資源描述：
《基于RANSAC的SIFT匹配優(yōu)化-論文.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第4l卷第8期光電工程Vo1．41，No．82014年8月Opto—ElectronicEngineeringAugust，2014文章編號：1003～501X(2014)08—0058—08基于RANSAC的SIFT匹配優(yōu)化趙燁，蔣建國，洪日昌(合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，合肥230009)摘要：本文提出了一種基于RANSAC的SIFT匹配優(yōu)化。采用加權(quán)的圓形鄰域替代原有SIFT描述子矩形鄰域，使得描述子維度降低了25％。根據(jù)特征點(diǎn)最近鄰與次近鄰的距離比越低，其匹配正確率越高的特點(diǎn)，對匹配點(diǎn)按最近鄰比率高低進(jìn)行匹配點(diǎn)排序，并以最優(yōu)匹配
2、點(diǎn)作為簡化的RANSAC算法初始樣本數(shù)據(jù)集，用簡化的RANSAC算法進(jìn)行幾何校驗(yàn)，進(jìn)一步提純匹配點(diǎn)。實(shí)驗(yàn)結(jié)果表明本文方法在匹配精度優(yōu)于RANSAC．SIFT的基礎(chǔ)上，匹配速度大約提高了10倍。尤其當(dāng)匹配點(diǎn)增多時(shí)，本文方法在匹配速度上更加有優(yōu)勢。關(guān)鍵詞：尺度不變特征變換；隨機(jī)抽樣一致性；特征描述符；最近鄰比率中圖分類號：TP391．4文獻(xiàn)標(biāo)志碼：Adoi：10．3969／j．issn．1003—501X．2014．08．010AnOptimizedSIFTMatchingBasedonRANSACZHAOYe，JIANGJianguo，HO
3、NGRichang(SchoolofComputerandInJormation，HefeiUniversityofTechnology，Hefei230009，China)Abstract：AnimprovedSIFTmethodisproposed．Firstly,thestepofdescribingkeypointschangestherectangularregionofthedescriptorintoacircularregion．Bycalculatingtheweightedgradientorientationhist
4、ogramforeachpartitioning，adescriptorwith96dimensionsiscomposed．Secondly,weemphasizethatasmallernearestneighborratiothresholdleadstoahighlyaccuratematchingprobabilityforthematchedpointbutyieldsalownumberofmatchingpoints．Thematchingpointsarerankedbythedistancethresholdofthe
5、nearestneighbortothesecondnearestneighbor．WefinallysimplifyRANSACbyestablishinganewdatasetbasedontheoptimalmatchedpoints．Theexperimentalresultsdemonstratethatourapproachenhancescomputationeficiency(about10times)andslightlyimprovesaccuracythanotheralgorithm．Whenthematching
6、featurepointsincreases，ourmethodhasmoreadvantagesinmatchingspeedandhighermatchingaccuracythanRANSAC—SIFT．Keywords：SIFT；RANSAC；featuredescriptor；nearestneighborratio0引言圖像匹配技術(shù)廣泛應(yīng)用于機(jī)器視覺、目標(biāo)識別、三維重建、視頻摘要、多媒體信息檢索、人臉識別等諸多領(lǐng)域。，與人類的生活息息相關(guān)。因此，一種同時(shí)具備準(zhǔn)確性和高速性的圖像匹配技術(shù)成為了重要需求?；谔卣鼽c(diǎn)的圖像匹配技術(shù)以
7、其計(jì)算量較少、穩(wěn)定性好等特點(diǎn)成為當(dāng)今圖像匹配技術(shù)的主流與核心。尤其以Lowe提出的尺度不變特征變換(ScaleInvariantFeatureTransform，SIFT)算法應(yīng)用最為廣泛。將尺度不變特征子與梯度方向描述子相結(jié)合的SIFT算法具有圖像縮放、旋轉(zhuǎn)、光照和仿射不變性等優(yōu)點(diǎn)。但SIFT描述子的維度較高從而計(jì)算過于復(fù)雜，為了降低計(jì)算復(fù)雜度，提高匹配精度，有很多研究人員提出了各種基于SIFT的改進(jìn)算法。Ke和Sukthankar[51將主成分分析(PrincipalComponentAnalysis，PCA)方法運(yùn)用至SIFT圖像匹
8、配中，采用主成分分析的方法對SIFT算子進(jìn)行降維操作，其算法中特征點(diǎn)描述算子的維度可收稿日期：2013—12—16；收到修改稿日期：2014—03—18基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(61
