论文部分内容阅读
图像局部特征点提取与匹配是计算机视觉领域中一项重要的技术,为许多更高级的视觉研究应用提供了基础性的技术支持。随着目标识别与跟踪、立体视觉测量、机器人视觉导航与路径规划、三维重建等计算机视觉技术在工业生产、航空航天、医疗甚至军事领域的广泛应用,图像局部特征点的提取与匹配算法越来越受学术研究和工程应用人员的关注。除了Harris、SIFT、SURF等经典算法外,诸如FAST、AGAST、BRIEF、BRISK等新的优秀算法不断出现,图像特征点提取算法正日益成为计算机视觉领域研究和应用的热点之一。亮度变化是影响特征点提取与匹配的重要因素,针对有亮度缺陷图像特征点提取和匹配数目较少的问题,采用了LCC和SCB亮度色彩校正的方法,将图像亮度和色彩迁移到相近水平,明显提高了特征点的提取和匹配数目。在SIFT和SURF等特征点的匹配策略方面,深入研究了K-D树算法和在此基础上加入优先级队列的BBF搜索策略。针对特征点误匹配问题,采取了在RANSAC基础上的优化算法ORSA进行滤除。SIFT和SURF算法虽然有着优秀的性能,但也有非常明显的速度方面的缺陷,大大限制了它们在图像和视频检索、实时目标跟踪、视觉导航等领域的应用。BRISK, ORB等新的算法虽然有较快的执行速度,性能却大打折扣。本文针对尺度缩放、视角变换、亮度变化等因素对SURF、ORB和BRISK三种算法的性能进行了详细的对比分析。在最后提出一种性能介于SURF和BRISK之间的折中方案SU-BRISK,在保持较好性能的同时大大提高了计算速度,并最终以SU-BRISK为特征点提取算法在Visual Studio2010与OpenCV相结合的平台上搭建了一套立体视觉定位系统。