曲线匹配技术在模式识别中是一项关键的、广泛使用的技术,同时在实际应用中,如三维重建、视觉导航、文物复原、视频监控系统、机器人技术以及图像拼接等诸多领域中也有广泛的应用。曲线匹配技术的过程大致分为以下三个步骤:采用一定的方法对待匹配图像进行曲线提取;用相应的算法对曲线进行表征;利用匹配准则计算两条曲线间的相似性并利用匹配准则来实现匹配。近年来,尽管基于描述子的特征曲线匹配技术研究有了很大的进展,但随着移动设备的广泛使用,有必要研究存储空间小、匹配速度快的二值型曲线描述子。同时,由于提取出的特征曲线受以下因素影响:曲线两端的端点定位不能够准确把控、提出的特征曲线长度不相同、曲线周围包含较多的重复性纹理等,这些因素都导致基于纹理特征的曲线匹配研究依旧是现今的一个研究热点和难点。为此,本文在该课题领域中进行了深入的研究,论文的主要创新之处有:(1)由于二值描述子具有低存储、快匹配的性能优势,我们在实数型曲线描述子(MSCD、IOCD、IOMSD、TCHP)研究的基础上,使用阈值法将曲线描述子转换为由0、1组成的二值码串,获得两种二值曲线描述子:基于二分法的二值描述子和基于三值法的二值描述子。前者在实数型曲线描述子原有维度上(B~1-IOMSD描述子除外)以具有自适应性的实数型曲线描述向量的均值为阈值对原描述向量进行二值化,得到由0、1组成的二值描述子,其存储空间缩减为实数型曲线描述子的1/32。后者通过设置两个自适应阈值:均值与t倍均方差的和与差,将实数型曲线描述向量进行二值化处理,得到由00、01、11组成的二值描述子,其存储空间缩减为实数型曲线描述子的1/16。实验结果表明:二值曲线描述子在保持实数型曲线描述子旋转不变性、光照变化不变性、形变稳定性的前提下提高了描述子的匹配正确率,在计算耗时微增的条件下又极大的降低了描述子的内存消耗。(2)针对图像出现阴影问题,基于亮度序构建的曲线描述子会受其影响而增加图像的误匹配。本文提出了一种新颖的曲线匹配算法,即梯度序曲线描述子(GOCD),该算法首先确定曲线的支撑区域,然后去除支撑域中梯度幅值较小的像素点并依据剩余像素点的梯度幅值序列把每个曲线支撑区域划等分成若干个子区域,最后利用梯度序特征构造每个子区域描述子,得到曲线描述子。相比于基于亮度序的描述子,本文算法采用的梯度幅值序划分子区域、梯度序映射构建曲线描述子,这些使GOCD对光照变化有更强的鲁棒性,且可以减少图像遮挡下的误匹配,从而提高了描述子的分辨力。实验结果表明:该算法在匹配性能方面比基于亮度序的描述子在视角变化、压缩、光照、宽基线、旋转和噪音图像上拥有更好的匹配效果。实验表明:本文提出的两种基于纹理曲线描述子(实数型曲线二值描述子、GOCD)对多种图像变化在匹配性能和匹配准确率上都具有很好的效果,能够很好地实现图像中曲线的自动匹配,且前者也极大的降低了图像描述特征的存储空间。