一種改進的SIFT特征匹配算法

李秀華， 劉國銳

(長春工業大學 計算機科學與工程學院， 吉林 長春 130012)

?

一種改進的SIFT特征匹配算法

李秀華， 劉國銳

(長春工業大學 計算機科學與工程學院， 吉林 長春 130012)

首先采用稀疏點匹配算法提取待匹配的兩幅圖像的輪廓，構建輪廓高斯金字塔，然后逐層進行SIFT特征匹配。仿真實驗結果表明,該方法提高了匹配速度和準確性。

特征匹配； 稀疏匹配； 高斯金字塔； SIFT算法

0 引 言

三維重建系統的完成需要特征點提取、特征匹配等圖像處理過程。由于立體匹配效果關系到重建的效果，所以,立體匹配環節算法的改善至關重要。常用的立體匹配方法有SIFT特征匹配方法和基于窗口稀疏匹配方法等。

SIFT特征匹配算法具有對平移、旋轉、亮度的變化及尺度縮放保持不變性的優點，但是SIFT算法在匹配過程中總會出現少量誤匹配的情況，這種情況需要改善。基于窗口的稀疏匹配算法提取的特征點具有很強的特征性，匹配結果相對可靠。但是當這種稀疏匹配方法用于比三棱柱結構復雜的綠色盆景植物進行匹配時，效率變低了，所以針對兩種方法中存在的問題，提出了改進的SIFT算法，首先利用改進稀疏匹配算法提取物體的強特征點，然后結合改進的SIFT算法進行特征匹配。

1 SIFT算法介紹

SIFT算法是由David Lowe研究出的一種基于尺度空間不變特征的提取算法，也叫尺度不變特征方法[1]。

SIFT算法是一種在尺度空間尋找極值點的局部特征的提取算法，實現過程中確定極值點的位置、尺度、旋轉不變性等局部特征[2]。

SIFT算法的主要特點如下：

1)信息量巨大，獨特性突出，適合在大量特征數據庫中進行準確、快速的匹配，在特征匹配時正確匹配的概率相當高。

2)SIFT特征可以對旋轉、平移、亮度變化、尺度縮放等因素保持穩定性，對仿射變換、視角變化、光照變化等具有一定程度的魯棒性，SIFT特征是圖像的局部特征。

3)可擴展性。比較容易結合其他形式的特征向量。

4)多量性。從為數不多的幾個物體可以提取較多SIFT特征向量。

5)高速性。優化過的SIFT匹配算法有望實現實時的要求[3]。

SIFT算法步驟如圖1所示。

圖1 SIFT算法步驟圖

SIFT特征匹配算法可用于場景或同一物體的有效匹配。

2 基于窗口的稀疏匹配算法

稀疏點匹配算法主要是對圖像中的一些角點、輪廓點等強特征點進行匹配。之后再對這些匹配完成之后的點進行插值運算。為了得到較好的匹配結果，需要盡可能多的、可靠的特征點，選取的特征點為圖像輪廓點，因為圖像輪廓具有很好的連續性，既使在無法取得弱角點的地方，也可得到輪廓點，不損失精度的情況下可得到較多的特征點，使匹配的可信度提高[4]。首先在圖中取一特征點，然后運用向量夾角匹配方法計算它和圖中同一行中所有特征點的cosθ值，可把取值大于0.9的特征點記為該點的相對匹配點。可用d=x2-x1代表兩個點的橫坐標的視差值，視差的大小表示三維點離攝像機的距離遠近，呈反相關關系[5]。

若向量v1和向量v2的夾角越大，則匹配度越低；若向量v1和向量v2的夾角越小，則兩個點的匹配度越高[6]。兩個向量的夾角為：

式中：θ----兩個向量的夾角。

當cosθ=1時，兩向量具有最佳匹配；反之，若cosθ=0，則兩向量具有最差匹配。為了去除一些無匹配點，在進行匹配時，不妨將cosθ的最小值設為0.9。當cosθ小于0.9時，不被判定為匹配點[7]。

3 改進的SIFT算法

文中針對SIFT算法處理圖像產生的少量誤匹配進行改善優化，首先用結合了高斯金字塔原理的稀疏匹配方法對物體圖像強特征點進行提取，然后用融進了特征匹配點8鄰域特征方向的SIFT算法進行特征匹配。

在強特征點提取的過程中融合了金字塔原理。

金字塔圖像的第一層的構成是由圖像輪廓和不同尺度因子的高斯核進行卷積得到的不同尺度空間的一組圖像輪廓。

金字塔圖像的第二層的構成，首先對得到的第一層圖像以2倍像素距離下采樣得到第二層圖像，然后用不同尺度因子的高斯核對第二層圖像進行卷積，可獲得金字塔圖像中第二層的圖像。

