蔡秀梅，卞静伟，吴成茂，王 妍

1.西安邮电大学 自动化学院，西安710121

2.西安邮电大学 电子工程学院，西安710121

图像匹配技术是图像处理以及计算机领域非常重要的一项技术，目前已在目标识别[1]、图像拼接[2]、三维立体重建以及医学等方面得到了广泛应用[3]。当前常用的匹配算法可分为三大类：基于特征的匹配、基于灰度的匹配和变换域匹配[4-5]。其中基于特征的匹配由于具有对各种变化的鲁棒性强、灵活性好的特点而备受众多学者关注，是目前应用最为广泛的方法之一[6-9]。

1999年，Lowe提出SIFT（Scale-Invariant Feature Transform，SIFT）算法[10]，十多年来，SIFT算法是应用最多的特征匹配算法之一。它具有较好的尺度不变性，以及较强的抗噪声能力和抗干扰能力，但同时存在维数高、时效性差等缺点。因此，为了解决SIFT算法的时效性与维数高的问题，Bay等[11]提出了SURF（Speeded-Up Robust Feature）算法，该算法维数低，时效性也较好，但存在无法保存大量特征点的问题。而Harris算法[12]是基于图像灰度值特征提取方法，它解决了这一问题，同时也克服了时效性以及维数低等不足。近年来，基于机器学习的相关算法也较为流行。例如，cascadeCNN、MTCNN算法等，它们由于算法新颖、结果更准确而更受欢迎，但也有不足，例如它们大多更适于人脸识别，主要识别一些静态物体或有规律运动物体的特征[13]。主要原因在于它们对目标样本集、训练集、测试集进行大量的测试后得到结果，使该类算法存在运算过程繁琐且计算量较大的问题[14]。因此，Harris角点检测算法，相对于SIFT算法、SURF算法、基于机器学习[15]的算法而言，存在可创新性，可改进点较多，计算过程较简单，且对常见图像变换不敏感，易改进且便于结合其他算法，不足在于不具备较好的尺度不变性以及基本的抗噪能力。……