图像匹配是计算机视觉、模式识别和图像处理领域中的一项重要技术,发展快速。目前,它被广泛地应用于图像拼接、图像检索、三维重建、运动目标跟踪、目标识别等领域。本文针对基于特征的图像匹配技术中存在的问题,对图像局部特征描述子及图像匹配相关技术进行深入研究。总结国内外研究成果,分析原有常用算法的利弊,在保留原算法优势的基础上,对其进行改进。本文的主要研究内容及贡献如下:(1)针对SIFT算法计算量大、存储开销大和近几年提出的BRIEF、ORB、BRISK和FREAK等二进制描述子可区分性和鲁棒性差的问题,提出二值化的SIFT特征描述子。并通过理论分析和实验验证量化后的算法仍保留了SIFT较强的可区分性和鲁棒性;此外,量化后的算法减少了存储开销和计算量。达到了高鲁棒性、高可区分性及低存储、易计算的权衡要求。(2)在粗匹配过程中,根据特征点邻域内的像素点对它的信息量贡献的多少,将描述子分为两个部分并分别进行匹配。通过初匹配(第一阶段匹配)剔除掉部分特征点对来进一步缩短粗匹配时间。(3)在对特征点对提纯时,针对RANSAC算法中迭代次数和容差参数需要人为设置,且该算法需要反复测试,耗时多的问题,提出一种结合Delaunay三角剖分的图像匹配算法。该算法对粗匹配结果中可能的正确匹配点集构成的凸包进行平面三角剖分,利用摄影几何中的摄影不变量对粗匹配结果中的特征点对进行提纯。Delaunay三角剖分根据数据集自身的特点,考虑到特征点的空间位置信息,且构建的Delaunay三角网是唯一的;并且,通过实验验证该方法相对于RANSAC算法,准确度高,耗时较少。