3.3 本章小结 19

4 顺序抽样一致性框架 20

4.1 随机抽样一致性通用框架 20

4.2 基于似内点标记的顺序抽样评估一致性框架 23

4.3 本章小结 29

5 实验分析 30

5.1 算法可行性 30

5.2 低内点率场景的比较 30

5.3 高内点率场景的比较 34

5.4 LIMP-SESAC 在标准终止条件下运行结果 35

5.5 本章小结 37

结 论 38

致 谢 39

参 考 文 献 40

附录 A 各测试用例在 LIMP-SESAC 匹配下的结果 42

附录 B 本科期间发表的相关论文 46

1 引言

1.1 课题研究背景及意义

图像匹配作为计算机相关领域的关键技术之一，近年来已成为研究热点。图像匹配是通 过利用一些变换使得同一场景下的多幅图片在空间上能够一致，现已广泛应用于目标识别[2]， 图像检索和融合[3]，机器视觉[4]，医学图像分析[5]等领域[1]。

然而，由于目前的特征匹配算法仅仅利用了特征点本身的特征参数，并没有对提取的特 征对加以严格的审查或筛选，因此会出现相当多的误匹配对。当在算法精度要求较高的场景 下，如无人驾驶的自主定位，这些误匹配对将会对算法精度造成极大的干扰甚至导致算法最 终得到的模型误差很大。因此，有必要设计一种方法来过滤这些误匹配对，这种方法基于特 征提取的算法，根据其提取出的所有的特征点对，经过相应的一系列处理，得出质量高的模 型和正确的匹配对，提高最终的匹配精度。

本课题针对上文所提出的问题，重点研究局部特征匹配的一致性评估方法，通过一致性 评估方法，使得局部特征最终的匹配结果在准确率、实时性和鲁棒性，上有一定的提高。 1.2 国内外研究现状

目前国内外用的比较多的匹配算法有两类：一类基于图像灰度的统计；另一类基于局部 特征。由于后一种类型的算法在时间上比前一种类型的算法普遍要更快，因此，根据课题对 算法在实时性上的要求，我们采用后一种类型的算法，即基于局部特征这一类型算法。

基于局部特征这一类型的匹配算法通过分别提取两幅图像的特征点对，利用特征点对的 参数进行匹配。目前常用的局部特征匹配算法有 SIFT、SURF 以及 ORB 算法。SIFT 算法[7] 在高斯差分尺度空间检测关键点并滤除边缘点，通过计算得到每个关键点的 128 维 SIFT 特征 向量。SURF 算法[8]也是基于尺度空间进行特征点检测，但是每个特征点只计算出一个 64 维 的特征向量，而整体性能与 SIFT 相当。ORB 算法[9]将 FAST 角点检测子[10][11]与 BRIEF 特征 描述子[12]结合起来，使得其在时间上比 SIFT 和 SURF 快很多。 局部特征匹配的一致性评估方法(2):http://www.chuibin.com/jisuanji/lunwen_205619.html