基于ransac算法的sift特征匹配研究(OpenCV+VS2010)____朱万革(最终版)

基于SIFT算法的异源遥感影像自动匹配研究张建花;白仲斐;惠广裕【摘要】由于不同传感器、多时相、多分辨率、多波段的遥感图像的光谱特征、空间特征、纹理特征等存在较大差异，为遥感图像的匹配带来了困难。

主要利用图像特征点提取方法，使用具有尺度不变特性的SIFT(Scale Invariance Feature Transform)方法，对异源遥感图像进行配准和图像进行拼接操作，并进一步对SIFr算法进行优化，采用双向匹配策略。

实验证明该算法具有稳定、可靠、快速等特点,适用于存在光谱特征、空间特征、纹理特征差异的异源遥感图像的精确配准，同时实验验证了双向匹配算法用于SIFT特征点匹配中的优越性,证明其为一种好的匹配测度。

%Since multi-source,multi-temporal,multi-resolution and multi-band remote sensing images are too different in spectral characteristics, spatial characteristics, as well as texture features. So it is full of difficulty to match these remote sensing images. We have focused our studies on the point feature extraction method to match the multi-source images in this paper. Then match the images.Based on the above theory, we have done some experiments. The results show that SIFT is one of the most effective local feature of rotation, scale, and illumination invariant. Changes of perspective, affine transformation and noise also maintain a certain degree of stability. SIFT based image matching algorithm is analyzed, and a bidirectional matching algorithm is proposed to improve the accuracy of image matching. The experimental results show that the proposed algorithm is effective.【期刊名称】《电子设计工程》【年(卷),期】2011(019)013【总页数】4页(P176-179)【关键词】遥感图像；SIFT；配准；双向匹配；RANSAC【作者】张建花;白仲斐;惠广裕【作者单位】中国飞行试验研究院测试所，陕西西安710089;中国飞行试验研究院测试所，陕西西安710089;中国飞行试验研究院测试所，陕西西安710089【正文语种】中文【中图分类】TP391光学卫星遥感成像的理论限制，难以突破云雨障碍。

图像的拼接----RANSAC算法⼀、全景拼接的原理1.RANSAC算法介绍RANSAC算法的基本假设是样本中包含正确数据(inliers，可以被模型描述的数据)，也包含异常数据(outliers，偏离正常范围很远、⽆法适应数学模型的数据)，即数据集中含有噪声。

这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产⽣的。

同时RANSAC也假设，给定⼀组正确的数据，存在可以计算出符合这些数据的模型参数的⽅法。

2.使⽤RANSAC算法来求解单应性矩阵在进⾏图像拼接时，我们⾸先要解决的是找到图像之间的匹配的对应点。

通常我们采⽤SIFT算法来实现特征点的⾃动匹配，SIFT算法的具体内容参照我的上⼀篇博客。

SIFT是具有很强稳健性的描述⼦，⽐起图像块相关的Harris⾓点，它能产⽣更少的错误的匹配，但仍然还是存在错误的对应点。

所以需要⽤RANSAC算法，对SIFT算法产⽣的128维特征描述符进⾏剔除误匹配点。

由直线的知识点可知，两点可以确定⼀条直线，所以可以随机的在数据点集中选择两点，从⽽确定⼀条直线。

然后通过设置给定的阈值，计算在直线两旁的符合阈值范围的点，统计点的个数inliers。

inliers最多的点集所在的直线，就是我们要选取的最佳直线。

RANSAC算法就是在⼀原理的基础上，进⾏的改进，从⽽根据阈值，剔除错误的匹配点。

⾸先，从已求得的匹配点对中抽取⼏对匹配点，计算变换矩阵。

然后对所有匹配点，计算映射误差。

接着根据误差阈值，确定inliers。

最后针对最⼤inliers集合，重新计算单应矩阵H。

3.基本思想描述：①考虑⼀个最⼩抽样集的势为n的模型(n为初始化模型参数所需的最⼩样本数)和⼀个样本集P，集合P的样本数#(P)>n，从P中随机抽取包含n 个样本的P的⼦集S初始化模型M；②余集SC=P\S中与模型M的误差⼩于某⼀设定阈值t的样本集以及S构成S*。

S*认为是内点集，它们构成S的⼀致集(Consensus Set)；③若#(S*)≥N，认为得到正确的模型参数，并利⽤集S*(内点inliers)采⽤最⼩⼆乘等⽅法重新计算新的模型M*；重新随机抽取新的S，重复以上过程。

基于SIFT算法的图像配准算法研究的开题报告一、选题背景和意义图像配准是从不同视角、不同时间或不同传感器捕获的两幅或多幅图像之间搜索相互对应的像素点的过程。

图像配准已经成为计算机视觉、机器人、医学、遥感等领域中的一个重要问题，涉及到无人机监测、医学影像、安防监控等领域。

SIFT（Scale-Invariant Feature Transform）算法是一种基于局部特征的图像配准算法，具有旋转不变性、尺度不变性、光照不变性等优点，在图像匹配、目标检测和识别等方面有着广泛应用。

因此，本文旨在研究基于SIFT算法的图像配准算法，以提高其在实际应用中的性能。

二、研究内容和方法2.1 研究内容本文将研究基于SIFT算法的图像配准方法，主要包括以下内容：1）SIFT算法理论基础及其算法流程；2）SIFT特征点检测、匹配、筛选及配准的方法；3）针对SIFT算法存在的问题进行优化改进，并在实验中进行验证；4）对不同场景下的图像进行配准实验，并对比分析不同算法的性能。

2.2 研究方法本文将采用以下研究方法：1）阅读相关文献，深入理解SIFT算法及其在图像配准中的应用；2）实现SIFT算法，并在大量数据集上进行实验验证；3）对SIFT算法进行优化改进，并在实验中进行比较；4）在不同场景下选用典型的图像进行实验，并进行结果比较和分析。

三、预期结果及创新点本文预期的结果为：1）研究并深入理解SIFT算法及其在图像配准中的应用；2）通过实验验证，得出不同情况下SIFT算法在图像配准中的表现并进行比较；3）提出改进之后的SIFT算法并在实验中进行验证；4）分析比较各种算法的优缺点及应用场景。

本文的创新点如下：1）针对SIFT算法在图像配准中存在的问题进行优化改进；2）研究不同场景下的图像配准效果，并进行比较分析；3）根据实验结果和理论分析，结合实际应用场景提出优化的SIFT算法，提高图像配准的准确率和效率。

四、进度安排本文的研究进度安排如下：1）第一周：阅读相关文献，制定研究计划和实验方案；2）第二周至第四周：实现SIFT算法，进行基本的图像特征点检测、匹配和配准；3）第五周至第七周：针对SIFT算法的优化改进，并对比分析实验结果；4）第八周至第十周：对不同场景下的图像进行实验，进行结果比较和分析；5）第十一周至第十二周：撰写论文初稿，并进行修改和完善；6）第十三周：进行论文的最终修改和定稿。

基于SIFT特征的遥感影像自动配准
茹朝阳
【期刊名称】《城市勘测》
【年(卷),期】2009(000)006
【摘要】提出了一种基于特征点的全自动高分辨率遥感影像配准方法,该方法采用对于尺度具有鲁棒性的SIFT算法进行特征点的提取与匹配,并通过RANSAC方法和双向匹配策略提高特征点的匹配精确度.最后利用同名特征点构建影像间的转换模型,实现高精度影像纠正与配准.实验结果表明,该算法具有较强的匹配能力和鲁棒性.
【总页数】5页(P61-65)
【作者】茹朝阳
【作者单位】太原市勘察测绘研究院,山西,太原,030002
【正文语种】中文
【中图分类】P237
【相关文献】
1.基于Harris-SIFT特征匹配的图像自动配准算法研究 [J], 李玉峰;王竹筠
2.集成MSER和SIFT特征的遥感影像自动配准算法 [J], 王晓华;邓喀中;杨化超
3.基于SIFT特征的遥感影像自动配准 [J], 李晓明;郑链;胡占义
4.基于SIFT特征的多源遥感影像自动配准 [J], 李吉军;周尚波;陈虹;张伟伟
5.基于SIFT特征遥感影像自动配准与拼接 [J], 程焱;周焰;林洪涛;潘恒辉
因版权原因，仅展示原文概要，查看原文内容请购买。

