张 震, 张照崎, 朱留存, 苗志滨, 王骥月, 李修明, 赵成龙, 张坤伦

(1. 北部湾大学 先端科学技术研究院, 广西 钦州 535001； 2. 大连理工大学-立命馆大学国际信息与软件学院, 辽宁 大连116085；3. 广西机械工业研究院有限责任公司, 广西 南宁 530007)

0 引 言

图像局部特征点在不同观察场景下不变地反映图像信息, 广泛应用于目标定位[1-2]、 图像配准与图像拼接[3-5]、 目标识别[6]和SLAM(simultaneous localization and mapping)[7-8]等领域, 已成为计算机视觉领域的研究热点. 这类方法首先对图像中显著特征进行提取, 然后利用提取特征的描述子完成两张图像间特征的匹配, 再通过特征匹配关系建立图像间的几何变换模型[8-9], 特征点检测算法大多数基于灰度的一阶或二阶导数寻找极值点. Harris等[10]提出了经典的Harris特征点检测算法, 对图像旋转、 光线变化、 噪声和视点变换不敏感; Rosten[11]提出了FAST特征点检测算法, FAST算法速度较快, 但易受噪声影响. 上述特征点检测算法都基于单一尺度, 之后研究者们提出了能适应多尺度变化的特征检测算法, 如SIFT算法[12]和SURF算法[13], SURF是SIFT的改进算法. 这类算法需要用Laplace算子或高斯差分算子构建尺度空间, 增加了计算复杂度和匹配识别的难度, 实时性较差. 文献[10-11]仅关注于特征点检测, 并未给出描述子定义算法和匹配算法. SIFT算法[12]在特征点周围取16×16的邻域, 再将邻域化为4×4个小区域, 每个小区域统计8个方向梯度, 得到128维的向量作为描述子. SURF算法[13]在特征点周围取一个具有方向的正方形邻域, 再划分为16个子区域, 每个子区域统计4个Haar小波特征, 得到64维的向量作为描述子. 上述描述子信息丰富, 但运算代价较高, 占用内存大. Calonder等[14]提出的BRIEF描述子, 极大节省了内存空间；……