李明磊，赵俊杰，李 翔

（1.中信戴卡股份有限公司，河北秦皇岛 066011；2.广州引力波信息科技有限公司，广东广州 510000）

高维特征能够反映出目标图像中像素节点的分布形式，在进行参量提取的过程中，能够提供大量的可参考信息。然而，随着原始图像存储空间的不断增大，所选定投影向量与真实向量之间的差值水平也会逐渐增大，这就会对主机元件准确提取图像高维特征参量造成较大压力[3]。以3D 轮毂模型为例，改进SIFT 提取方法虽然能够准确定义投影向量的长度值水平，但却并不能将其取值结果控制在既定数值区间之内，这就使得投影向量与真实向量之间的差值水平始终难以得到有效控制[4]。

为解决上述问题，引入机器视觉技术的应用思想，并以此为基础，设计一种新型的图像高维特征智能提取算法。

1 基于机器视觉的图像特征匹配

1.1 视觉坐标系

图像的基础处理只能得到高维特征节点在二维空间内的像素坐标信息，而在机器视觉理论的认知中，线性摄像机模型反映的却是所选择特征节点的三维空间坐标信息，故而在实施图像特征匹配处理的过程中，应按照像素节点的三维分布形式构建视觉坐标系[5-6]。一个完整的机器视觉坐标系应同时包含X、Y、Z三个物理坐标轴，且坐标轴正方向的选取必须遵循像素点坐标由小至大的排列原则。具体的视觉坐标系求解表达式如下：

1.2 图像参数标定

图像参数描述了所选像素节点对于高维特征参量的承载能力。……