一、VS2010中建立一个OPENCV的工程使用的opencv版本号是2.4.4以上两图分别是匹配原图和匹配一张无关图的匹配结果。

可以看出匹配结果准确。

匹配准确率需要后面实验测试得到结论。

匹配结论中包括：两张图各自的特征点数，匹配的点数，最大和最小距离（该距离是欧式距离），优秀的匹配点。

上图是MFC设计的简要界面。

点击开始匹配后，弹出上面的匹配结果。

二、学习的知识点1、sift算法（surf算法基本与sift算法相同）sift算法是一种基于尺度空间的算法。

该算法利用的特征是图像的局部特征，使其对旋转、尺度缩放、亮度变化具有保持不变性，并在对视角变化、放射变换、噪声也具有很好的保持一定程度的稳定性。

其独特性好，信息量丰富，适用于在大量数据库中进行快速、准确的匹配。

sift算法步骤：S1：提取关键点。

对图像进行处理，提取出图像的关键点，产生关键点集合。

S2：建立两幅图像之间的对于关系。

通过两张图像的特征点进行两两比较，找出相匹配的若干对特征点。

然后用线连接起来。

S3：消除错误匹配点。

用参数估计的方法，对匹配点反复测试、不断迭代运算，消除错误的匹配点。

S4：统计匹配点和匹配点的相关信息。

流程图如下2、SURF算法和SIFT算法的区别主要在于速度和精度上。

SURF描述子大部分是基于强度的差值，计算更快捷，而SIFT描述子通常在搜索正确的特征时更加精确。

两者在OPENCV具体实现中没有很大的差异。

都使用了cv::FeatureDetector接口，使用cv::drawKeypoint函数。

3、在面对尺度变化问题时，需要分析图像在拍摄时与目标物体的距离。

而SIFT算法具有尺度不变的特性，每个检测的特征点都伴随着对应的尺寸因子。

能克服这个问题。

SURF算法是SIFT算法的高效变种。

同样具有尺幅不变的特征。

两者在3D视点变化上的性特，都有一定的体现，具体性能指标需要实验测试。

所谓的尺度空间，在OPENCV中被形象地描述为一个图像金字塔，向下采样一般用高斯金字塔。

2008年7月July 2008—177—计 算 机 工 程Computer Engineering 第34 第13期Vol 卷.34 No.13·人工智能及识别技术·文章编号：1000—3428(2008)13—0177—03文献标识码：A中图分类号：TP18基于SIFT 的三视图像特征匹配算法张连怡，王爱平，万国伟，李思昆（国防科技大学计算机学院，长沙 410073）摘 要：提出一种基于SIFT 的三视图像特征匹配算法。

采用SIFT 算法对三视图像进行特征匹配，引入计算机视觉中的三线性关系和基于三焦张量的像素转移误差计算方法，对SIFT 算法的匹配结果进行筛选，剔除匹配过程中产生的误配点。

真实图像数据实验表明，该算法有效剔除了SIFT 算法产生的97％以上的误配点，提高了三视图像匹配的准确度。

关键词：SIFT 算法；三线性关系；三焦张量SIFT-based Feature Matching Algorithm of Three-view ImagesZHANG Lian-yi, WANG Ai-ping, WAN Guo-wei, LI Si-kun（Computer School, National University of Defence Technology, Changsha 410073）【Abstract 】This paper proposes a novel method of SIFT-based feature matching of three-view image. SIFT based feature matching algorithm is used in three-view images matching process. Then the trilinear constraint and trifocal-tensor-based pixel transfer error computation method is introduced to remove the outliers produced by the SIFT algorithm. Experiments are carried out on the real three-view images, and the result shows that the algorithm highly improves the veracity of three-view images matching, with 97 percent of the outliers eliminated. 【Key words 】SIFT algorithm; trilinear constraint; trifocal tensor1 概述图像特征匹配是计算机视觉和模式识别等领域研究的基本问题以及物体识别、跟踪等应用的重要基础。

基于SIFT图像特征匹配的多视角深度图配准算法
韦虎;张丽艳;刘胜兰;石春琴
【期刊名称】《计算机辅助设计与图形学学报》
【年(卷),期】2010(022)004
【摘要】为有效地解决多视角深度图配准问题.提出一种新的配准算法.首先给出一种深度图数据图像化方法,根据深度图包含的像素信息和网格顶点处的曲率值创建特征图像;然后通过对特征图像进行SIFT特征检测与匹配来获得特征点与匹配关系,从而得到原始深度图上的特征点与匹配关系;最后采用投票和预配准方法去除误匹配,实现递增式多视角深度图配准.模拟噪声实验和多个实际测量深度图的配准实验结果验证了该算法的鲁棒性和有效性.
【总页数】8页(P654-661)
【作者】韦虎;张丽艳;刘胜兰;石春琴
【作者单位】南京航空航天大学机电学院,南京,210016;南京航空航天大学机电学院,南京,210016;南京航空航天大学机电学院,南京,210016;南京航空航天大学机电学院,南京,210016
【正文语种】中文
【中图分类】TP391
【相关文献】
1.两种图像配准算法(SIFT与ASIFT算法)比较 [J], 保永强;马东洋;伍中楠;莫德林;李润生
2.基于Harris-SIFT特征匹配的图像自动配准算法研究 [J], 李玉峰;王竹筠
3.基于SIFT特征匹配的精准图像配准算法 [J], 陈燕文;徐东平
4.基于SIFT算法的可见光图像与红外图像配准 [J], 周文理;金施群
5.基于Harris-Affine和SIFT特征匹配的图像自动配准 [J], 李玲玲;李翠华;曾晓明;李保
因版权原因，仅展示原文概要，查看原文内容请购买。

