一種提高SIFT特征匹配正確率的方法

郗航+賀騰+楊建莉+胡斐

摘要： 針對尺度不變特征變換（SIFT）特征匹配算法存在計算量大、實時性差、誤匹率高的問題，提出一種基于距離比率準則的方法來去除SIFT特征匹配中的錯誤匹配。傳統的方法是采用隨機選取一致性（RANSAC）方法選取出正確的匹配對，但是需要通過反復迭代，復雜、耗時并且仍存有部分誤匹配的現象。改進后的方法直接通過兩條匹配直線斜率的一致性判斷，剔除不在斜率范圍內的匹配，此方法算法簡單，省時高效，從而較大提高了特征匹配的正確率。實驗結果表明，通過采用距離比率準則方法具有較高的匹配精度，同時減少了匹配的時間，使實時性得到提高。

關鍵詞： 尺度不變特征變換（SIFT）； 圖像匹配； 隨機選取一致性（RANSAC）； 距離比率準則

中圖分類號： TN 911.73文獻標志碼： Adoi： 10.3969/j.issn.10055630.2016.06.005

Abstract： Aiming at solving the problems of large calculating scale， poor realtime performance and high falsematching rate in the scale invariant feature transform （SIFT） feature matching algorithm， this paper presents an improved SIFT feature matching algorithm based on the distanceratio criterion to eliminate the matching errors. Traditional random selection consistency （RANSAC） method is used to select the correct matching pairs. However， it is complex and timeconsuming for the repeat iteration process as well as its occasionally matching error occurrences. In the proposed improved algorithm， slope consistency of the two matching lines is directly compared while the matching pairs beyond the slope range are eliminated. The improved algorithm is simple and efficient. Experiments show that the improved algorithm based on distanceratio has great matching accuracy， and short matching time with performance and efficiency enhanced.

Keywords： scale invariant feature transform （SIFT）； image matching； random selection consistency （RANSAC）； distanceratio criterion

引言

圖像配準是數字圖像處理技術中的一個重要部分，它的優劣直接決定多傳感器源圖像的最終融合效果。圖像配準的目的是對不同視角、不同時間或不同傳感器所獲得的同一場景的兩幅或多幅圖像做幾個對齊，以便用于后續圖像融合等處理。近年來，圖像配準已成為圖像處理領域中的一個研究熱點，并已被廣泛應用在航空影像自動制圖、圖像的三維重構、遙感數據分析等諸多領域。2004年，Lowe提出了尺度不變特征變換（SIFT）算法[1]，該方法是把圖像之間的匹配轉化成特征點之間的匹配[2]。正是由于SIFT算法具有很高的魯棒性和較快的運算速度，因此它被廣泛地應用在圖像配準領域。之后采用歐氏距離法的bestbinfirst（BBF）算法對特征向量點進行匹配[3]，但是這會誤匹配很多野點，降低匹配效果，嚴重地影響后面圖像融合拼接的結果。對于以上問題有人提出基于置信度的匹配算法[4]，其本質還是對歐式距離中最小值與次小值之比作匹配閾值，結果仍然不理想。于是由Fischler等提出的隨機選取一致性（RANSAC）算法[5]，雖然可以很好地估計匹配點中的內、外點，去除錯誤的匹配，但隨著外點比率的增大，運算時間隨之增加并且算法上相當麻煩。

針對SIFT特征匹配中錯誤匹配率高的問題，本文對先前的方法進行改進，提出一種更為穩定高效的圖像匹配方法即基于距離比率準則的方法，從而使匹配更有效、更省時，降低SIFT匹配的誤匹配率，達到提高匹配效率的目的。

1SIFT 算法的基本原理

在以關鍵點為中心的鄰域窗口內取樣，并采用梯度直方圖來統計鄰域像素的梯度方向，梯度直方圖的橫軸的取值范圍是0°～360°，每10°為一個單位，總共有36個單位。梯度方向的直方圖的主峰值則表示該關鍵點的主要方向，在每個區域里，只有保證大量的關鍵點都和主方向一致，才能確保旋轉的不變性。盡管只有少部分的關鍵點被賦予多個方向，但不會影響整體匹配的穩定性[7]。接下來對每個特征點建立一個描述符，使其具有較高的獨特性，以便更好地提高特征點的正確匹配率。

1.3SIFT特征點的匹配

對于生成的SIFT特征向量進行匹配是根據相似性度量來進行判定的，通常采用歐氏距離對SIFT的特征向量進行匹配。得到SIFT特征向量后，查找每個特征點的鄰近特征點，如果最鄰近的兩個特征點間的距離和次鄰近兩個特征點的距離的比值少于某個給定的閾值，則說明這兩個特征點匹配是成功的。降低此閾值，會減少匹配點的數目，使穩定性得到增加[8]。

