论文部分内容阅读
图像匹配与识别是计算机视觉和模式识别领域的重要研究问题之一。近年来，图像匹配与识别技术进展迅速，并且被广泛应用于医学图像处理、生物特征识别、机器人控制等领域。图像匹配的目标是建立两幅图像之间的对应关系。在众多的图像匹配方法中，基于局部特征的匹配与识别方法由于其对图像变换具有较好的不变性，成为了近几年的重点研究内容。基于局部特征的图像匹配方法对成像环境引起的图像变化具有很好的不变性。此外，局部特征具有较高的独特性，可以在大量数据中实现精确的匹配。基于局部特征的图像匹配方法主要分为三个部分：特征检测，特征描述及特征匹配。其中，局部特征检测在图像匹配过程中起到至关重要的作用。局部特征检测的性能决定了图像匹配算法的不变性和匹配精度。目前的标准局部特检测方法（如DoG，Harris/Hessian-Laplace等）将基本检测器嵌入到高斯尺度空间中并且使用尺度选择技术实现尺度不变性。尽管高斯核是唯一满足因果性的核函数，但是采样后的离散高斯函数不再满足因果性。此外，高斯微分函数与图像中的局部结构不是十分匹配。最后，高斯尺度空间实现的计算复杂度随着尺度增大而增大，因此不适合用于实时性要求高的应用中。在本文中，我们对局部特征检测进行了深入的研究，主要完成了以下工作：（1）详细分析了B样条尺度空间的优势（如B样条微分函数与图像结构更为匹配），讨论了其在尺度选择方面的较高斯尺度空间的优势。（2）对积分图像技术进行了理论分析和拓展，提出了一种快速B样条尺度空间离散实现算法。（3）基于B样条尺度空间Hessian矩阵的行列式，设计出一种可以同时检测斑点和交叉点的局部特征检测器。（4）对已经存在的局部特征检测器及新提出的局部特征检测器在牛津大学AffineCovariant Features数据库上进行了详细的性能比较（重复率及匹配性能）。实验结果表明本文提出的特征检测器计算效率高并且较现存的方法在不变性和独特性方面的性能都有所提高。