第１３卷㊀第９期Ｖｏｌ．１３Ｎｏ．９㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年９月㊀Ｓｅｐ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０９－００７４－０６中图分类号：ＴＰ３０１．６文献标志码：Ａ融合ＲＡＮＳＡＣ与ＧＭＳ图像特征的匹配算法冯宝凤１，杨剑锋１，２，严㊀可１，邹㊀琼３，仝天乐４（１贵州大学数学与统计学院，贵阳５５００２５；２贵州理工学院大数据学院，贵阳５５０００３；３深圳市瑞云科技股份有限公司，广东深圳５１８０００；４贵州黔驴科技有限公司，贵阳５５００００）摘㊀要：图像匹配在物体识别㊁图像拼接领域一直是尤为重要的一部分㊂为解决传统图像匹配算法匹配率低的问题，本文提出了一种融合ＲＡＮＳＡＣ与ＧＭＳ图像特征的匹配算法（ＲＧＭＳ算法）㊂该算法在ＯＲＢ的基础上提取图像特征点，利用ＲＡＮＳＡＣ算法对特征点进行随机筛选，最后使用ＧＭＳ算法对筛选后的特征点进行特征匹配㊂经采用ＴＵＭ公开数据测试集与传统的暴力匹配㊁ＦＬＡＮＮ和ＧＭＳ算法进行实证研究，实验结果表明，本文提出的匹配算法具有更好的匹配效果㊂尤其对于图像纹理较少的情况，本文算法的图像配准率和匹配时间较传统匹配算法具有更明显的优势㊂关键词：图像特征点匹配；ＲＡＮＳＡＣ算法；ＧＭＳ算法；配准率ＡｎｉｍａｇｅｆｅａｔｕｒｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｉｎｃｏｒｐｏｒａｔｉｎｇＲＡＮＳＡＣａｎｄＧＭＳＦＥＮＧＢａｏｆｅｎｇ１，ＹＡＮＧＪｉａｎｆｅｎｇ１，２，ＹＡＮＫｅ１，ＺｏｕＱｉｏｎｇ３，ＴＯＮＧＴｉａｎｌｅ４（１ＳｃｈｏｏｌｏｆＭａｔｈｅｍａｔｉｃｓａｎｄＳｔａｔｉｓｔｉｃｓ，ＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ；２ＳｃｈｏｏｌｏｆＤａｔａＳｃｉｅｎｃｅ，ＧｕｉｚｈｏｕＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕｉｙａｎｇ５５０００３，Ｃｈｉｎａ；３ＳｈｅｎｚｈｅｎＲａｙｖｉｓｉｏｎＴｅｃｈｎｏｌｏｇｙＣｏ．Ｌｔｄ．，ＳｈｅｎｚｈｅｎＧｕａｎｇｄｏｎｇ５１８０００，Ｃｈｉｎａ；４ＧｕｉｚｈｏｕＤｏｎｋｅｙＴｅｃｈｎｏｌｏｇｉｅｓＣｏ．Ｌｔｄ．，Ｇｕｉｙａｎｇ５５００００，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＩｍａｇｅｍａｔｃｈｉｎｇｈａｓａｌｗａｙｓｂｅｅｎａｐａｒｔｉｃｕｌａｒｌｙｉｍｐｏｒｔａｎｔｐａｒｔｉｎｔｈｅｆｉｅｌｄｏｆｏｂｊｅｃｔｒｅｃｏｇｎｉｔｉｏｎａｎｄｉｍａｇｅｓｔｉｔｃｈｉｎｇ．Ｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｌｏｗｍａｔｃｈｉｎｇｒａｔｅｏｆｔｒａｄｉｔｉｏｎａｌｉｍａｇｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｉｍａｇｅｆｅａｔｕｒｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍ（ＲＧＭＳａｌｇｏｒｉｔｈｍ）ｔｈａｔｉｎｃｏｒｐｏｒａｔｅｓＲＡＮＳＡＣａｎｄＧＭＳ．ＴｈｅａｌｇｏｒｉｔｈｍｅｘｔｒａｃｔｓｉｍａｇｅｆｅａｔｕｒｅｐｏｉｎｔｓｏｎｔｈｅｂａｓｉｓｏｆＯＲＢ，ｔｈｅｎｕｓｅｓｔｈｅＲＡＮＳＡＣａｌｇｏｒｉｔｈｍｔｏｒａｎｄｏｍｌｙｆｉｌｔｅｒｔｈｅｆｅａｔｕｒｅｐｏｉｎｔｓ，ａｎｄｆｉｎａｌｌｙｕｓｅｓｔｈｅＧＭＳａｌｇｏｒｉｔｈｍｔｏｍａｔｃｈｔｈｅｆｅａｔｕｒｅｓｏｆｔｈｅｆｉｌｔｅｒｅｄｆｅａｔｕｒｅｐｏｉｎｔｓ．ＵｓｉｎｇｔｈｅＴＵＭｐｕｂｌｉｃｄａｔａｔｅｓｔｓｅｔｔｏｃｏｎｄｕｃｔｅｍｐｉｒｉｃａｌｓｔｕｄｉｅｓｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌＢｒｕｔｅ－Ｆｏｒｃｅｍａｔｃｈｉｎｇ，ＦＬＡＮＮａｎｄＧＭＳａｌｇｏｒｉｔｈｍｓ，ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒｈａｓｂｅｔｔｅｒｍａｔｃｈｉｎｇｅｆｆｅｃｔ．Ｉｎｐａｒｔｉｃｕｌａｒ，ｔｈｅｉｍａｇｅｍａｔｃｈｉｎｇｒａｔｅａｎｄｍａｔｃｈｉｎｇｔｉｍｅｏｆｔｈｉｓａｌｇｏｒｉｔｈｍａｒｅｓｉｇｎｉｆｉｃａｎｔｌｙｂｅｔｔｅｒｔｈａｎｔｈｏｓｅｏｆｔｒａｄｉｔｉｏｎａｌｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｒｔｈｅｃａｓｅｏｆｆｅｗｅｒｉｍａｇｅｔｅｘｔｕｒｅｓ．ʌＫｅｙｗｏｒｄｓɔＩｍａｇｅｆｅａｔｕｒｅｐｏｉｎｔｍａｔｃｈｉｎｇ；ＲＡＮＳＡＣａｌｇｏｒｉｔｈｍ；ＧＭＳａｌｇｏｒｉｔｈｍ；ａｌｉｇｎｍｅｎｔｒａｔｅ基金项目：国家自然科学基金（７１９０１０７８）；贵州省电力大数据重点实验室（黔科合计Ｚ字［２０１５］４００１）㊂作者简介：冯宝凤（１９９７－），女，硕士研究生，主要研究方向：三维重建㊁应用统计；杨剑锋（１９８６－），男，博士，教授，硕士生导师，ＣＣＦ高级会员，主要研究方向：应用统计㊁可靠性建模；严㊀可（１９９８－），女，硕士研究生，主要研究方向：三维重建㊁应用统计；邹㊀琼（１９８２－），女，学士，产品架构师，主要研究方向：计算机科学与技术；仝天乐（１９９０－），男，硕士，中级软件工程师，主要研究方向：云计算㊁移动互联网㊁虚拟现实㊂通讯作者：杨剑锋㊀㊀Ｅｍａｉｌ：ｊｆｙａｎｇ１＠１６３．ｃｏｍ收稿日期：２０２２－１０－２４０㊀引㊀言图像匹配是通过计算机和数学理论知识，对给定的图像按照特定目的进行处理［１］，其在物体识别［２］㊁图像拼接［３］㊁视觉映射［４］等领域应用广泛㊂图像匹配大致分为两大类：对区域的匹配算法和对特征的匹配算法［５］㊂对区域进行匹配的方法主要是指对图像进行密集匹配，利用整幅图像的像素强度进行图像匹配，建立一个密集像素的对应关系；利用图像特征进行匹配的方法，需要提取两幅图像中的特征点以及图像的局部特征描述符，通过描述符与度量空间相似度的距离判断来建立对应关系，进行图像特征匹配㊂其中，图像特征匹配算法具有强鲁棒性㊁高配准率㊁计算速度快等优势，因此常被用于图像处理［６］㊂基于图像的特征匹配算法发展至今，已经产生了许多经典以及改进算法㊂如：Ｌｏｗｅ等［２］提出的ＳＩＦＴ（ｓｃａｌｅ－ｉｎｖａｒｉａｎｔｆｅａｔｕｒｅｔｒａｎｓｆｏｒｍ）算法，拥有旋转不变性㊁尺度不变性以及独特性，不会受光照㊁仿射变换㊁噪声的影响，广泛应用于各个领域，但其利用１２８维数据，高维数据计算时间长，实时性目的较差；Ｂａｙ等［７］在ＳＩＦＴ基础上提出了具有６４特征维数的ＳＵＲＦ（ＳｐｅｅｄｅｄＵｐＲｏｂｕｓｔＦｅａｔｕｒｅｓ）算法，ＳＵＲＦ降低了数据维度，具有良好的鲁棒性，但存在精度低㊁实时性差等缺点；Ｌｅｕｔｅｎｅｇｇｅｒ等［８］提出ＢＲＩＳＫ（ＢｉｎａｒｙＲｏｂｕｓｔＩｎｖａｒｉａｎｔＳｃａｌａｂｌｅＫｅｙｐｏｉｎｔｓ）算法，虽然该算法也拥有旋转不变性㊁尺度不变性以及鲁棒性，针对较大模糊的图像配准较好，但存在配准率低的问题；２０１７年，ＪＷＢｉａｎ等［９］提出ＧＭＳ（Ｇｒｉｄ－ｂａｓｅｄＭｏｔｉｏｎＳｔａｔｉｓｔｉｃｓ）算法，其具有运动特性，超鲁棒性的优点，但其在进行网格划分时，存在误匹配等问题㊂针对这些算法，国内外的许多优秀学者也对其计算速度㊁配准率进行了改进㊂对于大部分匹配算法存在误匹配问题，Ｗｕ等［１０］提出利用ＲＡＮＳＡＣ算法删除误匹配，但是这个方法存在耗时长等问题㊂针对ＳＩＦＴ算法实时性差，存在误匹配问题，许多学者提出了大量优秀的改进方法㊂针对ＲＳＡＮＳＡＣ［１１］删除误匹配存在的不足问题，Ｍｕｊａ等［１２］提出ＦＬＡＮＮ算法，该算法主要是利用了比率测试，来删除误匹配，提高了计算速度；程明明等［１３］进行双边建模，又加入运动的空间信息，对误匹配进行删除；程向红等［１４］加入了运动平滑约束，结合ＲＡＮＳＡＣ的单应矩阵对低匹配区域进行筛选，提高了召回率与ＲＡＮＳＡＣ的计算时间；陈洁等［１５］将极限约束引入特征匹配中，但是该算法加大了匹配时间㊂丁辉等［１６］为解决传统匹配算法配准时间长㊁配准率低问题，提出了一种将ＧＭＳ㊁矢量系数相似度（ＶＣＳ）与ＲＡＮＳＡＣ相结合的ＧＣ－ＲＡＮＳＡＣ图像配准算法，提高了匹配精度㊁缩短了匹配时间㊂本文在ＧＭＳ算法的启发下，由于ＧＭＳ匹配算法在利用运动平滑性约束进行匹配时仍会存在一些误匹配问题，影响其匹配率与配准率㊂因此为提高其算法的性能，本文提出了ＲＧＭＳ算法，先用ＲＡＮＳＡＣ对两幅图像的特征进行筛选，再利用ＧＭＳ进行图像的特征匹配，使ＧＭＳ算法提高其配准率的情况下，不影响匹配的实时性，并对ＲＧＭＳ算法进行了实证对比实验分析研究㊂１㊀ＯＲＢ特征点检测算法ＯＲＢ算法是由ＥｔｈａｎＲｕｂｌｅｅ等人［１７］提出的一种基于ＦＡＳＴ［１８］和ＢＲＩＥＦ［１９］非常快速的二进制描述符㊂其主要贡献在于：在ＦＡＳＴ中增加了一个快速和准确的方向计算，有效地计算了定向ＢＲＩＥＦ特征，并分析了定向ＢＲＩＥＦ特征的方差和相关性，减少了旋转ＢＲＩＥＦ特征的方差损失㊂１．