稀疏特征点匹配是计算机视觉算法的基础,目前为止,绝大多数的计算机视觉算法都直接或间接地基于图像稀疏特征点匹配的结果。在实时图像处理应用中,图像稀疏点匹配的速度和质量对处理性能的影响至关重要。本文针对这一问题,重点研究了一种图像特征点快速匹配算法。算法对于符合单应性的两幅图像可以快速匹配,达到实时处理的性能。并且在图像质量较差的情况下,仍然可以做到快速高效的匹配。本文将快速匹配的结果应用于图像拼接应用中,验证了算法的有效性和效率。以下是本文工作的几个主要内容:(1)本文采用FAST角点检测算法提取特征点,采用Harris角点响应值作为衡量特征点强弱的标准,然后将图像进行网格划分,提取每个网格内的响应值高的特征点,实现强特征点的均匀化。对所有特征点都进行二进制描述,其中对强特征点分别进行BRIEF和ORB双二进制描述,然后分开进行匹配,将两次匹配完全一致的筛选出来,作为计算引导矩阵的候选匹配对,这样可以快速计算图像之间的引导矩阵,同时为图像匹配提供了先验知识。(2)提出一种基于引导矩阵网格定位的特征匹配方法,首先将目标图像进行网格划分,将原始图像中的特征点通过引导矩阵映射到目标图像上,映射后的坐标信息可以定位到目标图像中的网格,将原始图像特征点与该网格内的特征点进行暴力匹配,这样我们就可以实现图像特征的快速鲁棒匹配,提高了匹配的准确率和召回率。(3)对RANSAC提出改进,根据正确的模型参数具有聚集性的特点,我们通过固定的四个点经过两个单应矩阵映射,并通过度量映射后的点是否存在冲突,以此来决定是否进行昂贵的误差投影计算。如果冲突了,则计算当前的单应矩阵是否是最优模型,如果没有冲突则回到随机对选取重新计算新的单应矩阵,这样就完成了对大部分错误单应矩阵的过滤,实现了RANSAC算法的加速运算。(4)本文为了解决拼接图像的错位和重影问题,实现了最佳缝合线和多波段融合算法以此来改善图像质量。综上所述,本文对特征提取、分类、匹配和RANSAC过程进行了改进,改进后的算法在对图像进行拼接时,不仅在速度上有了提升,而且成功率也大大提高。本文算法对于解决远距离场景或者轻微移动场景有较大的优势。