【正文】 后的結(jié)果輸出中我們不予輸出。 如 第 ，我們已經(jīng)建立了牛奶、盒子、書、糖果、牙膏的數(shù)據(jù)庫(kù)。 庫(kù)的建立是通過(guò)一個(gè)循環(huán)分別尋找每個(gè)物體的特征點(diǎn)集，然后每次循環(huán)后把循環(huán)結(jié)果存入數(shù)組中。 建立物體庫(kù) 我們建立物體庫(kù)，首先要先將物體圖片保存到庫(kù)文件夾中，把名字改為 1,2，3…… n的格式。從而研究旋轉(zhuǎn)對(duì) SIFT算法的影響。匹配效果如 圖 55： （ a） 基于 sift 算法的圖像匹配方法 27 (b) (c) 圖 55 尺度變化下的匹配效果 表 52 尺度變化下關(guān)鍵點(diǎn)統(tǒng)計(jì)數(shù)據(jù) 圖像 大尺度關(guān)鍵點(diǎn)數(shù) 小尺度關(guān)鍵點(diǎn)數(shù) 匹配關(guān)鍵點(diǎn)數(shù) 書 196 30 36 冰紅茶 357 47 21 牙膏 192 45 41 通過(guò) 表 52數(shù)據(jù)和 圖 55匹配結(jié)果可以看出，圖像的尺度變化后，產(chǎn)生的關(guān)鍵點(diǎn)數(shù)目也響應(yīng)的減少。 亮度變換的匹配 為了取得 SIFT算法對(duì)亮度調(diào)節(jié)下的匹配效果。 （ a） (b) (c) (d) 基于 sift 算法的圖像匹配方法 24 (e) (f) 圖 51 圖像特征點(diǎn)的提取 通過(guò)以上實(shí)驗(yàn)，分別對(duì) 6副圖片進(jìn)行特征點(diǎn)的提取，我們得到如 表 51所示的數(shù)據(jù)，通過(guò)對(duì)數(shù)據(jù)的分析，我們可以發(fā)現(xiàn)：用 SIFT算法提取特征點(diǎn)，特征點(diǎn)的數(shù)目與物體的大小并沒(méi)有明顯的沒(méi)有關(guān)系。這樣我們就可以消除錯(cuò)誤匹配點(diǎn)，提高了匹配的成功率，提高了魯棒性。 SIFT 特征向量的匹配 經(jīng)過(guò) 這 一系列的 處理，我們得到了具有穩(wěn)定性，對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、放射變換、噪聲也保持一定程度的穩(wěn)定性的特征點(diǎn)。 Lowe實(shí)驗(yàn)結(jié)果表明：描述子采用 4 4 8＝ 128維向量表征，綜合效果最優(yōu) 。根據(jù) Lowe的建議，直方圖統(tǒng)計(jì)半徑采用 3**σ，在直方圖統(tǒng)計(jì)時(shí)，每相鄰三個(gè)像素點(diǎn)采用高斯加權(quán)，根據(jù)Lowe的建議，模板采用 [,]，并連續(xù)加權(quán)兩次。為了去除邊緣響應(yīng)，我們需要確定一個(gè)閾值，需要讓比值小于該閾值。 獲取關(guān)鍵點(diǎn)處擬和函數(shù)， ? ? XX DXXXDDXD TT 2221 ??????? （ 46） 求導(dǎo)并讓方程等于零，可以得到極值點(diǎn)： XDXDX ????????212 （ 47） 對(duì)應(yīng)極值點(diǎn)，方程的值為： ? ? XXDDXD T ?????? 21 （ 48） 式 48用于去除低對(duì)比度和不穩(wěn)定的特征點(diǎn) 。 ? ? ? ? ? ? ? ?? ? ? ?, , , , , , * , , , ,D x y G x y k G x y I x yL x y k L x y? ? ?????????O c t a v e 1O c t a v e 2O c t a v e 3O c t a v e 4O c t a v e 5?2?4?8?