１㊀ＯＦＡＳＴ算法ＯＲＢ算法首先提出基于ＦＡＳＴ的ＯＦＡＳＴ（ＦＡＳＴＫｅｙｐｏｉｎｔＯｒｉｅｎｔａｔｉｏｎ）算法㊂ＦＡＳＴ算法是一种二维图像的特征点检测算法㊂其将图片转换为灰度图，快速检测其特征点，具体步骤如下：（１）设中心点ｐ为目标像素，半径为ｒ，得到Ｍ个领域像素点；（２）分别对像素点与ｐ点灰度值之差的绝对值进行计算；（３）利用设定的阈值与步骤（２）得到的值进行对比，如果像素点与目标像素点ｐ的灰度值之差的绝对值大于设定的阈值，则认为该点为ＦＡＳＴ点，否则该点不为ＦＡＳＴ点㊂ＯＦＡＳＴ使用ＦＡＳＴ－９算法进行关键点检测定位，该算法利用一个 强度质心点 来计算角点的方向㊂强度质心点［２０］的具体定义为：假设一个角度的强度从其中心偏移，则可以使用向量来计算方向㊂计算流程为：（１）Ｒｏｓｉｎ定义图像矩为ｍｐｑ＝ðｘ，ｙｘｐｙｑＩ（ｘ，ｙ）（１）㊀㊀（２）利用这些图像矩找到质心点Ｃ＝（ｍ１０ｍ００，ｍ０１ｍ００）（２）㊀㊀（３）计算图像的中心点到强度质心点的向量ＯＣң，由此得到角点的角度：θ＝ａｔａｎ２（ｍ０１，ｍ１０）（３）㊀㊀其中，ａｔａｎ２是ａｒｃｔａｎ的四边形感知㊂为提高度量的旋转不变性，ｘ和ｙ在以ｒ为半径的圆形区域内㊂１．２㊀ＲＢＲＩＥＦ算法ＲＢＲＩＥＦ（Ｒｏｔａｔｉｏｎ－ＡｗａｒｅＢｒｉｅｆ）算法是通过对关键点的区域进行二进制计算，得到二进制字符串描述符㊂考虑图像块ｐ，定义τ为一个二进制计算：τ（ｐ，ｘ，ｙ）：＝１，ｐ（ｘ）＜ｐ（ｙ）０，ｐ（ｘ）ȡｐ（ｙ）{（４）㊀㊀其中，ｐ（ｘ）是ｐ在某点ｘ的强度㊂由此可以得到ｎ个二进制操作的组合向量：ｆｎ（ｐ）：＝ð１ɤｉɤｎ２ｉ－１τ（ｐ，ｘｉ，ｙｉ）（５）５７第９期冯宝凤，等：融合ＲＡＮＳＡＣ与ＧＭＳ图像特征的匹配算法㊀㊀对不同类型的测试分布，该算法考虑了高斯分布，选择描述子的长度ｎ＝２５６，每一个点是来自３１ˑ３１像素块的５ˑ５的子窗口㊂为了使ＢＲＩＥＦ不受图像旋转的影响，可根据关键点的方向来引导ＢＲＩＥＦ㊂对于任何长度为ｎ的描述子，需要ｎ个匹配对，在位置（ｘｉ，ｙｉ），定义一个２ˑｎ的矩阵：Ｓ＝ｘ１， ，ｘｎｙ１， ，ｙｎæèçöø÷（６）㊀㊀在得到关键点的方向θ和其旋转矩阵Ｒθ的情况下，构造Ｓ的旋转矩阵Ｓθ：Ｓθ＝ＲθＳ（７）㊀㊀所以，得到旋转的ＢＲＩＥＦ运算符变为ｇｎ（ｐ，θ）：＝ｆｎ（ｐ）｜（ｘｉ，ｙｉ）ɪＳθ（８）㊀㊀但是，旋转的ＢＲＩＥＦ方差会有损失㊂为了得到一个良好的二进制特征，提高描述子各个位置的方差，提出了如下ＲＢＲＩＥＦ算法，ＲＢＲＩＥＦ在方差和相关性方面对旋转ＢＲＩＥＦ进行了改进㊂（１）针对所有训练集的图像块进行计算，得到矩阵；（２）计算矩阵每一列的均值，按从小到大进行排序，得到向量Ｔ；（３）贪心搜索：①从Ｔ中取出一个对比对，计算该对比对与Ｒ各个对比对的相关联程度㊂若相关度大于阈值，则舍弃取出的对比对，否则将这个对比对加入Ｒ中㊂②重复进行步骤①的操作，其结果是让２５６个对比对存在Ｒ中㊂如果少于２５６个对比对，则提高设定的域值重复操作㊂③最终得到固定的２５６个对比对㊂２㊀改进的ＲＧＭＳ特征匹配算法利用ＯＲＢ进行图像特征点提取后，两幅图片的特征点存在明显差异，两幅图片差异越大，特征点越不一致㊂因此，本文提出ＲＧＭＳ算法，先用ＲＡＮＳＡＣ算法对两幅图像的特征进行筛选，再结合ＧＭＳ算法进行特征点匹配，提高图像的特征点匹配率㊂２．１㊀ＲＡＮＳＡＣ特征筛选ＲＡＮＳＡＣ（ＲａｎｄｏｍＳａｍｐｌｅＣｏｎｓｅｎｓｕｓ）算法是由ＭＡＦｉｓｃｈｌｅｒ等［１１］提出的一种应用于图像分析和自动制图的模型拟合算法，该算法能够解释含有相当大比例的严重错误数据，非常适用于图像分析的应用㊂ＲＡＮＳＡＣ算法主要是通过一组含有 异常值 的数据，得到一个正确的数学模型㊂图像中的＂异常值＂，通常是指提取数据中含有噪声的干扰㊂ＲＡＮＳＡＣ并不是使用的数据越多越好，而是利用尽可能少的数据集，通过估计模型不断扩展数据集，直到得到合适的模型㊂ＲＡＮＳＡＣ的具体计算流程如下：（１）设定模型Ｍ１：该模型需要大于等于ｎ个数据点来获得自由参数，一组数据ｐ（其中的数据点数量应该大于ｎ），通过从ｐ中随机选择ｎ个数据点的一个子集Ｓ１来实例化模型；（２）通过Ｍ１确定ｐ中的子集Ｓ１∗，Ｓ１∗在Ｍ１的某个误差容限之内，称为Ｓ１的共识集；（３）如果Ｓ１∗大于阈值ｔ，则利用Ｓ１∗来计算一个新的模型Ｍ１∗；如果Ｓ１∗小于阈值ｔ，则随机再选择一个新的子集，重复上述步骤㊂设定迭代次数ｋ，经过ｋ次迭代后，找到最大的共识集拟合模型，或者以失败告终㊂ＲＡＮＳＡＣ算法包含３个未指定参数㊂２．１．１㊀确定误差容限误差容限定义为超过平均误差的一至两个标准差，标准差可以通过实验得到㊂如计算干扰数据和测量造成的隐含误差，可以得到样本偏差㊂数据的样本偏差是数据的误差容限的一个函数，误差容限对每个模型都是不同的㊂与总误差的大小相比，误差容限的变化相对较小㊂２．１．２㊀确定最大迭代次数得到最终模型需要设定所需的预期实验次数ｋ，实验次数越多，所需的时间也就越久㊂设ｗ是任何选定的数据点在模型的误差容限内的概率㊂则有：Ｅ（ｋ）＝ｂ＋２∗（１－ｂ）∗ｂ＋３∗（１－ｂ）２∗㊀㊀㊀ｂ ＋ｉ∗（１－ｂ）ｉ－１ｂ＋ ，Ｅ（ｋ）＝ｂ∗［１＋２∗ａ＋３∗ａ２ ＋㊀㊀㊀ｉ∗ａｉ－１＋ ］（９）其中，由ｋ得到的期望值为Ｅ（ｋ），ｂ＝ｗｎ，ａ＝１－ｂ（１０）㊀㊀因为几何数列之和具有如下性质：ａ／（１－ａ）＝ａ＋ａ２＋ａ３ ＋ａｉ＋（１１）㊀㊀则可利用该性质对ａ进行微分，得到：１／（１－ａ）２＝１＋２∗ａ＋３∗ａ２ ＋ｉ∗ａｉ－１＋ （１２）㊀㊀因此，可以得到：Ｅ（ｋ）＝１／ｂ＝ｗ－ｎ（１３）㊀㊀Ｅ（ｋ）一些数值列表对应的ｎ和ｗ的值见表１㊂６７智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀表１㊀Ｅ（ｋ）的一些数值的列表对应的ｎ和ｗ的值Ｔａｂ．１㊀ＬｉｓｔｏｆｓｏｍｅｖａｌｕｅｓｏｆＥ（ｋ）ｃｏｒｒｅｓｐｏｎｄｉｎｇｔｏｔｈｅｖａｌｕｅｓｏｆｎａｎｄｗｗｎ＝１２３４５６０．９１．１１．２１．４１．５１．７１．９０．８１．３１．６２．０２．４３．０３．８０．７１．４２．０２．９４．２５．９８．５０．６１．７２．８４．６７．７１３２１０．５２．０４．０８．０１６３２６４０．４２．５６．３１６３９９８２４４０．３３．３１１３７１２３４１２－０．２５．０２５１２５６２５－－㊀㊀再计算ｋ的标准差ＳＤ（ｋ）：ＳＤ（ｋ）＝ｓｑｒｔ［Ｅ（ｋ２）－Ｅ（ｋ）２］（１４）㊀㊀其中，Ｅ（ｋ２）＝ð¥ｉ＝０（ｂ∗ｉ２∗ａｉ－１）＝ð¥ｉ＝０［ｂ∗ｉ∗（ｉ－１）∗ａｉ－１］＋ð¥ｉ＝０（ｂ∗ｉ∗ａｉ－１）（１５）利用几何数列的特性和两个不同的指数，得到：２ａ／（１－ａ）３＝ð¥ｉ＝０（ｉ∗（ｉ－１）∗ａｉ－１）（１６）因此，最终可以得到：Ｅ（ｋ２）＝（２－ｂ）／（ｂ２），ＳＤ（ｋ）＝［ｓｑｒｔ（１－ｗｎ）］∗（１／ｗｎ）（１７）由此可看出，ＳＤ（ｋ）约等于Ｅ（ｋ）㊂如果想以概率ｚ确保随机选择中至少有一个是由ｎ个数据点组成的无错误组合，则需要ｋ次选择（每次至少选择ｎ个数据点），其中：（１－ｂ）ｋ＝（１－ｚ），ｋ＝［ｌｏｇ（１－ｚ）］／［ｌｏｇ（１－ｂ）］（１８）可以得到，当ｗｎ≪１时，ｋʈｌｏｇ（１－ｚ）Ｅ（ｋ）㊂因此，想要保证有一个高的概率ｚ，本文选择当ｚ＝０．