2SIFT匹配算法中消除錯誤匹配算法的改進

在完成對應特征點的粗匹配后，為了更好地融合兩幅圖像，需要估計兩幅圖像的基礎矩陣，使其滿足一定的射影關系[9]。但是由于SIFT得到的粗匹配中存在很多的誤匹配，很大程度上影響了后續圖像的融合，因此需要用一些算法對粗匹配進行提純，從而提高特征點匹配準確率和速度，更高效地完成圖像的融合。

2.1RANSAC模型參數估計

傳統的做法是通過使用RANSAC算法[10]，對SIFT得到的粗匹配進行提純，主要是采用隨機抽樣的方法，即在一定置信率的約束下選取正確的匹配點，其特點是降低外點比率時效率很高，同時在計算的精度上也有提高。SIFT和RANSAC算法的結合，也是當前圖像匹配中采用的主流方法。其過程是，首先采用SIFT算法對兩幅圖像進行SIFT特征點的提取，然后對提取的特征點進行特征匹配，最后利用RANSAC算法剔除匹配中錯誤的匹配點，同時計算變換矩陣。

2.2距離比率準則

與傳統RANSAC算法不同，本文對原先SIFT得到的粗匹配結果采用距離比率準則的方法來進行提純。由于之前預處理后的兩幅圖像，在經過SIFT特征匹配后仍存在很多錯誤匹配，可借助圖像之前的標定與校正值，設定其中兩個水平特征點間的匹配線段的斜率為標準斜率，使其他匹配線段的斜率與其比較，如果斜率相等則視為有效匹配，如果不等則剔除。其具體過程如下：

3實驗結果與分析

為了驗證本文方法的有效性，實驗的兩幅圖像均選取圖像處理中經典圖片Lenna圖，對其中一幅圖像增加椒鹽噪聲作為對比，因為SIFT特征匹配算法是不受噪聲的影響，對比實驗是在同一硬件平臺（Pentium（R）D 3.20 GHz，2.00 GB 內存）和軟件平臺（MATLAB 7.1）上進行。

圖1是用RANSAC模型參數估計算法（傳統方法）對SIFT特征粗匹配進行提純后的結果。由圖可見，仍然存有一些錯誤匹配和遺漏匹配的現象。

圖2是用距離比率準則的方法（本文方法）對SIFT特征粗匹配進行提純后的結果。由圖可見，與傳統方法相比，匹配的準確性有顯著的改善。

表1為2種不同算法對SIFT特征粗匹配進行提純時所需的時間及其正確匹配率。由表可以看出，本文的方法無論是在運算的時間上還是對于結果的正確匹配上均明顯優于傳統的提純方法。傳統算法之所以耗時長，是因為外點多，算法的抽樣次數也同時增加，從而造成計算時間增加，影響匹配誤差。本文算法時間短并且正確率高，是因為絕大多數的外點可以通過直線斜率比值等因素約束，經過幾次迭代就可提出，所以本文的算法在計算效率上有明顯優勢。

4結論

本文對于SIFT特征匹配后造成的誤匹配率高的問題，提出了距離比率準則的方法來解決，從而在匹配過程中，能夠有效地降低錯誤匹配的概率，增加算法的穩定性和精確性。實驗結果表明，本文所用的方法能比傳統的 RANSAC 算法更為有效、省時地去除錯誤的匹配，改善了傳統算法的復雜性。本文的方法在時間效率上優于傳統的算法，并且達到了較高的匹配精度，為后續圖像的拼接融合起到了很好的鋪墊作用。

參考文獻：

[1] LOWE D G. Distinctive image features from scaleinvariant keypoints[J]. International Journal of Computer Vision，2004，60（2）：91110.

[2]李曉明， 鄭鏈， 胡占義. 基于SIFT特征的遙感影像自動配準[J]. 遙感學報， 2006，10（6）：885892.

[3]BEIS J S， LOWE D G. Shape indexing using approximate nearestneighbour search in highdimensional spaces[C]∥Proceedings of the IEEE 1997 computer society conference on computer vision and pattern recognition. Puerto Rico： IEEE， 1997：10001006.

[4]楊曉敏， 吳煒， 卿粼波， 等. 圖像特征點提取及匹配技術[J].光學 精密工程， 2009，17（9）：22762282.

[5]FISCHLER M， BOLLES R. Random sample consensus： a paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of the ACM， 1981，24（6）：381395.

[6]張永， 武玉建. 一種改進的SIFT圖像特征匹配算法[J]. 計算機工程與應用， 2014，50（9）：167169.

[7]于麗莉， 戴青. 一種改進的SIFT特征匹配算法[J]. 計算機工程， 2011，37（2）：210212.

[8]吳錦晶， 張仁杰， 唐春暉. 交通路標圖像的分割與識別方法研究[J]. 光學儀器， 2011，33（5）：3441.

[9]HARTLEY R I， ZISSERMAN A. Multiple view geometry in computer vision[M]. Cambridge： Cambridge University Press， 2004.

[10]曹楠， 王萍. 基于SIFT特征匹配的圖像無縫拼接算法[J]. 計算機與應用化學， 2011，28（2）：242244.

（編輯：劉鐵英）