● 摘要
随着计算机技术的飞速发展，图像数据量正在显著增长，图像特征提取成为正确识别图像的关键。全局特征提取算法简单、通用性强，能够获得一定程度的不变性。然而，受实际几何畸变和光照变化的影响，全局特征效果相当不理想。近年来，局部不变特征已成为机器视觉领域的重要研究内容，被成功地应用在图像检索识别、机器人导航、景物匹配等领域。局部特征提取算法要解决的问题是如何提取足够稳定，即对尺度、旋转、光照、遮掩等变换有充分的鲁棒性的局部特征量。SIFT算法用像素梯度构造特征，获得了对多种图像变换的鲁棒性，在局部特征的研究中具有非常重要的意义。但是，该算法计算复杂、特征量维数大，难以用于实时计算。PCA-SIFT利用PCA将SIFT描述子向量的维数由128降到36，降低了特征点匹配过程中的计算成本。然而，额外的训练过程和降维过程增加了特征向量的构造时间，减少了特征信息量，并没使整个算法的计算速度有所提高，反而使算法匹配性能下降。SIFT描述子和PCA-SIFT描述子本质上都是基于梯度的，仅能对畸变较小的几何变换进行有效描述，对大的图像仿射变换是非常敏感的。另外，这两种算法中特征点邻域像素位置信息的丢失在一定程度上影响着描述子的稳定性。本文针对SIFT算法的高维向量表示问题与稳定性不足问题，提出了基于梯度差分与非正交映射矩的SIFT改进算法(ISIFT)。与传统SIFT算法相比，该算法不仅对光照变换和模糊变换有更好的鲁棒性，而且描述子的维数仅为60。算法首先计算特征点邻域像素块的梯度差分，对分块的梯度差分按位置与方向进行非正交映射，然后所有子块计算非正交映射的低阶中心矩，最后将所有的低阶中心矩按方向排列形成该特征点的描述子。将改进方法和SIFT算法、PCA-SIFT算法、HSIFT算法在Mikolajczyk数据集上进行实验，验证不同算法的性能。本文采用特征描述子之间的欧氏距离衡量不同描述子之间的差异性，用recall vs.1-precision曲线比较不同算法的匹配性能。实验结果表明，该算法不仅计算成本较低，而且在模糊变换和光照变换下具有更高的匹配准确度。