……………基于 sift 算法的圖像匹配方法 13 圖 45 DOG金字塔 在圖中， DoG金字塔的第 1層的尺度因子與高斯金字塔的第 1層的是一致的，其它階也是一樣。一幅圖(6 1) (6 1)??? ? ?226 8 10??基于 sift 算法的圖像匹配方法 12 像可以產(chǎn)生幾組圖像，一組圖像包括幾層圖像。 采用高斯模糊具有如下幾個(gè)特征： （ 1） 、高斯模糊具有圓對(duì)稱性。 （ 43） ? ? 2221rr e x p22G ?? ?????????22r= x y?基于 sift 算法的圖像匹配方法 11 高斯模糊對(duì)于圖像來(lái)說(shuō)就是一個(gè) 低通濾波器 ，是在 Adobe Photoshop、 GIMP 以及 等圖像處理軟件中廣泛使用 的處理效果，通常用它來(lái)減少圖像噪聲以及降低細(xì)節(jié)層次。高斯核是唯一可以產(chǎn)生多尺度空間的線性核。 消除錯(cuò)誤匹配點(diǎn)。 SIFT算法的實(shí)現(xiàn)簡(jiǎn)單步驟如下圖： 圖 41 SIFT算法步驟 SIFT算法從實(shí)質(zhì)可以總結(jié)為在不同尺度空間上查找特征點(diǎn)的問(wèn)題，在對(duì)特征點(diǎn)進(jìn)行一一比對(duì)，找出相匹配的關(guān)鍵點(diǎn)。 基于 sift 算法的圖像匹配方法 9 4 SIFT 特征匹配 Sift算法是 1999年加拿大英屬哥倫比亞大學(xué)大衛(wèi) .勞伊（ David ）教授在總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測(cè)方法后提出的一種新的圖像匹配方法 SFT。完成對(duì)圖像尺度具有不變性的位置探測(cè)。提取出尺度空間的主輪廓，以提取出的主輪廓作為特征向量，實(shí)現(xiàn)圖像的特征點(diǎn)提取。為后文將要描述的特征點(diǎn)匹配做鋪墊 。 特征匹配 的數(shù)據(jù)處理方法很多， 需要用到許多諸如矩陣的運(yùn)算、梯度的求解、傅立葉變換和泰勒展開等數(shù)學(xué)運(yùn)算 [7]。 基于 圖像灰度的匹配方法一般不需要對(duì)圖像進(jìn)行預(yù)處理， 通常直接利用圖像 本身 灰度 的統(tǒng)計(jì) 信息 來(lái)度量圖像的相似程度 。) ( , )X Y H X Y? ，且 G 是一維灰度變換。傳統(tǒng)的匹配算法往往是直接提取角點(diǎn)或邊緣，對(duì)環(huán)境的適應(yīng)能力較差，急需提出一種魯棒性強(qiáng)、能夠適應(yīng)不同光照、不同位姿等情況下能夠有效識(shí)別目標(biāo)的方法。是基于 sift 算法的圖像匹配方法 4 本文的重點(diǎn)章節(jié)。我們建立一個(gè)庫(kù)文件夾， 在文件夾中放入單個(gè)物體的照片，作為庫(kù)圖像。 研究 內(nèi)容 和目標(biāo) 本課題為 基于 SIFT的 圖像匹配 方法 。通過(guò) SIFT算法實(shí)現(xiàn)兩幅圖像或多幅圖像之間相同點(diǎn)的識(shí)別。 這是與灰度圖像配準(zhǔn)算法有關(guān)的一個(gè)擴(kuò)展應(yīng)用。因此，對(duì)于不同尺度的圖像匹配， Harris的角反射器并不能提供很好的基礎(chǔ)。 Zhang等人在 1995年在每個(gè)角的周圍使用相關(guān)窗口來(lái)選擇可能的匹配，使得 Harris的角進(jìn)行大幅圖像范圍的匹配成為可能。傳統(tǒng)的匹配算法往往是直接提取角點(diǎn)或邊緣，對(duì)環(huán)境的適應(yīng)能力較差，急需提出一種魯棒性強(qiáng)、能夠適應(yīng)不同光照、不同位姿等情況下能夠有效識(shí)別目標(biāo)的方法。 點(diǎn)特征是圖像最基本的特征 ,它是指那些灰度信號(hào)在二 維圖像上都有明顯變化的點(diǎn) ,如角點(diǎn)、圓點(diǎn)等。 