基于ASIFT算法特征匹配的研究*

李　銀,何　強，喬龍輝

(1.重慶郵電大學，重慶400065；2.重慶信科設計有限公司，重慶400065)

?

基于ASIFT算法特征匹配的研究*

李銀1，2,何強1，2，喬龍輝1，2

(1.重慶郵電大學，重慶400065；2.重慶信科設計有限公司，重慶400065)

針對SIFT算法對大角度視角變化下特征提取魯棒性不強的弱點，引入了一種完全仿射不變的圖像特征匹配算法—ASIFT。ASIFT算法不僅繼承了SIFT算法的尺度、旋轉和平移的不變性，并且在此基礎上增加了兩個空間特征描述參數：經度和緯度，從而定義出度量仿射形變的兩個參量絕對傾斜t(absolutetilt)和過渡傾斜τ(transitiontilt)，模擬相機光軸變化，實現完全仿射不變。一種雙分辨率(two-resolution)加速方法的提出，使ASIFT算法的復雜度約為SIFT的2倍。

特征匹配；仿射不變；過渡傾斜；絕對傾斜；雙分辨率；SIFT；ASIFT

0　引言

圖像匹配旨在建立出現在不同的圖像相似對象之間的對應關系，已在許多計算機視覺和圖像處理方面得到應用，例如圖像識別、三維重建、目標跟蹤、機器人定位等。目前國際上最先進的圖像匹配算法通常由檢測器和描述符兩部分組成，根據不變特性可以分為：平移和旋轉不變特性的Harris角點檢測器[1]；旋轉和尺度不變的Harris-Laplace、Hessian-Laplace和DoG(差分高斯)區(qū)域檢測器[2-3]；仿射性不變的基于雙極線的區(qū)域檢測器MSER[4]。這些方法通過歸一化局部區(qū)域、部分區(qū)域或者水平線修補程序可以形成仿射變換，當歸一化這些參量使其成為標準對象時，仿射變換的效果就會消除。LOWEDG提出了尺度不變特征轉換SIFT[5-6]，是完全尺度不變的唯一方法，由于SIFT沒有覆蓋整個仿射空間，它的性能在視角變化的情況下迅速降低，因而不具有完全仿射性。

ASIFT算法建立模型增加了經度和緯度兩個參數，模擬相機軸方向和尺度變化，并歸一化旋轉和平移，實現了完全仿射不變,但相應的復雜度會大大增加。它是一種雙分辨率方法，具有單一的SIFT算法大約兩倍的復雜性。經過實驗發(fā)現，ASIFT算法能夠很好地處理視角變化的圖像仿射特征匹配，驗證了仿射不變性。因而ASIFT算法匹配在各種復雜情況下的圖像識別領域都有廣闊的應用前景。

1　仿射變換模擬

1.1仿射相機模型

通過仿射平面變換能模擬拍攝視角變化所產生的圖像形變，這種模型提供對象的邊界是分段光滑的，因此，一種攝像機運動圖像變形模型[7]表示如下：

μ(ax+by+e,cx+dy+f)

(1)

圖1　仿射模擬

1.2視角變換下的仿射模型

圖2　絕對傾斜示例圖

式(1)定義了絕對傾斜(absolutetilt)t，它表示相機從正面到斜視圖的圖像形變率，用來量化圖像之間的傾斜量。圖2、圖3描述了絕對傾斜與過渡傾斜的不同。

圖3　過渡傾斜示例圖

圖3表示在正交方向上傾斜：φ=φ′+90°，μ1與μ2之間的過渡傾斜可表示為：τ(μ1,μ2)=t′t，取θ=60°，θ′=75.3°,t=2,t′=4,τ(μ1,μ2)=t′t=8，可見兩幅圖的正常絕對傾斜會產生較大的過渡傾斜。因此在實際應用中絕對傾斜t只能取到6，對應的緯度角θ≈80.5° ，過渡傾斜τ可達到36。

2　ASIFT算法

SIFT算法思想是結合模擬和歸一化。SIFT檢測器對目標圖像歸一化旋轉、平移，模擬尺度縮放，因此SIFT是唯一的完全的尺度不變方法。ASIFT算法在SIFT的基礎上進行了改進，模擬尺度、經度和緯度3個參數，并且歸一化旋轉和平移，由此完成了對整個仿射空間的模擬，實現仿射不變性，相關證明參見參考文獻[8]。圖4形象地表示了對ASIFT算法的概述，其中正方形A、B代表匹配圖像，模擬產生圖像由周圍的平行四邊形表示，從而完成了模擬因相機光軸方向變化所產生的形變。由于ASIFT特征提取過程復雜,計算量大，一種雙分辨率(two-resolution)的提出將進一步減少SIFT算法的復雜性，大約是SIFT的2倍。

圖4　絕對傾斜實驗

2.1ASIFT算法過程

(2)

其中ω為輸入圖像，以每組φ和θ采樣通過式(2)得到一組模擬圖。

(3)對模擬圖像進行SIFT算法特征檢測和匹配。

2.2雙分辨率加速

雙分辨率加速(Acceleration with Two Resolution )方法[8-9]是通過對低分辨率目標圖像進行2.1節(jié)描述的ASIFT算法，該過程首先對輸入圖像進行低分辨率處理，然后模擬仿射變化，最后對得到的模擬圖像應用SIFT算法。

雙分辨率方法總結如下：

(1)由一個K×K 采樣因子對查詢圖像μ和搜索圖像υ進行二次采樣：μ′=SKGKμ和υ′=SKGKυ，其中SK是二次采樣抽樣算子，GK是一個抗混疊高斯離散濾波器；

