论文部分内容阅读
SIFT算法是图像局部不变性特征匹配领域的经典算法,因其对旋转变化、尺度变化、光照变化的强鲁棒性,使其在模式识别、计算机视觉等领域有着广泛的应用,如目标识别、目标跟踪、医学图像匹配、图像拼接、图像检索等。然而SIFT算法复杂度很大,无法满足实时的要求,限制了其在实时环境下的应用,因而对SIFT算法的实时性提出了更高的要求。本文的主要工作如下:本文深入分析了SIFT算法的基本原理,针对SIFT算法计算开销大、花费时间长的问题,从多个角度对SIFT算法进行了改进。首先提出了一种基于矩确定主方向的方法,该方法基于图像矩的不变性,利用图像空间的灰度信息获得目标主方向。基于矩的方法用简单的积分运算代替了SIFT算法中的梯度方向直方图的生成,与SIFT算法相比,该方法在不降低算法性能的同时,减少了主方向的确定所需时间,提高了算法的效率。实验证明,基于矩的SIFT的主方向时间降为原SIFT算法的1/3。其次介绍了BRIEF算法的基本原理,用BRIEF算法中提出的二值描述子代替量梯度方向直方图描述子,提出了一种新的局部不变性特征匹配算法B-SIFT。该算法用简单的灰度值比较代替了统计梯度方向直方图,大大减少了描述子的生成时间和描述子的复杂度,实验表明,与SIFT相比,描述子的生成时间降低了100倍,且识别性能损失不大;最后,深入分析了B-SIFT算法实现图像匹配的流程。尺度空间部分的硬件实现已有成熟的结构;特征匹配阶段是用汉明距离作为衡量两个描述子相似度的算法,可通过对二值描述子的每一位用异或操作实现。基于软硬结合的思想,本文选择对尺度空间建立和特征匹配部分进行硬件实现,进一步提高了算法的速度,速度分别提高了8倍和120倍。计算机仿真及硬件实验结果表明,在不同场景、不同旋转变化、不同尺度变化等条件下基于矩方法的B-SIFT与原SIFT算法相比,在保证精度的同时,大大减少了算法的计算开销,具有更加稳定、可靠、高效的特点。