数字技术与应用
基于颜色直方图与SIFT多层次图像匹配检测
本醇2
戒晨！
071000；2.国防科技大学电子科学与工程学院
(1.95866部队
河北保定
湖南长沙
410073)
学术论运：
[摘要]图像的匹配检测是计算机视觉领域的秉要研究内容，是很多图像理解系统中的重要组成部分。实际应用中，图像的匹配检测受到光照变化，视角变化，局部遮挡，运算费巨大等因素的影响，本文提出了一种先进的半自主基于图像颂色直方图与SIFT 特征的多层次图像匹配检测方法，首先使用图像的额色直方图特征匹配确定模板图像在待配图像中的候选区语，再在候选区城中寻找SIFT特征，并进行匹配检测。实验结果证明了我们的方法的有效性与鲁样性。
[关键词]额色直方图
SIFT
[中图分类号]TP39
图像匹配
[文献标识码]A
引言
在机器识别事物的过程中，常需将已知图像与陌生图像的全部或部分在空间上对准，根据已知模式的图像在一幅陌生图像中寻找对应该模式的子图像，这一过程就是匹配。我们将已知图像或已知模式的图像称作模板，在陌生图像中可能与它对应的子图称作该模板的匹配子图像14]，
图像匹配在近几十年来一直是人们研究的热点和难点，它是在变换空间中子找一种或多种变换，使来白不同时间、不同传感器或者不同视角的同一场景的两幅或多幅图像在空间上一致，目前已经应用于许多领域。
在现实世界应用中，图像匹配检测面临着光照，视角等变化，局部邀挡，背景复杂与运算量巨大等挑战。
图像匹配的方法很多。
一般分为两大
类。一类是基于灰度匹配的方法，另一类是基于特征匹配的方法。（1）基于灰度匹配的方法。也称作相关配算法，用空间二维滑动模板进行图像匹配，不同算法的区别主要体现在模板及相关准则的选择方面。基于灰度相关匹配能够获得较高的定位精度，但是它的运算量大，难以达到实时性要求。而且，在模板图像与待匹配图像之间存在光照、视角变化、局部遮档时，基于灰度的匹配方法往往无法取得理想的匹配效果，(2）基于特征匹配的方法，首先在原始图像中提取特征，然后再建立两幅图像之间特征的匹配对应关系。常用的特征匹配基元包括点、线、区域等显著特征。
(a)
国银行(c)
(b?(d)
[文章编号]10079416（2010)04-010602
图像特征相比象事点数量上少得多，特征间的匹配度量随位置变化尖锐，容易找出准确的匹配位置，特征提取能大大减少噪声影响，对灰度变化、形变和遮档有较强的适应力。是图像匹配的主流发展方向。
针对图像匹配的特点，本文提出了一种基于彩色图像额色直方图特征与SiFT 关键点特征的多层次图像匹配方法。图像的SIFT关键点特征是一种尺度不变的特征，对于光照变化以及仿射变换也具有一定的不变性，但是在源图像较大时提取图像的SIFT特征并进行匹配检测是一件耗时巨大的工作。本文引入额色直方图特征，首先确定模板图像在待配图像中的恢选区域，再在图像的候选区域中求图像的 SIFT特征并与模板图像进行匹配检测。大大降低了计算量，也提高了匹配的精度，
全文剩下部分组织如下：第二部分讨论了局部不使特征SIFT，第部分研究了使用额色直方图背投获取候选区域的方法；第四部分中详细介绍了SIFT与顺色信息的多层次图像匹配的方法；第五部分分析了实验结果并在第六部分种进行了总结，
使用SIFT进行对象定位 2
SIFT(尺度不便特征变换）"在图像中提取点特征并创建一个图像局部内容的高维特征
(a)
(c)
图1(a)模板图像，(b)待匹配图像，(c)SIFT关键点特
征匹配，(d)匹配子图像
106
万势宇姣搭与应用
描述符。特征的描述用来在模板图像与测试图像中寻找匹配的特征。提取与描速的步录都是旋转，尺度，光熙和噪声不变的，这个技术同样在一定程度上对视角是不变的。
特征是高差分金字塔中的强极值点。提取后，基于特征点局部梯度信息获取特征描述符，
在图像匹配与识剧应用中，首先在参考图像中提取出一组SIFT特征并存放在一个数据库中，然后提取新图像的特征并与基于式原离与数据库中的特征相比较从而寻找的候选匹配点特征。
SIFT使用一种近似的最近邻方法，最优柱优先(BestBinFirst，BBF)算法进行模板图像与待配图像的匹配。这种方法可以高概率返回近似的最近邻。
得到了匹配的关键点特征，使用 RANSAC（随机抽样一致性）来过滤掉错配点并且得到基端矩阵来得到变换模型。
SIFT匹配结果如图1所示，SIFT在图像匹配检测中并不够鲁棒，存在一些错配的情况。有两个原闪造成了这一点：1，模板图像中没有包含很多blob类的特征点， 2，背累复条、角变化、光照变化等造成了很多的错配，某些极端的情况下，在使用RANSAC进行野点消除以后，可能不会
(b) Q
(d)
图2(a)模板图像额色直方图，(b)待配图像额色直方图，(c)直方图
反向投影后的概率图像，(d)候选区