金字塔圖像中第三層的圖像與第二層圖像獲取方法是一樣的。依次操作，可得到由各個層組成的圖像構成的金字塔。文中算法采用金字塔的5層結構,由處理過的各層高斯圖像相鄰層相減得出高斯差分圖像。

改進的SIFT 算法在對圖像輪廓金字塔進行匹配時融進了特征點8鄰域特征方向的方法，對每個匹配特征點(設為原點)的8鄰域特征方向作比較，如圖2所示。

-1,-1-1,0-1,10,-1原點0,11,-11,01,1

圖2 特征點的8領域

用最小平均誤差算法取其最有效的特征方向，取如下準則函數最小值為有效特征方向。

式中：Xi----特征點到周圍的8鄰域特征方向向量;

bi----特征點。

在對圖像進行特征提取時,將對應的參數信息及金字塔塔層信息暫存于創建的鏈表中，在匹配環節依次取出鏈表中的信息結合匹配方法進行匹配，使匹配更加有效準確，匹配時先匹配金字塔的最頂層，通過下層更豐富的特征點信息完善上層匹配結果，直到完成金字塔的第一層輪廓特征點的匹配。

4 實驗結果及結論

實驗中所用圖片來自實驗室的兩個sony彩色CCD攝像機拍攝的視頻幀中同一時間的兩幅左右圖片，拍攝的是一盆綠色植物。

用SIFT算法對綠色植物左右圖像進行處理后的結果如圖3所示。

圖3 SIFT算法特征匹配圖

從圖3可以看出，存在一些誤匹配點，即有一少部分匹配點的匹配線與大部分線是交叉的而不是平行的。

用經過改進的SIFT算法進行匹配處理的結果如圖4所示。

圖4 改進的SIFT算法特征匹配圖

從圖4中可以看出，左右兩幅圖像誤匹配點變少了。

匹配成功的特征點在左右兩幅圖像上的坐標分別用x1，y1，x2，y2來表示，部分匹配點坐標具體值、匹配時間及成功匹配特征點總數的對比結果分別如圖5和圖6所示。

圖5 SIFT算法仿真實驗結果

從實驗結果還可得出，改進后的算法把立體匹配時間15 s縮短為原來時間30 s的一半，匹配的實時性提高了，匹配成功的對數在匹配點總對數中的比例變大了，匹配效率提高。

圖6 改進的SIFT算法仿真實驗結果

選擇在同一實驗條件下拍攝的總共6對左右圖像進行驗證實驗結果，對于改進的方法和原SIFT特征匹配方法，成功匹配特征點的總數量在兩種方法處理的對比結果如圖7所示。

圖7 6對左右圖像特征點匹配點數目

經驗證，說明實驗結果具有可靠性。

5 結 語

立體匹配是三維重建等圖像處理問題的前期工作，立體匹配的正確率越高，三維重建的效果越好[8]。改進的SIFT算法結合了稀疏匹配算法的優點對雙目圖像進行特征提取和立體匹配。經過仿真實驗證明，改進的SIFT算法不僅改善了誤匹配的問題，同時提高了匹配的實時性及立體匹配效率。

[1] 程德志，李言俊，余瑞星,等.基于改進SIFT算法的圖像匹配方法[J].計算機仿真,2011(7):285-289.

[2] 曹娟，李興瑋，林偉廷,等.SIFT特征匹配算法改進研究系統[J].仿真學報,2010(11):2760-2763.

[3] 趙啟兵,王養柱,胡永浩.基于改進SIFT算法的無人機遙感影像匹配[J].電光與控制,2012(3):36-40.

[4] 于仕琪,劉瑞禎.學習OpenCV[M].北京：清華大學出版社,2009.

[5] 陳勝勇,劉盛.基于OpenCV的計算機視覺技術實現[M].北京：科學出版社,2005.

[6] 章毓晉.圖像工程[M].北京：清華大學出版社,2007.

[7] 高雋,謝昭.圖像理解理論與方法[M].北京：科學出版社,2009.

[8] 林曉梅，裴建國，牛剛，等.醫學圖像三維重建方法的研究與實現[J].長春工業大學學報：自然科學版，2005，26(3)：225-228.

An improved SIFT feature matching algorithm

LI Xiuhua， LIU Guorui

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

First the sparse point matching algorithm is applied to extract the contour of two images to build outline Gaussian Pyramids, and then SIFT feature matching is used layer by layer. Simulation results indicate the method can improve both matching speed and accuracy.

feature matching; sparse matching; Gaussian Pyramid; SIFT algorithm.

10.15923/j.cnki.cn22-1382/t.2017.1.11

2016-07-17

李秀華(1971-)，女，漢族，吉林長春人，長春工業大學副教授，博士，主要從事圖像處理與智能控制方向研究，E-mail：lixiuhua@ccut.edu.cn.

TP 302

A

1674-1374(2017)01-0058-04