９，ｗｎ≪１时，得到ｋʈ２．３Ｅ（ｋ）㊂为了达到筛选的目的，选择对模型进行５００次迭代，即Ｋ＝５００㊂２．１．３㊀阈值ｔ的选择阈值ｔ是确定ｐ的所有子集被找到的下限，其必须有一个足够大的共识集㊂因此，阈值ｔ的值不能太小㊂阈值的选择必须满足要有足够数量的数据点，并对改进的模型可以进行正确的评估㊂为了不让错误的模型和共识集兼容，令ｙ是随机给定的数据点在不正确模型误差容限内的概率，同时要求ｙｔ－ｎ足够小㊂目前还没有能够完全精确得到ｙ的方法，但可由假设其小于ｗ且ｙ＜０．５，则ｔ－ｎ的值等于５时，就可以达到高于９５％概率，使其与错误的模型不会存在兼容性㊂２．２㊀ＧＭＳ特征匹配ＧＭＳ（Ｇｒｉｄ－ｂａｓｅｄＭｏｔｉｏｎＳｔａｔｉｓｔｉｃｓ）算法［９］是一种快速匹配特征检测点的算法，通过该算法对筛选出的特征点进行匹配，得到ＲＧＭＳ改进的匹配结果㊂ＧＭＳ算法假设：运动平滑可以使得在一个领域周围的正确匹配，可在另一幅三维图像中相同的位置检测到㊂该假设意味着在正确匹配的邻近点，对于一个相同的位置，两幅图像中有着更多相似的特征㊂ＧＭＳ算法流程如下：假设图像Ｉａ和Ｉｂ对应的区域为ａ，ｂ{}，Ｉａ有Ｎ个特征点，Ｉｂ有Ｍ个特征点㊂Ｘ＝ｘ１，ｘ２，ｘ３， ，ｘｉ， ，ｘＮ{}是Ｉａ到Ｉｂ中所有最近邻特征匹配的集合㊂Ｘｉ⊆Ｘ是区域ａ，ｂ{}中ｘｉ匹配的子集㊂Ｓｉ是邻域支持的衡量标准：Ｓｉ＝χｉ－１（１９）㊀㊀ｘｉ邻域内的匹配数可以通过二项分布来计算，特征点的匹配是相互独立的，可以得到：ＳｉＢ（ｎ，ｐｔ），如果ｘｉ是真匹配Ｂ（ｎ，ｐｆ），如果ｘｉ是假匹配{（２０）式中：ｐｔ＝ｔ＋（１－ｔ）ｍ／Ｍ为真匹配的概率，ｐｆ＝β（１－ｔ）ｍ／Ｍ是假匹配的概率，ｔ为区域ａ支持域中一个特征正确匹配的概率，ｍ为ｂ邻域区域中的特征点数，Ｍ为Ｉｂ中的所有特征点数，β为弥补假设所增加的参数㊂为了增大描述差异，对Ｓｉ进行更广义的假设：Ｓｉ＝ðＫｋ＝１χａｋｂｋ－１（２１）㊀㊀其中，Ｋ表示两个不相交区域内匹配ｉ预测一起移动的数量，ａｋｂｋ{}表示预测的区域对㊂同时也可以得到Ｓｉ的二项分布：ＳｉＢ（Ｋｎ，ｐｔ），如果ｘｉ是真匹配Ｂ（Ｋｎ，ｐｆ），如果ｘｉ是假匹配{（２２）㊀㊀其中，ｎ表示每个支持区域中的特征数量平均值，Ｋ表示每个网格划分的区域㊂由于ＧＭＳ算法的性能和网格的大小相关，因此网格的划分非常重要㊂网格单元格越多，匹配定位效果越好，但也会影响计算时间㊂实验结果证明，Ｇ＝２０ˑ２０的网格有１００００个特征，得到ｎ的平均值为２５，如果需要更多的特征就需要更精细的单元格㊂为了达到更好的效果，本文采用Ｇ＝２０ˑ２０网７７第９期冯宝凤，等：融合ＲＡＮＳＡＣ与ＧＭＳ图像特征的匹配算法格进行划分㊂对于阈值Ｓｉｊ的设定，会把单元对分成真集㊁假集Ｔ，Ｆ{}两个集合㊂为了能够拒绝大量的错误单元对，阈值可以近似为τʈαｎ，由此可以得到一个单一的参数阈值函数：单元对ｉ，ｊ{}ɪＴ，如果Ｓｉｊ＞τｉ＝αｎｉＦ，其他{（２３）㊀㊀其中，ｎｉ是单个网格单元格中的特征数量的平均值，将每个网格划分为９个单元格，根据实验可得α＝６，ＧＭＳ算法是在ＢＦ算法的启发下得到的，ＢＦ算法可以得到大量的匹配对，但是难以可靠的分离正确和错误匹配㊂ＧＭＳ算法是将运动平滑封装在一个区域内，可以通过计算一个支持区域内的匹配数量，来区分一个匹配是否正确㊂３㊀实验结果与分析３．１㊀实验平台本次实验使用的ＣＰＵ为Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ５－１０３００Ｈ，频率为２．５０ＧＨｚ，操作系统为Ｗｉｎｄｏｗｓ１０，实验测试的图片来自ＴＵＭ数据集㊂对于ＴＵＭ数据集，选取两类图片进行实验㊂其中，实验１为纹理清晰丰富的家庭办公室长桌面图片集，实验２为表面光滑纹理较少的柜子图片集，分别选取２００张图片，１００组数据进行实验分析㊂实验１㊁实验２的图片样式如图１所示㊂㊀㊀㊀（ａ）实验１图片㊀㊀㊀㊀㊀㊀㊀㊀（ｂ）实验２图片图１㊀测试图片Ｆｉｇ．１㊀Ｔｅｓｔｐｉｃｔｕｒｅｓｏｆｅｘｐｅｒｉｍｅｎｔｓ１ａｎｄ２３．２㊀实验结果分析经典的特征点匹配方法种类有暴力匹配算法㊁ＳＩＦＴ算法㊁ＦＬＡＮＮ算法等，但是这些算法都存在匹配率低的问题，特别是在图片纹理低的情况下，匹配率不高㊂本文在ＧＭＳ的算法下融合ＲＡＮＳＡＣ算法，在纹理丰富和纹理低的情况下都能很好的进行特征点匹配，匹配率均高于其他算法㊂通过暴力匹配㊁ＦＬＡＮＮ㊁ＧＭＳ以及本文算法，分别对两类图片集进行特征点匹配实验㊂实验１的ＲＧＭＳ算法匹配效果如图２所示，４种算法的匹配率如图３所示，４种算法对图片集的特征点匹配效果对比详见表２㊂由表２可知，传统的ＢＦ＋ＫＮＮ算法的匹配率为２１．０２％，ＦｌＡＮＮ算法的匹配率为１９．５９％，ＧＭＳ算法的匹配率为２７．５２％，ＲＧＭＳ算法的匹配率为２９．６５％；ＲＧＭＳ算法比ＧＭＳ算法提高了２．１３％，比ＦｌＡＮＮ算法提高了１０．０６％，比ＢＦ算法提高了８．６３％；虽然匹配时间略高于其它算法，但总体上并不影响该算法的实时性㊂表２㊀基于ＯＲＢ算法的４种算法对实验１图片集的特征点匹配效果对比Ｔａｂ．２㊀ＣｏｍｐａｒｉｓｏｎｏｆｆｏｕｒａｌｇｏｒｉｔｈｍｓｂａｓｅｄｏｎＯＲＢａｌｇｏｒｉｔｈｍｆｏｒｍａｔｃｈｉｎｇｆｅａｔｕｒｅｐｏｉｎｔｓｏｎｔｈｅｅｘｐｅｒｉｍｅｎｔ１ｉｍａｇｅｓｅｔＢＦ＋ＫＮＮＦｌＡＮＮＧＭＳＲＧＭＳ平均提取个数１０００１０００１０００１０００平均匹配时间／ｓ０．００７２２６０．０２７１５００．１０５４３９０．１０９３８９平均匹配个数２１０．２１９５．９２７５．２２９６．５平均匹配率／％２１．０２１９．５９２７．５２２９．６５图２㊀ＲＧＭＳ算法对实验１图片匹配效果图Ｆｉｇ．２㊀ＲＧＭＳａｌｇｏｒｉｔｈｍｍａｔｃｈｉｎｇｅｆｆｅｃｔｆｏｒｅｘｐｅｒｉｍｅｎｔ１ｉｍａｇｅｓ0.500.450.400.350.300.250.200.1520406080100图片序列号匹配率B FF L A N NG M S R G M S图３㊀实验１中４种算法匹配率的结果图Ｆｉｇ．３㊀ＧｒａｐｈｏｆｔｈｅｒｅｓｕｌｔｓｏｆｔｈｅｍａｔｃｈｉｎｇｒａｔｅｏｆｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｉｎＥｘｐｅｒｉｍｅｎｔ１㊀㊀表３是对实验２纹理少的图片集进行特征点提取与特征点匹配，ＲＧＭＳ算法匹配效果如图４所示，４种算法的匹配率效果如图５所示㊂由此可见，对于表面纹理少的图片，传统的ＢＦ＋ＫＮＮ算法的匹配率为９．５２％，ＦｌＡＮＮ的匹配率为６．７８％，ＧＭＳ的匹配率为１５．３４％，ＲＧＭＳ算法的匹配率为１７．５４％；ＲＧＭＳ算法比ＧＭＳ算法提高了２．２％，比ＦｌＡＮＮ算法提高了１０．７６％，比ＢＦ算法提高了８．０２％；匹配时间较其它算法略高，但比ＧＭＳ算法用时少０．０１，且总体上不影响该算法的实时性，说明该算法在图片８７智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀纹理较少的情景更具优势㊂表３㊀基于ＯＲＢ算法的４种算法对实验２图片集的特征点匹配效果对比Ｔａｂ．３㊀ＣｏｍｐａｒｉｓｏｎｏｆｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｂａｓｅｄｏｎｔｈｅＯＲＢａｌｇｏｒｉｔｈｍｆｏｒｍａｔｃｈｉｎｇｆｅａｔｕｒｅｐｏｉｎｔｓｏｎｔｈｅＥｘｐｅｒｉｍｅｎｔ２ｉｍａｇｅｓｅｔＢＦ＋ＫＮＮＦｌＡＮＮＧＭＳＲＧＭＳ平均提取个数５００５００１０００１０００平均匹配时间／ｓ０．００１２８９０．００１９６２０．１４３００８４０．１３０７５平均匹配个数４７．６３３．９１５３．４１７５．４平均匹配率／％９．５２６．７８１５．３４１７．５４图４㊀ＲＧＭＳ算法对实验２图片匹配效果图Ｆｉｇ．