一种改进的基于SURF的快速图像匹配算法研究

万方数据

波响应分别记为ｄｘ和ｄｙ，同时也赋给响应值以权值系数（盯＝３．３ｓ），以增强对几何变形和定位误差的鲁棒性；如图４所示，对每个子区域的响应以及响应的绝对值相加形成∑巩，∑匆，∑Ｉ破１和∑ｆ五ｌ。这样，在每个子区域内得到一个四维的向量秽＝ｆ∑ｄｘ，∑方，∑Ｉ五Ｉ∑ｌｄｙＩ）。因此，对每一特征点，则形成４Ｘ（４×４）＝６４维的描述向量，将特征向量归一化，使描述子对光照具有一定的鲁棒性。

∑矗

图４ＳＵＲＦ描述子的组成

对于大于。或小于。的以和ｄｙ，分别计算∑五，∑西，∑Ｉ以ｌ和∑ＩｄｒＩ，嗍］Ｊ１６Ｘ８的１２８维的描述子。该描述子具有更好的区分度。但同时也增加了计算量。

为了对描述子进行更详细的直观的描述．图５中列出了三种类型的子区域，第一幅的灰度是平均分布的，所以对它求得的四个分量值都很小：第二幅的灰度在ｘ方向上有规律的变化，变化频率相近，而在ｙ方向上变化很小，所以对它求得的分量∑ｌ五Ｊ的值较大，其余的分量值很小；第三幅的灰

度在ｘ方向上是渐变的，所以求得的∑吐和∑ｌ以ｌ的值都较大。如果将这样的特征向量结合在一起得到的描述子就具有显著区别特性。

图５不同灰度分布下描述子成分的变化

２．３特征匹配

２．３．１ＳＵＲＦ相似性测度

在特征点检测步骤中，在计算Ｈｅｓｓｉａｎ矩阵的行列式的时候，同时计算／出Ｈｅｓｓｉａｎ矩阵的迹，迹就是Ｈｅｓｓｉａｎ矩阵主对角线之和。即

ｔｒａｃｅ（ｉ）＝∑，（丑＋劫（７）

其中ｄｘ、ｄｙ仍然是积分图像滤波器的ｘ和Ｙ方向上的响应值。在进行相似性度量的时候，首先判断Ｈｅｓｓｉａｎ矩阵迹的符号，如果ｔｒａｃｅ（ｉ）＝是大予Ｏ的数．就对描述子赋一个索引值１．如果是小于０的数，就对描述子赋一个索引值一１。之所以用ｌｉｅｓ－ｓｉａｎ矩阵的迹来进行预先判断。是因为它能区分出黑色背景上的白色区域或者白色背景上的黑色区域。

如果两个描述子相同．说明两个描述子具有相等的对比度，可以继续进行描述子的比较。如果两个描述子的不相同．则不需要进行后面的描述子的比较，从而减少了匹配时间．同时不会影响匹配效果。

２．３．２图像匹配

得到基准图像和待配准图像的特征点后．就要进行特征点匹配。在上文得到的特征点的相关信息（位置、尺度、主方向及特征向量）中，特征向量包含了特征点周围邻域的信息，用特征向量的最近邻匹配法可求出图像间潜在的匹配对而无需进行额外信息量的计算。一般采用欧式距离、马氏距离等函数作为特征的相似性度量。本文采用关键点特征向量的欧氏距离作为两幅图像间的相似性度量．取原图像中一特征点．根据阈值找出与基准图像欧氏距离中最近邻和次近邻的两个特征点，如果最近邻的距离与次近邻的距离的比值小于阈值（试验中阈值取０．７），则认为这两个点是匹配的。降低阈值，匹配点的数目就会减少，但匹配更加稳定可靠。

３实验及结果分析

文中采用ＳＵＲＦ进行图像配准：该算法用积分图像和快速Ｈｅｓｓｉａｎ矩阵进行特征点提取．用最近邻匹配法得到潜在的匹配对。在结合ＲＡＮＳＡＣ算法和最小二乘算法．最后求出图像间的变换关系和配准后的图像。试验中所用到的软件开发工具为

?９ｌ?万方数据

万方数据

一种改进的基于SURF的快速图像匹配算法研究

作者：卢选民，孙志军，吴健，王君本，俞天秀，赵良，丁晓宏， LU Xuanmin， SUN

Zhijun， WU Jian， WANG Junben， YU Tianxiu， ZHAO Liang， DING Xiaohong

作者单位：卢选民,王君本,LU Xuanmin,WANG Junben(西北工业大学,电子信息学院,陕西,西安,710072)，孙志军,吴健,俞天秀,赵良,丁晓宏,SUN Zhijun,WU Jian,YU Tianxiu,ZHAO Liang,DING

Xiaohong(敦煌研究院数字中心,甘肃,敦煌,736200)

刊名：

敦煌研究

英文刊名：DUNHUANG RESEARCH

年，卷(期)：2010(6)

参考文献(11条)

1.邵平;杨路明;曾耀荣计算旋转Haar型特征的积分图像的算法改进 2006(16)

2.K.Mikolajczyk;C.Schmid An affine invariant interest point detector 2002

3.T.Lindeberg Feature detection with automatic scale selection[外文期刊] 1998(02)

4.Viola,P;Jones,M Rapid object detection using a boosted cascade of simple feature 2001

5.H.Bay;B.Fasel;L.van Gool Interactive museum guide:Fast and robust recognition of museum objects 2006

6.Herbert Bay;Andreas Ess,Tinne;Luc Van Gool Speed-Up Robust Features(SURF)Computer Vision and Image Understanding 2008(03)

7.H.Bay;T.Tuyteplaars;L.Van Gool SURF:Speeded Up Robust Features 2006

8.Y.Ke;R.Sukthankar PCA-SIFT:A more distinctive representation for local image descriptor 2004(02)

9.M.Brown;D.G Lowe Invariant features from interest point groups 2002

10.D.G.Lowe Distinctive image features from scale-invariant keypoints[外文期刊] 2004(02)

11.Harris C;Stephens M J A combined corner and edge detector 1988

本文链接：https://www.360docs.net/doc/1c17084592.html,/Periodical_dhyj201006017.aspx