专利名称：一种基于改进sift算法的高效图像匹配方法
技术领域：
本发明涉及一种图像匹配的方法，属于图像处理技术领域。
背景技术：
图像匹配是指同一场景在两个不同时点下图像之间的对应关系，它是计算机视觉研究领域的一个基本问题，也是计算机视觉应用，如深度恢复、摄像机标定、运动分析以及三维重构等问题的研究起点或基础。在特征匹配法中，如今运用最多的是点特征。现在常见的特征点提取算法包括 Harris算子、ForIstner算子、SIFT算法和基于小波变换的边缘点提取法。其中SIFT 算法以其独特的优势，成为目前最为稳定的一种算法。SIFT(Scale Invariant Feature Transform)算法即尺度不变特征变换算法,是David G. Lowe在1999年提出的一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子，SIFT将一幅图像映射(变换)为一个局部特征向量集，特征向量具有平移、缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定的不变性。SIFT特征向量的生成由以下四个步骤组成I、在尺度空间中检测极值点；2、去除低对比度的极值点和不稳定的边缘极值点，得到特征点；3、计算特征点的方向参数；4、生成SIFT特征点向量，向量维数一般为128维。运用SIFT算法提取的SIFT特征向量具有如下优点I、SIFT特征是图像的局部特征，对其旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换等保持一定程度的稳定性；2、独特性好，信息量丰富，使用于在海量特征数据库中进行快速、准确的匹配；3、多量性，即使少数的几个物体也可以产生大量SIFT特征向量；4、可扩展性，可以很方便地与其他形式的特征向量进行联合。尽管SIFT提取的特征点稳定，但SIFT算法缺点也很多，如算法复杂度较高，计算数据量大，耗时较长。研究人员针对以上的缺点采取了许多改进措施，Yanke等人提出了 PCA-SIFT方法[1]，目的是对特征描述进行数据降维，虽使匹配速度加快，但是由于没有任何先验知识做基础，这种方法反而使计算量增加；Grabner等人用积分图像方法[2]，使SIFT的计算速度提高了，但是降低了 SIFT方法的优越性。以上方法只是改进匹配阶段或者特征描述，本发明通过特征提取和特征描述的双重改进，在保证SIFT匹配精度的前提下提高了运算速度，更好的实现了 SIFT算法的实时性。[1]KE Y, SUKTHANKAR R. PCA-SIFT:a more distinctive representation for local image descriptors[C]. Proceedings Conference Computer Vision and Pattern Recognition, 2004:511-517.[2]GRABNER Mj GRABNER H，BISCHOF H. Fast approximated SIFT[C]. ProceedingsAsian Conference on Computer Vision，2006，1:918-927。
发明内容
本发明所要解决的技术问题是针对背景技术的不足，提出一种改进SIFT算法的高效图像匹配方法。在图像匹配时，通过选择更能代表或体现图像特征的点来进行匹配工作，有效提高了匹配过程的实时性。本发明为解决上述技术问题采用以下技术方案一种基于改进SIFT算法的高效图像匹配方法，包括如下步骤步骤(1)，利用SIFT算子对输入的参考图像和待匹配图像进行特征点提取；步骤(2)，结合Harris算子对步骤(I)提取的参考图像和待匹配图像的特征点进行优化，筛选出具有代表性的角点作为最终的SIFT特征点；步骤(3)，对步骤(2)筛选出的SIFT特征点的特征描述符进行降维处理，获取参考图像和待匹配图像的64维特征向量描述符；步骤(4)，利用最近邻/次近邻算法对参考图像和待匹配图像进行初始匹配，并采用基于极线约束的RANSAC算法剔除其中的错误匹配，实现图像的精匹配。进一步的，本发明的一种基于改进SIFT算法的高效图像匹配方法，步骤(I)所述利用SIFT算子对输入的参考图像和待匹配图像进行特征点提取的具体步骤如下第一步，利用高斯卷积核对输入的图像I (x，y)进行处理，得到多尺度空间图像
LU，y，。)，即
权利要求
