基于尺度不变特征变换算法实现图像匹配与校正的研究

作     者：谢永清 

作者单位：北京邮电大学 

学位级别：硕士

导师姓名：张永军

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：图像匹配 SIFT RANSAC 卷积神经网络 

摘      要：计算机视觉中的图像匹配技术是图像处理领域的基本问题,在智能驾驶、姿态估计、图像配准等领域发挥着重要作用。图像匹配算法的发展由来已久,不过因为传统算法和深度学习自身的局限性,在实际应用中仍然存在一些不足。如算法的准确性不高,生成的匹配点对存在较多误匹配;泛化性不强,往往只在特定的场景下或数据集有比较良好的效果等。为了探寻出比较合理的图像匹配解决方案并加以应用,本文从尺度不变理论出发,对尺度不变特征变换算法(SIFT)进行深入的研究和分析,主要工作包括:(1)就匹配对象和研究方法的不同,将图像匹配的主要方法归纳为三类,对各类算法原理进行归纳阐述,重点介绍了基于特征的匹配,并分析了卷积神经网络的核心原理,总结它们的优缺点。(2)提出了一种改进的SIFT算法,从关键点定位、描述符生成和误匹配剔除三个方面对传统的SIFT算法进行了改进。在关键点定位中,利用更多DoG相邻层的信息对极值点的选取进行约束,减少了关键点的数量;在描述符生成环节,改变关键点描述符生成的邻域划分,通过同心圆环邻域的方式降低描述符维度,提高了抗旋转能力;在误匹配剔除方面改进了 RANSAC流程,通过聚类算法生成两个聚类集合,根据打分函数选取合适的集合进行模型估计,有效地避免了算法初始数据的盲目性和迭代次数过多的问题。实验表明该方法在仿射、光线变换、旋转、压缩四种场景下均有96%以上的匹配正确率。(3)提出了融合改进的SIFT与HardNet卷积神经网络进行特征提取的方法。先通过改进的SIFT算法计算出特征点的坐标、尺度和角度信息,再计算对应尺度特征点邻域大小,对其进行旋转变换和降采样,输入到HardNet中通过七层卷积网络计算出特征描述符。与改进的SIFT算法相比,采用卷积神经网络提取的描述符更具深层性,在保持其他场景匹配效果稳定的情况下,降低了模糊变换50.16%的匹配错误率。(4)完成图像匹配与校正系统的设计,通过后端开发技术将算法进行封装并集成在系统中,完成API的设计,验证了算法的可行性,简化了在实际工程中的使用。