冯宝凤， 杨剑锋，2， 严 可， 邹 琼， 仝天乐

（1 贵州大学数学与统计学院， 贵阳 550025； 2 贵州理工学院大数据学院， 贵阳 550003；3 深圳市瑞云科技股份有限公司， 广东 深圳 518000； 4 贵州黔驴科技有限公司， 贵阳 550000）

0 引 言

图像匹配是通过计算机和数学理论知识，对给定的图像按照特定目的进行处理［1］，其在物体识别［2］、图像拼接［3］、视觉映射［4］等领域应用广泛。图像匹配大致分为两大类：对区域的匹配算法和对特征的匹配算法［5］。 对区域进行匹配的方法主要是指对图像进行密集匹配，利用整幅图像的像素强度进行图像匹配，建立一个密集像素的对应关系；利用图像特征进行匹配的方法，需要提取两幅图像中的特征点以及图像的局部特征描述符，通过描述符与度量空间相似度的距离判断来建立对应关系，进行图像特征匹配。 其中，图像特征匹配算法具有强鲁棒性、高配准率、计算速度快等优势，因此常被用于图像处理［6］。

基于图像的特征匹配算法发展至今，已经产生了许多经典以及改进算法。 如：Lowe 等［2］提出的SIFT（scale-invariant feature transform）算法，拥有旋转不变性、尺度不变性以及独特性，不会受光照、仿射变换、噪声的影响，广泛应用于各个领域，但其利用128 维数据，高维数据计算时间长，实时性目的较差；Bay 等［7］在SIFT 基础上提出了具有64 特征维数的SURF（Speeded Up Robust Features）算法，SURF降低了数据维度，具有良好的鲁棒性，但存在精度低、实时性差等缺点； Leutenegger 等［8］提出BRISK（Binary Robust Invariant Scalable Keypoints）算法，虽然该算法也拥有旋转不变性、尺度不变性以及鲁棒性，针对较大模糊的图像配准较好，但存在配准率低的问题；……