张海涛，秦鹏程

（辽宁工程技术大学软件学院，辽宁葫芦岛125105）

0 概述

视频目标跟踪是当前计算机视觉领域的热门研究课题，在民用和军事的众多场景中有着广泛的应用［1-3］，而对目标特征点的提取和匹配是视频跟踪中的一项重要步骤［4-5］。视频跟踪中存在诸多影响因素，如尺寸变化、角度变化、光照变化、背景物杂乱、噪声、遮挡干扰等，这增加了特征点错误匹配对准的概率，极大地影响了后续视频跟踪的效果。因此，如何快速有效地剔除误匹配特征点以提高匹配精度，成为一项值得研究的问题。

当前对于误匹配特征点的剔除方法研究在点云配准［6］、三维对象识别［7-8］等方面应用较为广泛。文献［9］利用基于迭代最近点（Iterative Closest Point，ICP）的精确配准技术对前期误匹配结果进行后期校准，但是该算法过于依赖较为准确的初始姿态估计，且存在计算量大、耗时较长、收敛慢等问题。文献［10］在尺度不变特征转换（Scale Invariant Feature Transform，SIFT）算法的基础上增加了区域重叠核加权Hu 矩，将相似度较小的匹配点剔除掉，然而SIFT算法［11］需要建立高维度复杂的描述子，占用了大量的内存，运行时间较长。文献［12］采用随机抽样一致性（Random Sample Consensus，RANSAC）匹配点提纯算法剔除错误的关键点匹配对，提高了识别的精度，然而该算法在抽样时需要对所有的特征点进行迭代以得到最大化的局内点，导致效率较低，在一定程度上牺牲了算法的实时性。

针对特征点提取和匹配过程中速度慢、效率低的问题，文献［13］提出一种加速鲁棒特征（Speeded up Robust Feature，SURF）算法，对DoH 中的高斯二阶微分进行近似简化，加速了特征的提取和描述。……