４㊀ＲＧＭＳａｌｇｏｒｉｔｈｍｍａｔｃｈｉｎｇｅｆｆｅｃｔｆｏｒｅｘｐｅｒｉｍｅｎｔ２ｉｍａｇｅｓ0.350.300.250.200.150.100.0520406080100图片序列号匹配率B FF L A N NG M S R G M S图５㊀实验２中４种算法匹配率的结果图Ｆｉｇ．５㊀ＧｒａｐｈｏｆｔｈｅｒｅｓｕｌｔｓｏｆｔｈｅｍａｔｃｈｉｎｇｒａｔｅｏｆｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｉｎＥｘｐｅｒｉｍｅｎｔ２４㊀结束语本文提出的ＲＧＭＳ算法是为解决传统的算法存在配准率低的问题㊂该算法主要是将ＲＡＮＳＡＣ与ＧＭＳ算法相结合，采用ＲＡＮＳＡＣ算法筛选特征点，得到更适合匹配的特征；再通过ＧＭＳ对特征点进行平滑约束以及划分网格计算，优化了匹配结果㊂同时，将传统算法与ＲＧＭＳ算法进行对比实验得到：（１）ＲＧＭＳ算法的匹配率在不影响计算速度的情况下高于其他匹配方法；（２）在对纹理少的图片集匹配时，ＲＧＭＳ算法匹配时间少于ＧＭＳ算法，缩短了匹配时间，更具有匹配优势，可以进行高质量㊁实时的特征匹配㊂关于如何提高本文算法的匹配时间，如何获得更高的匹配率和准确率，并将其运用于图像拼接㊁三维重建中，将是本文的后续研究内容㊂参考文献［１］贾迪，朱宁丹，杨宁华，等．图像匹配方法研究综述［Ｊ］．中国图象图形学报，２０１９，２４（５）：６７７－６９９．［２］ＬＯＷＥＤＧ．Ｄｉｓｔｉｎｃｔｉｖｅｉｍａｇｅｆｅａｔｕｒｅｓｆｒｏｍｓｃａｌｅ－ｉｎｖａｒｉａｎｔｋｅｙｐｏｉｎｔｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌｊｏｕｒｎａｌｏｆｃｏｍｐｕｔｅｒｖｉｓｉｏｎ，２００４，６０（２）：９１－１１０．［３］ＳｎａｖｅｌｙＮ，ＳｅｉｔｚＳＭ，ＳｚｅｌｉｓｋｉＲ．Ｓｋｅｌｅｔａｌｇｒａｐｈｓｆｏｒｅｆｆｉｃｉｅｎｔｓｔｒｕｃｔｕｒｅｆｒｏｍｍｏｔｉｏｎ［Ｃ］／／２００８ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＩＥＥＥ，２００８：１－８．［４］ＳＥＳ，ＬＯＷＥＤ，ＬＩＴＴＬＥＪ．Ｍｏｂｉｌｅｒｏｂｏｔｌｏｃａｌｉｚａｔｉｏｎａｎｄｍａｐｐｉｎｇｗｉｔｈｕｎｃｅｒｔａｉｎｔｙｕｓｉｎｇｓｃａｌｅ－ｉｎｖａｒｉａｎｔｖｉｓｕａｌｌａｎｄｍａｒｋｓ［Ｊ］．ＴｈｅｉｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆｒｏｂｏｔｉｃｓＲｅｓｅａｒｃｈ，２００２，２１（８）：７３５－７５８．［５］ＭＡＪ，ＪＩＡＮＧＸ，ＦＡＮＡ，ｅｔａｌ．Ｉｍａｇｅｍａｔｃｈｉｎｇｆｒｏｍｈａｎｄｃｒａｆｔｅｄｔｏｄｅｅｐｆｅａｔｕｒｅｓ：ａｓｕｒｖｅｙ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２０２０，１２９（１）：２３－７９．［６］ＬＩＤ，ＸＵＱ，ＹＵＷ，ｅｔａｌ．ＳＲＰ－ＡＫＡＺＥ：ａｎｉｍｐｒｏｖｅｄａｃｃｅｌｅｒａｔｅｄＫＡＺＥａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｐａｒｓｅｒａｎｄｏｍｐｒｏｊｅｃｔｉｏｎ［Ｊ］．ＩＥＴＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２０２０，１４（４）：１３１－１３７．［７］ＢＡＹＨ，ＥＳＳＡ，ＴＵＹＴＥＬＡＡＲＳＴ，ｅｔａｌ．Ｓｐｅｅｄｅｄ－ＵｐＲｏｂｕｓｔＦｅａｔｕｒｅｓ（ＳＵＲＦ）［Ｊ］．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅＵｎｄｅｒｓｔａｎｄｉｎｇ，２００８，１１０（３）：３４６－３５９．［８］ＬｅｕｔｅｎｅｇｇｅｒＳ，ＣｈｌｉＭ，ＳｉｅｇｗａｒｔＲＹ．ＢＲＩＳＫ：Ｂｉｎａｒｙｒｏｂｕｓｔｉｎｖａｒｉａｎｔｓｃａｌａｂｌｅｋｅｙｐｏｉｎｔｓ［Ｃ］／／２０１１ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２０１１：２５４８－２５５５．［９］ＢｉａｎＪＷ，ＬｉｎＷＹ，ＭａｔｓｕｓｈｉｔａＹ，ｅｔａｌ．Ｇｍｓ：Ｇｒｉｄ－ｂａｓｅｄｍｏｔｉｏｎｓｔａｔｉｓｔｉｃｓｆｏｒｆａｓｔ，ｕｌｔｒａ－ｒｏｂｕｓｔｆｅａｔｕｒｅｃｏｒｒｅｓｐｏｎｄｅｎｃｅ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２０１７：４１８１－４１９０．［１０］ＷＵＹ，ＭＡＷ，ＧＯＮＧＭ，ｅｔａｌ．Ａｎｏｖｅｌｐｏｉｎｔ－ｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｆａｓｔｓａｍｐｌｅｃｏｎｓｅｎｓｕｓｆｏｒｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＬｅｔｔｅｒｓ，２０１４，１２（１）：４３－４７．［１１］ＦＩＳＣＨＬＥＲＭＡ，ＢＯＬＬＥＳＲＣ．Ｒａｎｄｏｍｓａｍｐｌｅｃｏｎｓｅｎｓｕｓ：ａｐａｒａｄｉｇｍｆｏｒｍｏｄｅｌｆｉｔｔｉｎｇｗｉｔｈａｐｐｌｉｃａｔｉｏｎｓｔｏｉｍａｇｅａｎａｌｙｓｉｓａｎｄａｕｔｏｍａｔｅｄｃａｒｔｏｇｒａｐｈｙ［Ｊ］．ＣｏｍｍｕｎｉｃａｔｉｏｎｓｏｆｔｈｅＡＣＭ，１９８１，２４（６）：３８１－３９５．［１２］ＭＵＪＡＭ，ＬＯＷＥＤＧ．Ｆａｓｔａｐｐｒｏｘｉｍａｔｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｓｗｉｔｈａｕｔｏｍａｔｉｃａｌｇｏｒｉｔｈｍｃｏｎｆｉｇｕｒａｔｉｏｎ［Ｊ］．ＶＩＳＡＰＰ（１），２００９，２（３３１－３４０）：２．［１３］ＬｉｎＷＹＤ，ＣｈｅｎｇＭＭ，ＬｕＪ，ｅｔａｌ．Ｂｉｌａｔｅｒａｌｆｕｎｃｔｉｏｎｓｆｏｒｇｌｏｂａｌｍｏｔｉｏｎｍｏｄｅｌｉｎｇ［Ｃ］／／ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２０１４：３４１－３５６．［１４］程向红，李俊杰．基于运动平滑性与ＲＡＮＳＡＣ优化的图像特征匹配算法［Ｊ］．中国惯性技术学报，２０１９，２７（６）：７６５－７７０．［１５］陈洁，高志强，密保秀，等．引入极线约束的ＳＵＲＦ特征匹配算法［Ｊ］．中国图象图形学报，２０１６，２１（８）：１０４８－１０５６．［１６］丁辉，李丽宏，原钢．融合ＧＭＳ与ＶＣＳ＋ＧＣ－ＲＡＮＳＡＣ的图像配准算法［Ｊ］．计算机应用，２０２０，４０（４）：１１３８－１１４３．［１７］ＲｕｂｌｅｅＥ，ＲａｂａｕｄＶ，ＫｏｎｏｌｉｇｅＫ，ｅｔａｌ．ＯＲＢ：ＡｎｅｆｆｉｃｉｅｎｔａｌｔｅｒｎａｔｉｖｅｔｏＳＩＦＴｏｒＳＵＲＦ［Ｃ］／／２０１１Ｉｎｔｅｒｎａｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎ，２０１１：２５６４－２５７１．［１８］ＲｏｓｔｅｎＥ．Ｍａｃｈｉｎｅｌｅａｒｎｉｎｇｆｏｒｖｅｒｙｈｉｇｈ－ｓｐｅｅｄｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＥＣＣＶ，２００６：４３０－４４３．［１９］ＣａｌｏｎｄｅｒＭ，ＬｅｐｅｔｉｔＶ，ＳｔｒｅｃｈａＣ，ｅｔａｌ．Ｂｒｉｅｆ：Ｂｉｎａｒｙｒｏｂｕｓｔｉｎｄｅｐｅｎｄｅｎｔｅｌｅｍｅｎｔａｒｙｆｅａｔｕｒｅｓ［Ｃ］／／Ｅｕｒｏｐｅａｎｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎ，２０１０：７７８－７９２．［２０］ＲＯＳＩＮＰＬ．Ｍｅａｓｕｒｉｎｇｃｏｒｎｅｒｐｒｏｐｅｒｔｉｅｓ［Ｊ］．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅＵｎｄｅｒｓｔａｎｄｉｎｇ，１９９９，７３（２）：２９１－３０７．９７第９期冯宝凤，等：融合ＲＡＮＳＡＣ与ＧＭＳ图像特征的匹配算法。

