匹配算法在计算机视觉领域扮演着极其重要的角色,如何获得准确的图像匹配关系和进行精确的点集配准成为目前的研究难点和热点,本文围绕着基于特征信息和空间信息互补的匹配算法进行讨论,包括对信息互补模型构建的数学理论进行探讨,并将其应用于图像特征点匹配算法和非刚性点集配准算法。仅采用局部特征信息进行匹配会导致歧义性,而仅采用空间位置信息进行匹配可能会得出完全错误的结果,如何有效结合两种信息进行匹配是比较困难的问题。本文针对上述存在的问题进行了深入地分析,具体的研究工作和创新点如下:第一,对匹配算法理论进行了深入的对比分析,立足本文研究点,选取尺度不变特征描述符和形状上下文描述符作为局部特征。首先介绍了常用的关键点特征描述符生成算法,并对局部特征相似度的匹配算法度量准则进行介绍,接着对二值对应矩阵和模糊对应矩阵两种指派方法进行对比分析,详细讲述了图像匹配算法和点集配准算法的区别和联系,为后续算法的提出奠定了基础。第二,提出一种基于尺度不变特征和空间位置信息互补的图像特征点匹配算法。首先基于局部特征信息和空间位置信息构造出一种互补的高斯混合模型,根据相关理论构造出待求解能量函数并采用期望最大化算法求取最优解,依据得到的模型参数估计匹配概率矩阵,依此概率的显著性估计匹配对应关系,最后,将该算法框架应用于真实图像特征点匹配场景,能在加快收敛速度的同时保证匹配的精确性。第三,提出一种基于形状上下文特征和全局结构信息互补的非刚性点集配准算法。采用基于加权形状上下文特征相似度的局部结构描述,构建基于信息互补的模型用于非刚性点集配准算法,采用高斯径向基函数作为非刚性变形约束,采用运动一致性函数作为结构约束,使得点集的整体运动方向保持一致性,在目标函数求解过程中依据特征相似度的引导不断调整点集位置,可将两点集的形状实现逐点对齐。