1.一种基于改进SIFT算法的高效图像匹配方法，其特征在于，包括如下步骤步骤(1)，利用SIFT算子对输入的参考图像和待匹配图像进行特征点提取；步骤(2)，结合Harris算子对步骤(I)提取的参考图像和待匹配图像的特征点进行优化，筛选出具有代表性的角点作为最终的SIFT特征点；步骤(3)，对步骤(2)筛选出的SIFT特征点的特征描述符进行降维处理，获取参考图像和待匹配图像的64维特征向量描述符；步骤(4)，利用最近邻/次近邻算法对参考图像和待匹配图像进行初始匹配，并采用基于极线约束的RANSAC算法剔除其中的错误匹配，实现图像的精匹配。
2.根据权利要求I所述的一种基于改进SIFT算法的高效图像匹配方法，其特征在于，步骤(I)所述利用SIFT算子对输入的参考图像和待匹配图像进行特征点提取的具体步骤如下第一步，利用高斯卷积核对输入的图像I(x，y)进行处理，得到多尺度空间图像K 即φ，>，，σ)=6(从σ) /(χ，Α其中外，从)=士，(x，y)代表图像的像素位置，σ为尺度空间因子；第二步，对多尺度空间图像L(x，y，σ)进行高斯差处理，构建高斯差分尺度空间图像 D(x, y, σ )，即D(x,γ, σ) = (θ(χ,y, ka)- G(x,y, σ)) l(x, y) = L(x, y,ka)—L{x, v, σ)，式中,k 为两相邻尺度空间倍数的常数；第三步，检测该高斯差分尺度空间图像的局部极值点，然后利用拟合三维二次函数将所述极值点精确到亚像素级，并采用阈值法和Hessian矩阵法筛选特征点，得到SIFT特征点集。
3.根据权利要求I所述的一种基于改进SIFT算法的高效图像匹配方法，其特征在于， 步骤(2)所述结合Harris算子对步骤(I)提取的特征点进行优化的具体步骤如下步骤a、生成一个大小为3X3高斯窗口函数wx,y ；步骤b、对SIFT算子提取出的每一个特征点计算其相应的M矩阵 其中Ix为X方向的差分，Iy为I方向的差分；步骤C、通过M矩阵的行列式值det (M)和迹trace (M),计算步骤b中各特征点对应的角点响应函数值R(x，y)R (X，y) =det (M) / (trace (M))2步骤d、对所有特征点对应的R(x，y)进行降序排列，选取序列的前η个特征点作为最终的SIFT特征点，η根据不同图像对于匹配点数的要求确定。
4.根据权利要求I所述的一种基于改进SIFT算法的高效图像匹配方法，其特征在于， 步骤(3)所述对SIFT特征描述符进行降维处理，获取参考图像和待匹配图像的64维特征向量描述符的具体步骤如下步骤Α,利用邻域点的信息,计算每一个特征点的梯度值m(x, y)和梯度方向Θ (X，y)；
5.根据权利要求I所述的一种基于改进SIFT算法的高效图像匹配方法，其特征在于， 步骤(4)所述利用最近邻/次近邻算法对参考图像和待匹配图像进行初始匹配的具体步骤如下采用特征向量的欧式距离作为两幅图像中特征点的相似性度量，取待匹配图像的一个特征点，从参考图像中找出与其欧式距离最近的前两个特征点，作为最近邻特征点和次近邻特征点；若最近邻特征点的距离除以次近邻特征点的距离小于预先设定的比例阈值，则接受该特征点与其最近邻特征点为一对匹配点；否则认为该特征点匹配失败，即无匹配点；其中， 所述比例阈值是针对具体的图像，根据匹配点数目以及稳定程度来确定；提高该比例阈值， SIFT匹配点数目会相应增加；降低该比例阈值，SIFT匹配点数目会相应减少。
全文摘要
本发明公开了一种基于改进SIFT算法的高效图像匹配方法。本发明包括下列步骤(1)利用SIFT算子对输入的参考图像和待匹配图像进行特征点提取；(2)结合Harris算子对SIFT提取的特征点进行优化以筛选具有代表性的角点作为最终的特征点；(3)对SIFT特征描述符进行降维处理，获取参考图像和待匹配图像的64维特征向量描述符；(4)利用最近邻/次近邻(NN/SCN)算法对参考图像和待匹配图像进行初始匹配，并采用随机采样一致性(RANSAC)算法剔除其中的错误匹配，从而实现图像的精匹配。本发明在图像匹配时，通过选择更能代表或体现图像特征的点进行匹配，在保证匹配精度的同时提高了SIFT匹配的实时性。
文档编号G06K9/64GK102722731SQ201210169119
公开日2012年10月10日 申请日期2012年5月28日 优先权日2012年5月28日
发明者刘晓俊, 孙永荣, 张翼, 熊智, 王潇潇, 王艳 申请人:南京航空航天大学