杨 洁，华云松

（上海理工大学光电信息与计算机工程学院，上海 200093）

0 引言

随着工业4.0 的发展，双目立体视觉技术广泛应用于多个领域，例如目标识别［1］、目标跟踪［2］、三维重建［3］和图像配准［4-5］等。而目标物体特征点检测和匹配的精度和效率直接影响双目立体视觉技术在实际应用中的可行性与有效性，因此特征匹配显得尤为重要。

目前，应用较广泛的图像匹配方法主要有两种：基于灰度的匹配［6］和基于特征的匹配［7］。由于在抗噪性和匹配精度以及对物体的旋转、尺度、遮挡的鲁棒性等方面表现良好［8-10］，基于特征的匹配方法是当前研究领域的热门，比较成熟的有尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）算法［11］和加速稳健特征（Speeded-Up Ro⁃bust Features，SURF）算法［12］。SIFT 算法首次于1999 年由Lowe［11］提出，并在2004 年加以完善。该算法在光照、旋转和遮挡等方面表现良好，但运行速度较慢。2006 年，Bay［12］提出的SURF 算法是对SIFT 算法的改进，在保持SIFT 算法良好性能的基础上，采用积分图像、黑塞矩阵（Hessian Ma⁃trix）和Haar 小波变换，相比SIFT 算法，提高了算法的运行速度和鲁棒性。由于SURF 算法存在主方向可能不准确的情况，易影响后续特征向量提取和匹配，最终导致误匹配，因此许多学者在这方面进行了大量的研究工作。例如，陈洁等［13］在传统SURF 算法之后加入基于极线约束的随机抽样一致（Random Sample Consensus，RANSAC）算法提高匹配精度；黄春凤等［14］引入双向唯一性匹配和基于视差约束后的RANSAC 算法剔除误匹配；景军锋等［15］通过使用SURF 和ORB 算法提取特征点和生成描述子，再结合RANSAC 算法进行匹配，应用在鞋面图像中提高了匹配精度。……