本課題研究了基于 SIFT算法的圖像匹配方法，論述了 SIFT算法的實(shí)現(xiàn)過(guò)程。正 由于 其應(yīng)用的廣泛性，使得匹配算法的研究逐步走向 成熟 。正因?yàn)槠鋺?yīng)用的廣泛性，新的應(yīng)用和新的要求逐步產(chǎn)生使得匹配算法的研究逐步走向深入 [1]。 特征的提取是圖像匹配技術(shù)的最重要組成部分，一幅圖像中可以檢測(cè)到多個(gè)關(guān)鍵點(diǎn)，我們需要消除一些不需要的點(diǎn)，保留特征性較強(qiáng)的點(diǎn)，用這些點(diǎn)來(lái)進(jìn)行圖像匹配。 Harris還展示了它在高效運(yùn)動(dòng)追蹤和由運(yùn)動(dòng)恢復(fù)進(jìn)行三維建模中的價(jià)值， Harris的角探測(cè)器自此在很多其他的圖像匹配工作中被廣泛的使用。這是特征可以在兩幅圖像之間進(jìn)行任意方向 上進(jìn)行匹配?；诨叶葓D像匹配算法是圖像配準(zhǔn)算法中比較經(jīng)典的一種，很多配準(zhǔn)技術(shù)都以它為基礎(chǔ)進(jìn)行延伸和擴(kuò)展。 SIFT算法目前在軍事、工業(yè)和民用方面都得到了不同程度的應(yīng)用，其應(yīng)用已經(jīng)滲透了很多領(lǐng)域 ，將會(huì)越來(lái)越受到人們的關(guān)注。目標(biāo)的識(shí)別是通過(guò)兩點(diǎn)集內(nèi)關(guān)鍵點(diǎn)描述子的比對(duì)來(lái)完成。測(cè)試特征點(diǎn)的提取與圖像之間的關(guān)系。 第二章： 圖像匹配介紹了圖像匹配的基本概念以及圖像匹配方法的分類。 因此，對(duì)現(xiàn)有匹配算法展開分析，這對(duì)于實(shí)際工程提高圖像處理質(zhì)量和識(shí)別精度具有非常重要的意義 圖像匹配技術(shù)概述 圖像匹配是 指 對(duì)取自不同時(shí)間，不同傳感器或不同視角的同一場(chǎng)景的兩幅圖像或者多幅圖像匹配的過(guò)程。圖像匹配時(shí)在來(lái)自不同時(shí)間或者不同視角的同一場(chǎng)景的兩幅或多幅圖像之間尋找對(duì)應(yīng)關(guān)系，該技術(shù)隸屬于計(jì)算機(jī)視覺領(lǐng)域。 但是匹配的總體思路描述為， 圖像輸入、圖像預(yù)處理、 提取匹配信息、圖像匹配、輸出結(jié)果 。 基于圖像特征的匹配方法 基于圖像特征的配準(zhǔn)方法是目前 應(yīng)用最廣泛的方法 。所以基于圖像 特征的匹配 越來(lái)越受到人么的重視，在實(shí)際生活中得到了廣泛應(yīng)用 。尺度越大圖像越模糊。先識(shí)別候選位置，然后在進(jìn)一步確認(rèn)的 層疊 過(guò)濾方法來(lái)探測(cè)關(guān)鍵點(diǎn)。 這些理論為提取圖像的多尺度特征奠定了理論基礎(chǔ)。另外， SIFT算法還具有多量性，即使是少數(shù)的幾個(gè)物體也可以產(chǎn)生大量 SIFT特征向量。 建立景物之間的對(duì)應(yīng)關(guān)系。對(duì)圖像進(jìn)行高斯平滑處理，使圖像更易于處理，準(zhǔn)確性更高。大尺度對(duì)應(yīng)于圖像的概貌特征，小尺度對(duì)應(yīng)于圖像的細(xì)節(jié)特征。圖像與圓形 方框模糊 做卷積將會(huì)生成更加精確的焦外成像效果。 圖 43 高斯模糊圖像對(duì)比（左圖為原圖像，右圖為模糊后的圖像） 高斯金字塔 高斯金字塔的構(gòu)建過(guò)程大致可分為兩步； （ 1）、對(duì)圖像做高斯平滑。 LOG算子真正具有尺度不變性。 