基于SIFT算法的计算机图形匹配方法研究

摘要：计算机图形学中一个最基础的研究课题就是匹配和提取特征点，其中基于特征匹配中的特征点匹配是当今研究的热点。本文提出了一种sift（Scale Invariance Feature Transform）算法用于提取目标物体特征点，然后通过改进后的匹配算法进行寻找匹配特征点。

关键词：计算机图形学；特征匹配；SIFT算法

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9599 (2011) 18-0000-02

Computer Graphics Matching Methods Study

Based on SIFT Algorithm

Li Ran

(Hunan Normal University,Changsha 410081,China)

Abstract:Computer graphics in one of the most basic research is the matching and extraction of feature points,which feature-based matching feature points in the match today's research focus.This paper presents a SIFT(Scale Invariance Feature Transform)algorithm is used to extract the object feature points,and then through improved matching algorithm to search for matching feature points.

Keywords:Computer graphics;Feature matching;SIFT algorithm

一、引言

从实现立体匹配的技术上考虑，立体匹配方式有两种，一种是基于区域的匹配，它是根据立体图像对中每个像素局部邻域的灰度信息，通过计算它们之间的相关确定匹配关系。另一种是基于特征的匹配，不直接应用灰度值进行匹配，而是利用由灰度信息抽象得到的图像特征进行匹配；因此这种匹配技术具有对外界变化不敏感，稳定性好，精度高，匹配速度快的优点。而其中基于特征匹配中的特征点匹配是当今研究的热点。图像特征点是图像中具有明显特性并能标识出图像中物体的点。点特征匹配的首要任务就是提取稳定的特征点，并用特征描述符进行描述，来标识图像中的对象，从而减少存储整幅图像的存储量。

所谓的特征描述符就是根据所要匹配的目标的要求，对局部的图像特征点，如大体轮廓、边界等，进行处理，得到特征向量，这些特征向量稳定好、易于匹配。这样就可以把匹配问题进行转化，进而进行求解。这一过程将图像匹配问题转化为特征匹配问题，然后再转化为特征空间向量的空间聚类问题。所谓不变量，就是在这个过程中保持成像相对稳定的特征描述符，比如旋转不变量就是保持成像旋转稳定的不变量，尺度不变量就是保持尺度缩放稳定的不变量。

计算机图形学中一个最基础的研究课题就是匹配和提取特征点，已有很多研究成果和应用项目。其中由David Lowe提出的Scale Invariance Feature Transform方法（即SIFT），就是利用该方法提取图像中的特征点用于一个物体或场景不同视角下的可靠匹配，这些特征点保持成像的大小和旋转不变，当光线发生变化、存在噪声或仿射发生变化时，这些特征点保持鲁棒性。另外，SIFT提取出的特征点具有很高的独特性，因此从某种意义上说一个特征点可以在多幅图像提取出的特征点库中得到正确匹配的概率极高。

二、基于SIFT算法的计算机图形匹配方法

（一）宽基线特征匹配

获取并描述稳定的性质是基于宽基线条件的匹配点特征的主要任务。稳定在这里的意思就是保持对物置变化、存在障碍物遮挡或噪声等情况下有较好的匹配性，而保持对光线变化、尺度大小、发生仿射、角度变化等影响成像的因素有一定的不变性。只有这样，才能匹配两个存在很大差异的图像之间的特征。

所谓不变量，就是指保持成像变化相对稳定的特征描述符，例如，旋转不变量就是保持对成像的旋转稳定，尺度不变量就是保持尺度的缩放稳定。所谓的特征描述符就是根据所要匹配的目标的要求，对局部的图像特征点，如大体轮廓、边界等，进行处理，得到相应的特征向量，这些特征向量稳定好、易于匹配。这样就可以把匹配问题进行转化，进而进行求解。这一过程将图像匹配问题转化为特征匹配问题，然后再转化为特征空间向量的空间聚类问题。具体步骤如下：

1.检测特征点信息。所提到的特征点的特点是结构性信息比较明显，虽然这些特征点在某些情况下可以不具有比较直观的实际上的视觉意义，但是在某个特定的场合、某个特定的尺度大小、某个特定的视觉角度下可能具有容易匹配的非常丰富的信息。

2.通过建立特征向量的方式来描述特征点。这也是各种不同的匹配算法的区别之处。匹配图像的哪些参数特性，忽略哪些参数特性，是由选择的特征空间所决定的。只有选择特征点的特征描述符为不变量，才能使得摄像机的位置变化或光线变化的影响最小。只有选用合适的特征向量，才有可能降低各种影响图像的因素的影响，提高运算速度，保持算法稳定。

3.为了找到候选的匹配点，必须基于特征向量的相似性原理进行特征匹配。相似性度量主要以各种距离函数为主，有马氏距离、欧式距离等。

4.去掉匹配错误的点。在匹配过程中，不管利用何种算法、采用哪种相似性判定度量、使用任何特征描述符，都难以消除错误匹配的现象。在这个过程中，主要就是利用通用的一些去除外点的方法，如RANSAC算法，通用的极线几何约束关系等将匹配错误的点消除掉。

（二）SIFT匹配算法

1999年初，D.G.Lowe首先提出了SIFT算法。并于2004年综述了目前利用不变量技术进行特征检测的方法，SIFT算子在这个时候被正式提出，该算子能够对具有不变性的图像的局部特征进行描述，可以针对尺度空间、图像旋转甚至缩放等情况。SIFT算子又称为尺度不变特征变换。先介绍一下SIFT算法的步骤。首先是检测尺度空间的特征，在此过程中找出关键点的尺度与位置，为了达到SIFT算子对方向、尺度的无关性的目的，关键点的方向以关键点邻域梯度主方向为特征。

基于SIFT算法得到的特征向量的特征为：

1.当尺度变化、旋转等发生时，图像的部分特征不变；当角度变化、存在噪声影响时，局部特征保持稳定。

2.具有丰富的内容，信息量大，具有独特性，能够在大量的关于特征的数据库中进行匹配的速度快速、准确率高。

3.多元性，即便是物体的数量很少，也能够得出很多的SIFT特征向量。

4.实时性，运用SIFT算法进行匹配运算时速度很快，几乎可以实现实时的目的。

5.便于扩展，可以很容易、简便的联合其他类型的特征向量。

为了达到使特征具有很高的稳定性与独特性，Lowe在DOG尺度空间即图像二维空间中同时进行局部的极值检测，并以此作为特征点。LOG算子进行归一化后的近似便是DOG算子，DOG算子计算简便，是两个不同尺度的Guass核的差分。DOG算子的具体形式如下：

（2-1）