张 宇，胡立坤，黄 彬

（广西大学 电气工程学院，南宁 530004）

0 概述

目前，图像匹配算法已广泛应用于计算机视觉、模式识别、自动驾驶和图像拼接等领域［1-2］。基于特征的匹配算法是最常用的图像匹配算法，大致分为基于特征点、基于特征线和基于特征区域的三类匹配算法［3-4］。基于特征的匹配算法仅针对像素点进行运算，执行效率高且对图像的亮度、尺度和旋转等变化具有较强的鲁棒性［5-6］。

常用的特征点图像匹配算法SIFT（Scale Invariant Feature Transform）［7-8］利用高斯核函数构造线性尺度空间，保证特征点具备尺度不变性。SURF（Speed-Up Robust Features）算法［9］采用Hessian 矩阵构建尺度空间，能够降低特征点描述符的维度，相较SIFT算法缩短了整体运行时间。文献［10］提出一种ORB（Oriented Fast and Rotated BRIEF）算法，其采用FAST（Feature from Accelerated Segment Test）算法［11］快速提取特征点，在进行特征点描述时利用二进制描述子BRIEF（Binary Robust Independent Elementary Features）［12］。ORB 算法虽然提高了运算效率，但特征点定位精度不高，对图像旋转变化和尺度变化比较敏感。KAZE算法［13］和AKAZE（Accelerated-KAZE）算法［14］通 过构造非线性尺度空间，有效保留了图像的边缘与细节。AKAZE 算法利用快速显示扩散FED（Fast Explicit Diffusion）算法构造非线性尺度空间，其运算量低于KAZE 使用的AOS（Additive Operator Splitting）算法，且运行时间更短。AKAZE 算法使用的二进制描述符M-LDB（Modified-Local Difference Binary）对旋转和尺度变化具有很好的鲁棒性。文献［15］采用二进制特征描述子FREAK 代替M-LDB描述符进行特征点描述，利用Grid-KNN 算法对特征点实现粗匹配，能够兼顾匹配效率和匹配精度。

传统的AKZE 算法仅利用图像的灰度信息作为输入，未考虑图像中的颜色与光照信息。文献［16］采用颜色不变量的灰度级变换代替传统灰度影像作为算法输入，虽然其增加了图像匹配彩色信息，但灰度变换的范围参数只能根据经验值确定。……