改进的SIFT匹配算法
：SIFT 特征描述子的高维性和复杂性，不但占用较大的内存空间，而且影响特征匹配的速度。文章采用基于特征点邻域梯度统计的思想，局部统计区域由以特征点为中心的8 个同心方环分割出来的环形组成，并计算出其相应像素的梯度(模值和方向)，统计出8 个方向的梯度累加值，然后进行从大到小的排序，最后再进行规一化处理。建立新的描述子将原来的128 维向量降低到64 维，实验证明此方法在保持匹配精度的情况下提高了匹配速度。
图像匹配是计算机视觉和数字图像处理的重要组成部分，广泛应用于摄影测量与遥感、资源分析、三维重建、目标识别等众多领域，一直视研究者关注的焦点，但由于它受到天气、阳光、遮挡等外界因素的严重影响，并且存在因不同成像时间、角度、距离等因素而导致的图像平移、旋转、缩放等问题，这都给图像匹配工作带来很大的难度。
长期以来，国内外许多学者都致力于能够解决上述问题的图像匹配技术研究。近年来，在计算机视觉领域， 基于局部不变量描述符(local invariant descriptor)的方法在目标识别和图像匹配方面取得了显著进展。
1999 年D. G. Lowe 提出尺度不变特征变换算法(scale invariant feature transformation, SIFT)， 并与2004 年总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至 *基金项目：“泰山学者”建设工程专项经费资助。
Copyright © 2012 Hanspub 204
相关标签