Step1: BBF算法，在KD-tree上找KNN。

第一步做匹配咯~1. 什么是KD-tree（from wiki）K-Dimension tree，实际上是一棵平衡二叉树。

一般的KD-tree构造过程：function kdtree (list of points pointList, int depth){if pointList is emptyreturn nil;else {// Select axis based on depth so that axis cycles through all valid values var int axis := depth mod k;// Sort point list and choose median as pivot elementselect median by axis from pointList;// Create node and construct subtreesvar tree_node node;node.location := median;node.leftChild := kdtree(points in pointList before median, depth+1); node.rightChild := kdtree(points in pointList after median, depth+1); return node;}}【例】pointList = [(2,3), (5,4), (9,6), (4,7), (8,1), (7,2)] tree = kdtree(pointList)2. BBF算法，在KD-tree上找KNN ( K-nearest neighbor)BBF(Best Bin First)算法，借助优先队列（这里用最小堆）实现。

从根开始，在KD-tree上找路子的时候，错过的点先塞到优先队列里，自己先一个劲儿扫到leaf；然后再从队列里取出目前key值最小的（这里是是ki维上的距离最小者），重复上述过程，一个劲儿扫到leaf；直到队列找空了，或者已经重复了200遍了停止。

基于SIFT特征匹配的精准图像配准算法
陈燕文;徐东平
【期刊名称】《电脑知识与技术》
【年(卷),期】2011(007)002
【摘要】尺度不变的特征变换方法(SIFT)具有对图像尺度缩放、旋转、放射变换以及亮度变化保存不变的优点,该文提出了一种基于SIFT算法的精准的图像配准方法.首先利用SIFT算法提取图像中的特征点;接着对这些特征点采用相似性准则中的欧式距离进行匹配,得到初始匹配对;由于初始匹配对中存在误匹配对,从而造成匹配的精度不足,因此提出一种改进后的RANSAC(随机取样一致性性算法)消除误匹配对.此外该文通过多次实验,选取SIFT算法中合适的比例阀值,提高配准的精度.实验结果表明,该方法既继承了SIFT算法的鲁棒性,又提高了匹配精度.
【总页数】3页(P400-402)
【作者】陈燕文;徐东平
【作者单位】武汉理工大学,计算机科学与技术学院,湖北,武汉,430063;武汉理工大学,计算机科学与技术学院,湖北,武汉,430063
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于图像梯度信息强化的SIFT特征匹配算法改进 [J], 孙健钧;赵岩;王世刚
2.基于改进SIFT算法的多源遥感影像特征匹配 [J], 李瑞霖
3.基于ASIFT改进算法的无人机图像特征匹配方法研究 [J], 孙东阁;陈辉
4.基于Hu-SIFT特征匹配与遗传算法的零件视觉分拣方法 [J], 鲁晟燚;梁冬泰;梁丹;吴晓成
5.基于ASIFT改进算法的无人机图像特征匹配方法研究 [J], 孙东阁;陈辉
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进RANSAC算法的图像自动拼接技术张世良【摘要】图像拼接技术关键在于图像配准和算法效率,针对传统的图像特征匹配算法数据量大、计算耗时长的缺点,将K-means聚类算法应用到图像匹配算法中,提出了一种解决该问题的改进算法。

