王鑫城，范 红，刘锡泽，胡晨熙，林 威，禹素萍

(东华大学 信息科学与技术学院，上海201620)

0 引言

随着人工智能的不断发展，对图像进行特征提取并通过特征匹配完成对目标的对比及识别，成为了计算机视觉领域中最主要的手段之一，并在大量领域有着广泛的应用，如人脸识别、车牌检测、无人驾驶和医学诊断等。 对于商品货架图片而言，特征点的提取数量与匹配的精度会对商家后续的运作有较大的影响。 在图像匹配算法研究中，最为常见的莫过于尺度不变特征变换算法(Scale-Invariant Feature Transform，SIFT)，经典SIFT 算法由LOWE D G在1999 年提出[1]，并于2004 年完善[2]。 该算法稳定性高，对旋转、尺度缩放和亮度变换保持不变性。传统SIFT 算法的描述子是具有128 维的特征向量，在特征点的特征向量生成以及最后进行匹配的过程中需要大量的运行时间。 因此，降低特征向量的维数是学者们的一个重要研究方向，如SPCA、PCA[3]算法。 另一个研究方向是采用特殊结构[4]，基于二分查找的思想，对得到的特征描述子进行划分，同时结合KNN 算法，加快特征向量的匹配搜索速度，常用的结构有KD-Tree[5]等。 2006 年BAY H 提出SUFR(Speeded Up Robust Features)[6]算法，提升了特征提取速度，但在对尺度和旋转的适应性方面不及SIFT 算法。秦绪佳[7]提出在特征匹配中引入灰度域和空间域的自相关性，提高匹配准确性，但增加了算法复杂度，耗时大。 RUBLEE E 等[8]结合了BRIEF算法和FAST 算法，提出了ORB 算法来解决旋转不变性问题，但其特征符的区分性弱，匹配效果一般。

本文基于特征融合，在获取SIFT 特征描述子后用K-means 聚类算法建立视觉单词词频直方图,并融合灰度共生矩阵特征[9]完成图像匹配，从而提升商品图像匹配的准确率。……