圖像局部不變特征提取與匹配及應用研究.pdf

1、圖像特征提取是圖像分析、模式識別及計算機視覺等領域的一個重要研究內容，它是眾多問題的研究基礎。由于目標所在的圖像之間大部分都存在旋轉、視點、尺度、光照、模糊等變換，因此如何提取圖像的穩(wěn)定特征成為了相關領域的研究重點。近年來，一類局部不變特征由于其針對圖像平移、旋轉、尺度、光照及視點等變換具有不變性，已經在圖像配準、圖像拼接、物體識別、目標跟蹤、數字水印及圖像檢索等方面得到了很廣泛地應用?；诰植坎蛔兲卣鞯姆椒ㄖ饕襟E有特征提取(包括特征

2、檢測與特征描述)和特征匹配。本文深入分析了不變特征相關理論基礎，研究了已有的一些局部不變特征提取及匹配方法，針對這些方法存在的問題作了相應的改進，并將改進后的新方法應用到了圖像配準、物體識別等領域，獲得了較好的效果。
　　 研究了基于尺度空間理論的多尺度特征點檢測方法，分析了該類方法存在的問題，并基于Harris角點提出了一種新的多尺度特征點檢測方法。新方法首先在尺度空間中的每個尺度內檢測Harris特征點，遍歷所有尺度以跟蹤全

3、部的Harris點，并同時將其分組，使每組僅代表一個局部結構。然后篩選每個組內的特征點，選取使角點度量值和尺度歸一化Laplace函數同時達到極值的點代表該局部結構。最后利用SIFT描述符對特征點進行描述和匹配。由實驗結果可知，對于包含尺度、視角、JPEG壓縮及模糊變化的圖像，新方法比原Harris-Laplace方法檢測的特征點具有更高的重復率。并且對于兩個譜段的遙感圖像配準，新方法能夠得到比原Harris-Laplace方法更高的配

4、準精度。
　　 尺度不變特征變換(Scale Invariant Feature Transform，SIFT)是一種廣泛應用的特征點描述符。該描述符僅利用了特征點的局部鄰域梯度信息，當圖像中包含多個相似的局部結構時，SIFT描述符使散落在相似局部結構中的點極易發(fā)生誤匹配。針對這一問題，本文提出了一種基于空間分布描述符的SIFT誤匹配校正方法。該方法首先利用SIFT算法進行特征點提取與匹配，然后對于每一個匹配結果中的特征點，再利

5、用圖像邊緣像素點對該點的空間分布信息重新描述，形成一種獨特性更高的空間分布描述符，最后采用該描述符針對匹配結果中的兩種誤匹配進行校正。實驗結果表明，與隨機抽樣一致性法(Random sample consensus，RANSAC)相比，利用空間分布描述符剔除更多誤匹配的同時，也能夠保留更多原本正確的匹配，具有一定的實用價值。
　　 同時，本文分析了一種仿射不變特征提取方法，即多尺度自卷積法(Multi-scaleAuto-con

6、volution,MSA)，基于該方法提出了一種多尺度自卷積熵(Multi-scaleAuto-convolution Entropy，MSAE)的仿射不變特征提取方法。首先，基于MSA特征構造了MSAE特征，并證明了MSAE特征具有仿射不變性；再利用廣義典型相關分析(Generalized Canonical Correlation Analysis，GCCA)將MSA和MSAE進行特征融合，得到新的包含圖像更多信息的組合仿射不變特征

7、，將該組合特征和MSA特征作為描述符，均分別對整幅圖像及圖像中檢測得到的最穩(wěn)定極值區(qū)域(Maximally Stable ExtremalRegion,MSER)進行描述，并對描述后的整幅圖像和MSER區(qū)域分別進行了分類識別實驗，證明了新的組合仿射不變特征描述符比MSA特征描述符具有更高的獨特性。
　　 估計對極幾何的約束關系是剔除誤匹配的主流方法，其中M-估計法(M-Estimators)具有相對較快的計算速度及對高斯噪聲的穩(wěn)

8、定性，因此具有很好的應用前景。但該類方法完全依賴由線性最小二乘法估計得到的矩陣初始值，精度較低，穩(wěn)定性較差?；诖?，本文提出了一種改進的M-Estimators算法。首先利用7點法計算得到基礎矩陣的初始值，再將匹配點與對應極線的對極距離平方和作為度量，計算求得較原M-Estimators算法更加精確的矩陣初始值，然后利用此初始值剔除掉原匹配點集中的錯誤匹配點及壞點，最后運用Torr M-Estimators法對此時的匹配點集進行非線性優(yōu)

9、化計算，得到了最終的匹配點對。實驗結果表明，與M-Estimators和Torr-M-Estimators相比，改進的M-Estimators法在誤匹配以及高斯噪聲存在的情況下，不僅提高了基礎矩陣的估計精度而且具有很好的魯棒性。
　　 最后，在研究Mean Shift算法及相關的Camshift(Continuously Adaptive Mean Shift)算法的原理并分析Camshifi算法缺點的基礎上，本文提出了一種結合

10、SIFT和Camshift的目標跟蹤方法。該方法中，首先將目標區(qū)域轉到HSV顏色空間，采用SIFT算法分別提取目標區(qū)域H、S和V三通道的特征點，當目標區(qū)域中的背景紋理不復雜時，SIFT特征點大部分落于目標之上，再利用這些特征點統(tǒng)計目標的色度直方圖，然后根據該直方圖計算下一幀圖像的目標顏色概率分布圖，接著采用SIFT算法提取搜索區(qū)域H、S和V三通道的特征點，并將其與目標區(qū)域的特征點進行匹配，最后利用匹配后搜索區(qū)域特征點圍成的圖像塊中的像素