该方法利用K-means聚类算法对图像提取出的角点对先进行聚类分组,然后采用预判断模型和分组随机选取的方法来提高传统算法效率。

实验结果表明,该算法相比于传统的RANSAC算法,在保持较高的精度和鲁棒性的情况下,大大提高了计算效率,有助于提高图像的自动拼接的效率。

%The key of image mosaicing technique lies in both image registration and the efficiency of the algorithm.According to the characteristics of the traditional image feature-matching algorithm with the disadvantages of a large quantity of data of corner point pairs and time-consuming calculation,this paper applies K-means clustering algorithm to the image-matching algorithm and proposes the improved method.This method uses K-means clustering algorithm to make the corner points extracted from the image clustered and grouped and improves the efficiency of the traditional algorithm through a pre-detection model and a stochastic grouping method.The experimental results show that,compared with the traditional RANSAC algorithm and under the condition of keeping higher precision and robustness,this algorithm greatly improves the calculation efficiency,whereby contributing to the efficiency of automatic image-mosaic.【期刊名称】《三明学院学报》【年(卷),期】2012(029)002【总页数】5页(P46-50)【关键词】RANSAC算法;图像拼接;特征点匹配;抽样次数;Harris角点【作者】张世良【作者单位】宁德师范学院计算机系,福建宁德352100【正文语种】中文【中图分类】TP391.41经过众多专家、学者几十年对图像匹配算法的研究，取得了很大的进展，如由英国牛津大学的Smith等人提出的SUSAN算法[1-2]，该算法简洁，定位准确而无须进行梯度运算，但对角点和边界点区分能力较差，可能将噪声误检为角点等。

第26卷第12期2009年12月机 电 工 程Mechanical &Electrical Engineering MagazineVol .26No .12Dec .2009收稿日期:2009-04-29基金项目:浙江省自然科学基金资助项目(20080376)作者简介:朱利成(1985-),男,浙江富阳人,主要从事计算机视觉、模式识别、智能机器人方面的研究.E 2mail:zlc828@ 通信联系人:姚明海,男,教授,硕士生导师.E 2mail:y mh@zjut .edu .cn基于S I FT 算法的目标匹配和识别3朱利成,姚明海(浙江工业大学信息工程学院,浙江杭州310014)摘　要:针对目标跟踪过程易受噪声干扰导致跟踪效果不理想,甚至丢失跟踪目标的问题,利用了尺度不变特征变换(SI FT )方法对单帧图像进行了目标特征点的提取和匹配,并结合线性卡尔曼滤波和聚类分析,剔除误匹配,实现了目标位置的最小均方误差估计。

仿真结果表明,当图像存在不同程度的噪声影响时,基于SI FT 的卡尔曼滤波目标匹配算法能有效减小目标跟踪误差,精确识别目标位置,提高目标跟踪精度。

关键词:尺度不变特征变换算法;卡尔曼滤波;目标识别中图分类号:TP391.4 文献标识码:A 文章编号:1001-4551(2009)12-0073-03O bject ma tch i n g and recogn iti on ba sed on S I FT a lgor ith mZHU L i 2cheng,Y AO M ing 2hai(College of Infor m ation Engineering,Zhejiang U niversity of Technology,Hangzhou 310014,China )Abstract:A i m ing at the p r oble m that it is non 2ideal of the tracking effect,even l osses object in the tracking p r ocess,which is easily affected by noise,scale invariant feature transf or m (SI FT )algorith m was used t o extract and match the feature points,Kal 2man filter and cluster analysis was combined t o eli m inate false matches .The m ini m u m 2mean 2square 2err or esti m ate of object l oca 2ti on was obtained .The si m ulati on results indicate that the algorith m based on SI FT can dr op off the matching err or,recognize the object l ocati on accurately and i m p r ove the accuracy of object tracking .Key words:scale invariant feature transf or m (SI FT );Kal m an filter;object recogniti on0　引　言目标匹配和识别是计算机视觉领域的一个研究热点,是实现场景识别、机器人跟踪的基础[1]。

SIFT概述SIFT特征是非常稳定的图像特征，在图像搜索、特征匹配、图像分类检测等方面应用十分广泛，但是它的缺点也是非常明显，就是计算量比较大，很难实时，所以对一些实时要求比较高的常见SIFT算法还是无法适用。

如今SIFT算法在深度学习特征提取与分类检测网络大行其道的背景下，已经越来越有鸡肋的感觉，但是它本身的算法知识还是很值得我们学习，对我们也有很多有益的启示，本质上SIFT算法是很多常见算法的组合与巧妙衔接，这个思路对我们自己处理问题可以带来很多有益的帮助。

特别是SIFT特征涉及到尺度空间不变性与旋转不变性特征，是我们传统图像特征工程的两大利器，可以扩展与应用到很多图像特征提取的算法当中，比如SURF、HOG、HAAR、LBP等。

夸张一点的说SIFT算法涵盖了图像特征提取必备的精髓思想，从特征点的检测到描述子生成，完成了对图像的准确描述，早期的ImageNet 比赛中，很多图像分类算法都是以SIFT与HOG特征为基础，所有SIFT算法还是值得认真详细解读一番的。

SIFT特征提取归纳起来SIFT特征提取主要有如下几步：•构建高斯多尺度金字塔•关键点精准定位与过滤•关键点方向指派•描述子生成构建高斯多尺度金字塔常见的高斯图像金字塔是每层只有一张图像，大致如下：上述的是通过图像金字塔实现了多分辨率，如果我们在每一层高斯金字塔图像生成的时候，给予不同的sigma值，这样不同的sigam就会产生不同模糊版本的图像，在同一层中就是实现不同尺度的模糊图像，再结合高斯金字塔，生成多个层多个尺度的金字塔，就是实现了图像的多尺度金字塔。

同一张图像不同尺度高斯模糊如下：为了在每层图像中检测 S 个尺度的极值点，DoG 金字塔每层需 S+2 张图像，因为每组的第一张和最后一张图像上不能检测极值，DoG 金字塔由高斯金字塔相邻两张相减得到，则高斯金字塔每层最少需 S+3 张图像，实际计算时 S 通常在2到5之间。

SIFT算法中生成高斯金字塔的规则如下（尺度空间不变性）：关键点精准定位与过滤对得到的每层DOG图像，计算窗口3x3x3范围除去中心点之外的26点与中心点比较大小，寻找最大值或者最小值（极值点），如下图：即周围26个点(青色)要小于或者大于中心像素点，这样就得到初步的极值点候选，然后进行亚像素级别的精准定位。

RANSAC（Random Sample Consensus）特征匹配是一种常用的计算机视觉算法，用于解决图像特征匹配中的误差问题。

在MATLAB中，RANSAC算法被广泛应用于图像处理和计算机视觉领域，其强大的误差统计功能使其成为处理复杂图像信息的重要工具。

1. RANSAC特征匹配的基本原理RANSAC算法的核心概念是通过随机采样一组数据来估计模型参数，并使用该模型来识别数据集中的内在模式。

在特征匹配中，RANSAC算法通过随机选择一些特征点来估计图像间的几何变换，然后使用这些估计得到的模型来匹配更多的特征点。

通过反复迭代和误差统计，RANSAC算法能够有效地筛选出具有强匹配关系的特征点，从而实现准确的特征匹配。

2. RANSAC特征匹配的应用在MATLAB中，RANSAC算法被广泛应用于图像配准、目标跟踪和三维重建等领域。

通过使用MATLAB中丰富的图像处理工具包和RANSAC算法，可以实现对复杂场景中图像特征的快速识别和匹配。

在航空航天领域，RANSAC特征匹配可以用于对大气层中的目标进行精确定位；在工业检测领域，RANSAC算法可以用于对工件表面缺陷的快速检测和识别。

3. RANSAC特征匹配的误差统计RANSAC算法在特征匹配中的优势之一是其强大的误差统计功能。

通过在随机采样和模型估计的过程中对误差进行统计和筛选，RANSAC算法能够有效地抵抗数据集中的噪声和异常值，从而获得更为鲁棒和准确的特征匹配结果。

在MATLAB中，可以通过对RANSAC算法进行参数调节和误差分析来优化特征匹配的效果，以应对不同图像场景和数据质量的挑战。

4. 个人观点和总结RANSAC特征匹配算法作为一种基于统计学原理的特征匹配方法，在MATLAB中具有广泛的应用前景和研究价值。

通过RANSAC算法的误差统计和模型优化，可以实现更为稳健和可靠的图像特征匹配，为图像处理和计算机视觉的相关领域带来新的发展机遇。

在实际应用中，我认为对于RANSAC算法的参数设置和误差分析非常重要，通过不断优化算法参数，可以进一步提高特征匹配的准确性和鲁棒性。