(2)低分辨率下ASIFT算法：對查詢圖像μ和搜索圖像υ應用2.1節(jié)中所述的ASIFT算法；

(3)確定模擬圖μ′和υ′之間最多匹配對的M種仿射變換；

(4)高分辨率ASIFT算法：對原始圖像μ和υ使用ASIFT算法，而只模擬確定的M種仿射變換。

2.3ASIFT的復雜度

3　ASIFT算法實驗分析

實驗在Intel i5 CUP，2 GB內存MATLAB仿真平臺上完成，通過仿真對ASIFT算法與SIFT算法匹配效果進行對比，采用匹配對數目作為比較標準，實驗圖形分辨率為500×670。

(1)絕對傾斜實驗：對絕對傾斜進行測試，改變相機光軸與正面視圖的角度，分別取緯度θ=30°、75°進行實驗仿真，可分別得如圖4(a)、(b)匹配圖。

(2)過渡傾斜實驗：對過渡傾斜τ進行測試，取t=4，分別取經度角φ=30°、80°進行實驗仿真，分別得到如圖5所示的匹配圖(a)、(b)。

圖5　過渡傾斜實驗

實驗表明ASIFT算法擴展了SIFT算法的裝置，通過仿射模型提出的經度和緯度兩個重要參數，模擬光軸變化，充分考慮了實際目標發(fā)生的變化，相對于SIFT算法能夠檢測出更多的匹配對。實驗對比圖所示SIFT算法的過渡傾斜只能模擬到2，而ASIFT算法可取到16(理論上可達36)，有效地量化了兩幅圖像因角度變化引起的形變。可以看出ASIFT算法不僅繼承了SIFT算法完全尺度不變的特性，而且實現了完全仿射不變，保證了特征匹配的準確性、完備性。

4　結論

本文對ASIFT算法的研究分析可以看出，ASIFT改進了目前幾種先進的特征匹配算法的不足，魯棒性、穩(wěn)定性和適應性最好，在實際的目標識別、跟蹤等很多方面都有很強的適用性。針對模擬圖像引起復雜度增加的問題，提出的雙分辨率法有效地降低了ASIFT的復雜度，提高了算法的性能。下一步工作是將該算法運用到實際中，結合實際的需求進一步改善ASIFT算法的性能。

[1] 張波,王天召,李科,等.一種改進的Harris特征點匹配算法[J].計算機系統(tǒng)應用,2013,22(7):100-103.

[2] MIKOLAJCZYK K, SCHMID.An affine inva- giant interest point detector[C].The Seventh European Conference on Computer Vision ,Springer-verlag,London,2002,128-14.

[3] MIKOLAJCZYK K,SCHMID C.Scale and affine invariant interest point detectors[J].International Journal of Computer.Vision, 2004(60) :63-86.

[4] MATAS J,CHUM O,URBAN M,et al.Robust wide-baseline stereo from maximally stable extremal regions[J].Image and Vision Computing ,2004,22(10):761-767.

[5] LOWE D G. Object recognition from local scale-invariant features[C]. International Conference on Computer Vision, Greece: IEEE Press, 1999: 1150-115.

[6] LOWE D G. Distinctive image features from scale-invariant key points[J].International Journal Computer Vision, 2004,60(2):91-110.

[7] ABDEL-HAKIM A E, FARAG A A.Farag CSIFT: ASIFT descriptor with color invariant characteristics[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2006,3(5): 1978-1983.

[8] MOREL J M,Yu Guoshen.ASIFT：a new framework for fully affine invariant image comparison[J].Society for Industrial and Applied Mathematics,2009,2(2):438-469.

[9] PELAGE S, ROUS SO B, RAV-ACHA A, et al. Mosaicing on adaptive manifolds[J].IEEE Transactions on PAMI, 2000, 22(10): 1144-1154.

[10] BALLAVIA F, TEGOLO D, VALENTI C. Improving harris corner selection strategy[J].IET Computer Vision, 2011, 5(2): 87-96.

Research of feature matching based on ASIFT algorithm

LiYin1,2,HeQiang1,2,QiaoLonghui1,2

(1.ChongqingUniversityofPostsandTelecommunications,Chongqing400065,China;2.ChongqingInformationTechnologyDesigningCo.LTD,Chongqing400065，China)

SIFTalgorithmforlargeangleviewinganglechangesrobustfeatureextractionisnotstrong,aimingattheweaknessofSIFTalgorithm,thispaperintroducedacompletelyaffineinvariantimagefeaturematchingalgorithm,whichnamedASIFT.ASIFTalgorithmnotonlyinheritsthescale,rotationandtranslationinvarianceoftheSIFTalgorithm,onthisbasis,twospacecharacterizationparameters,whicharelongitudeandlatitudeareadded.Therebytwoparametersabsolutetransitiont (absolutetilt)andtilttransitionτ (transitiontilt)aredefinedformeasuringaffinedeformation.Bysimulatingthechangeoftheopticalaxisofthecameratoachievecompletelyaffineinvariant.Two-resolution(two-resolution)toacceleratetheproposedmethod,andmakethecomplexityofASIFTalgorithmisabout2timesofSIFT.

featurematching;affineinvariant;transitiontilt;absolutetilt;Two-resolution;SIFT;ASIFT

重慶市研究生科研創(chuàng)新基金資助項目(CYS15166)

TP317ADOI： 10.19358/j.issn.1674- 7720.2016.15.014

2016-04-13)

李銀(1990-)，通信作者，男，碩士研究生，主要研究方向：計算機視覺、圖像處理。E-mail:liyin8971488@qq.com。

何強(1990-)男，碩士生，主要研究方向：機器學習、模式識別。

喬龍輝(1993-)，男，碩士研究生，主要研究方向：圖像處理、機器學習。

引用格式：李銀,何強，喬龍輝. 基于ASIFT算法特征匹配的研究[J].微型機與應用，2016,35(15)：48-50，53.