sift特征匹配算法研究

sift特征匹配算法研究

ID:15245678

大小:38.50 KB

页数:15页

时间:2018-08-02

sift特征匹配算法研究_第1页
sift特征匹配算法研究_第2页
sift特征匹配算法研究_第3页
sift特征匹配算法研究_第4页
sift特征匹配算法研究_第5页
资源描述:

《sift特征匹配算法研究》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、SIFT特征匹配算法研究第20卷第2期2007年06月盐城工学院(自然科学版)JournalofYanchengInstituteofTechnologyNaturalScienceEditionVo1.20No.2Jun.2007SIFT特征匹配算法研究王国美,陈孝威(贵州大学计算机科学与技术学院,贵州贵阳550025)摘要:SIFT特征匹配算法是目前特征匹配研究领域的热点,其匹配能力较强,可以处理图像间发生平移,旋转,仿射变换的匹配,对任意角度拍摄的图像也具备较稳定的特征匹配能力.实验结果表明,该算法具有较强的匹配能力和鲁棒性,是一种较好的特征匹配算法.关键词:虚拟现实

2、;特征匹配;图像拼接;全景图中图分类号:TP37文献标识码:A文章编号:1671—5322(2007)02—0001—05图像匹配是虚拟现实,计算机视觉等领域的一个研究热点.目前,有关研究人员对图像匹配技术进行了大量的研究,提出了很多匹配算法:有基于面积的方法…,有基于比值的方法-2J,有相位相关算法-3等等,但是这些匹配算法都有一个共同点:图像间的焦距要一致,不能有尺度缩放,旋转不能太大,变形不能太明显,还有光照变化,仿射变换等等方面受到限制.随着图像技术和计算机技术的发展,出现了基于特征的图像匹配技术.这种技术的优点是能处理具有不同特性的图像和图像间变形复杂的情况.缺点

3、是特征的检测困难,算法稳定性较差.针对特征匹配算法存在的不足,经过计算机视觉多年的发展,特征提取技术越来越稳定,特别是尺度空间的特征检测器甚至可以稳定地对两幅位移很大的图像进行准确的特征检测和匹配.在基于特征的匹配技术中,其首要任务是提取稳定的特征,并进行描述.常用的方法有基于空间关系的匹配算法,基于不变量描述子的匹配算法,金字塔,和小波算法等等.其中文献[5]提出的SIFr(ScaleInvariantFeatureTransfo1TI1即尺度不变特征变换)特征匹配算法是目前国内外特征匹配研究领域取得比较成功的一种算法,该算法匹配能力较强,能提取稳定的特征,可以处理两幅图

4、像之间发生平移,旋转,仿射变换,视角变换,光照变换情况下的匹配问题,甚至在某种程度上对任意角度拍摄的图像也具备较为稳定的特征匹配能力,从而可以实现差异较大的两幅图像之间的特征的匹配.本文在研究以上各种匹配算法的基础上,对匹配能力较强,适用范围较大的sIFr特征变换匹配算法进行比较详细和深入的介绍,并用Mat—lab7.0实现了该算法.1SIFT特征匹配算法siFr特征匹配算法是DavidG.1_~we在2004年总结了现有的基于不变量技术的特征检测方法的基础上,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特征匹配算法.siFr特征是图像的局部特征,该特

5、征对旋转,尺度缩放,亮度变化保持不变性,对视角变化,仿射变换,噪声也保持一定程度的稳定性.siFr特征匹配算法分两个阶段来实现:第1阶段是siFr特征的生成,即从多幅待匹配图像中提取出对尺度缩放,旋转,亮度变化无关的特征向量;第2阶段是siFr特征向量的匹配.1.1SIFT特征向量的生成在生成SIFT特征向量之前,先对图像进行规收稿日期:2006—12—21基金项目:国家教育部春晖计划基金(200203)作者简介:王国美(1975一),女,贵州遵义市人,博士研究生,主要研究方向为虚拟现实技术,多媒体技术.盐城工学院(自然科学版)第20卷一化处理,然后扩大图像为原来的两倍,预

6、滤波剔除噪声,得到高斯金字塔的最底层即第1阶的第1层.一幅图像SIFT特征向量的生成算法总共包括4步.1.1.1尺度空间极值检测尺度空间理论最早出现于计算机视觉领域,当时其目的是模拟图像数据的多尺度特征.随后Koendetink利用扩散方程来描述尺度空间滤波过程,并由此证明高斯核是实现尺度变换的唯一变换核引.Lindeberg[,Babaud[.等人通过不同的推导进一步证明高斯核是唯一的线性核.因此,尺度空间理论的主要思想是利用高斯核对原始图像进行尺度变换,获得图像多尺度下的尺度空间表示序列,对这些序列进行尺度空间特征提取.二维高斯核的定义如公式(1)所示,其中代表了高斯正

7、态分布的方差:G(,,)=e舻)/(1)1T对于二维图像,(,Y),在不同尺度下的尺度空间表示(,y,)可由图像,(,Y)与高斯核G(,Y,)的卷积得到,如公式(2)所示:L(,Y,)=G(,Y,)×,(,Y)(2)在公式(2)中,£表示尺度空间.(,Y)代表图像,上的点.是尺度因子,其值越小则表征该图像被平滑得越小;其值越大则表征该图像被平滑得越大.大尺度对应于图像的概貌特征,小尺度对应于图像的细节特征.因此,选择合适的尺度因子平滑是建立尺度空间的关键.在这一步里面,主要是建立高斯金字塔和DOG(Differen

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。