。这些方法大部分都是关于特征提取、单应矩阵和图像融合方面，在特征匹配方面涉及很少。……