圖 48 圖像極致點(diǎn)檢測(cè)結(jié)果 精確定位特征點(diǎn)的位置和所在的尺度 通過(guò)對(duì) DOG函數(shù)的極值點(diǎn)檢查，我們初步得到了 圖像的特征點(diǎn)集，但是由于 DOG函數(shù)對(duì)噪聲和邊緣較為敏感， 所以我們需要將得到的點(diǎn)集進(jìn)行進(jìn)一步處理才能得到精確的特征點(diǎn)集。 DoG函數(shù)的峰值點(diǎn)在橫跨邊緣的方向有較大的主曲率，而在垂直邊緣的方向有較小的主曲率。為了是特征點(diǎn)集具有旋轉(zhuǎn)不變形，我們需要利用關(guān)鍵點(diǎn)鄰域像素的梯度分布特性，為每個(gè)關(guān)鍵點(diǎn)指定參數(shù)方向。 關(guān)鍵點(diǎn)描述思路 描述的思路是首先對(duì)關(guān)鍵點(diǎn)周圍圖像區(qū)域進(jìn)行分塊處理，計(jì)算出每一塊的梯度直方圖。然后再在下一個(gè) 2X2的區(qū)域內(nèi)進(jìn)行直方圖統(tǒng)計(jì)，形成下一個(gè)種子點(diǎn)，共生成 16個(gè)種子點(diǎn)。 原圖像： 目標(biāo)圖像： 圖 415 匹配方式 圖 416 不同閾值對(duì)應(yīng)的匹配成功率 不同的閾值對(duì)應(yīng)的正確匹配與不正確匹配之間的比例關(guān)系如圖，在我們的實(shí)現(xiàn)算法中，取閾值為 ，當(dāng)大于此閾值就否定該匹配，這樣我們可以消除 90%的錯(cuò)誤匹配，而僅僅丟棄了 5%的正確匹配 [13]。 SIFT特征點(diǎn)集用帶箭頭的向量表示，箭頭的長(zhǎng)度代表該特征點(diǎn)所在的尺度，方向代表該特征點(diǎn)所在尺度下方向的梯度方向，箭頭的起點(diǎn)代表特征點(diǎn)的位置。 表 51 不同圖像的關(guān)鍵點(diǎn)檢測(cè)數(shù)據(jù) 圖像編號(hào) 實(shí)物名稱 特征點(diǎn)數(shù)目 （ a） 水杯 42 （ b） 盒子 1 158 （ c） 盒子 2 54 （ d） 牛奶 142 （ e） 糖果 183 （ f） 牙膏 208 特征匹配實(shí)驗(yàn)結(jié)果 根據(jù) SIFT算法的理論，我們可以得知 SIFT算法具有很好的穩(wěn)定性。 圖 53 亮度信息變化下的匹配結(jié)果 尺度變換的匹配 為了取得 SIFT算法在不同尺度下的匹配小姑，我們將進(jìn)行如下實(shí)驗(yàn)。 旋轉(zhuǎn)變換的匹配 為了得到 SIFT算在旋轉(zhuǎn)變換情況下的匹配效果，我們輸入一張如 圖 56所示圖片，將瓶子向分別向左右兩個(gè)方向旋轉(zhuǎn) 15176。 圖像匹配應(yīng)用 —— 物體識(shí)別 圖像匹配在 算法在現(xiàn)實(shí)生活中具有廣泛的應(yīng)用，在軍事目標(biāo)識(shí)別、工業(yè)和民用方面都有不同程度的應(yīng)用，其應(yīng)用已經(jīng)滲透到了很多領(lǐng)域，典型應(yīng)用比如：物體識(shí)別、機(jī)器人定位與導(dǎo)航、圖像拼接、三維建模、 物體 識(shí)別、視頻跟蹤、筆跡基于 sift 算法的圖像匹配方法 30 鑒定、指紋與人臉識(shí)別、犯罪現(xiàn)場(chǎng)特征提取等。 作為與目標(biāo)圖像匹配的依據(jù)。并把每個(gè)物體的關(guān)鍵點(diǎn)信息存入相對(duì)應(yīng)的數(shù)組中。我們輸入的圖像中并沒(méi)有牛奶和書。 程序?qū)崿F(xiàn)了預(yù)期功能，但也存在一些不足。在這里，我們?cè)O(shè)置一個(gè)識(shí)別門限，當(dāng)匹配上的關(guān)鍵點(diǎn)對(duì)數(shù)大于這個(gè)門限的時(shí)候我們?cè)佥敵鱿鄳?yīng)的結(jié)果，否則我們就判定這是一個(gè)錯(cuò)誤的識(shí)別。在結(jié)果中輸出該圖像中含有該物體，輸入圖像與庫(kù)中的每一組數(shù)組都沒(méi)有匹配成功，那么在最