【正文】 程序?qū)崿F(xiàn)了預(yù)期功能，但也存在一些不足。 圖 520 經(jīng)過改進(jìn)后的程序輸出結(jié)果 經(jīng)過修正后的程序大大提高了識別的精度和準(zhǔn)確度，過濾掉了大部分的錯(cuò)誤識別。在經(jīng)過反復(fù)的測試后，在這里我們將門限取 5，只有當(dāng)匹配上的關(guān)鍵點(diǎn)數(shù)大于 5對的時(shí)候我們才認(rèn)為該圖像與庫中的圖像匹配成功，并在最后的結(jié)果中輸出。在這里，我們設(shè)置一個(gè)識別門限，當(dāng)匹配上的關(guān)鍵點(diǎn)對數(shù)大于這個(gè)門限的時(shí)候我們再輸出相應(yīng)的結(jié)果，否則我們就判定這是一個(gè)錯(cuò)誤的識別。我們輸入的圖像中并沒有牛奶和書。 （ a）輸入圖像與庫中的盒子匹配結(jié)果 基于 sift 算法的圖像匹配方法 33 (b)輸入圖像與庫中牙膏匹配結(jié)果 圖 513 輸入圖像與庫中數(shù)據(jù)匹配結(jié)果（左圖為輸入圖像，右圖為庫中的圖像） 圖 514 圖像識別輸出結(jié)果 圖 515 輸入圖像與數(shù)據(jù)庫中的圖像匹配結(jié)果 基于 sift 算法的圖像匹配方法 34 圖 516 圖像匹配輸出結(jié)果 在圖像匹配過程中，有時(shí)候會出現(xiàn)錯(cuò)誤匹配，如 圖 517，我們輸入一張含有庫中牙膏和盒子的圖像，然后與數(shù)據(jù)庫進(jìn)行比較。我們現(xiàn)在只需輸入一張圖片，將圖像與數(shù)據(jù)庫進(jìn)行匹配。在結(jié)果中輸出該圖像中含有該物體，輸入圖像與庫中的每一組數(shù)組都沒有匹配成功，那么在最后的結(jié)果中我們就認(rèn)為該圖像不含有庫中的物體。并把每個(gè)物體的關(guān)鍵點(diǎn)信息存入相對應(yīng)的數(shù)組中。通過對數(shù)據(jù)進(jìn)行處理發(fā)現(xiàn)，圖像庫越多，建立數(shù)據(jù)庫用時(shí)就越長，圖像數(shù)目與建基于 sift 算法的圖像匹配方法 32 立數(shù)據(jù)庫用時(shí)成正比關(guān)系，我們用軟件擬合可以得到擬合函數(shù) y = + ,X為圖像數(shù)目， Y為建立數(shù)據(jù)庫所用時(shí)間。 因?yàn)槊看窝h(huán)都要調(diào)用 SIFT特征點(diǎn)提取，所以耗時(shí)較長，我們分別對 9個(gè)物體的數(shù)據(jù)庫建立時(shí)間做了統(tǒng)計(jì)，統(tǒng)計(jì)數(shù)據(jù)如 表 54。 圖 59 建立物體庫 匹配成功 全 部 匹配失敗 建立一個(gè)圖像庫（ 1， 2,3…n） 對圖像庫中的圖像提取 SIFT 特征，產(chǎn)生特征關(guān)鍵點(diǎn)數(shù)據(jù)庫（ 1,2,3…n） 輸入圖像 提取出圖像關(guān)鍵點(diǎn) 將輸入圖像關(guān)鍵點(diǎn)與數(shù)據(jù)庫中的關(guān)鍵點(diǎn)一一匹配 輸出沒有找到相關(guān)匹配 輸出該圖像中含有 N 對應(yīng)的物體 基于 sift 算法的圖像匹配方法 31 圖 510 物體庫產(chǎn)生的特征點(diǎn)集 通過對每副圖像處理后，我們得到了一個(gè)數(shù)據(jù)庫。 作為與目標(biāo)圖像匹配的依據(jù)。 N代表的是第幾張圖，關(guān)鍵點(diǎn)信息存到相應(yīng)的數(shù)組中。然后通過函數(shù)提取出每個(gè)物體的特征點(diǎn)集。 本文提出一種物體識別的思路，其流程如圖 58： 圖 58 物體識別基本流程 通過物體識別，我們就能找出圖像中與庫中相同的物體，雖然本文做的比較簡單，但是若加以改進(jìn)，必定有很廣泛的應(yīng)用。 圖像匹配應(yīng)用 —— 物體識別 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：物體識別、機(jī)器人定位與導(dǎo)航、圖像拼接、三維建模、 物體 識別、視頻跟蹤、筆跡基于 sift 算法的圖像匹配方法 30 鑒定、指紋與人臉識別、犯罪現(xiàn)場特征提取等。而且匹配過程中還會遇到錯(cuò)誤的匹配。 基于 sift 算法的圖像匹配方法 28 圖 56 輸入 的 原始圖像 經(jīng)過 SIFT算法后，我們得到原始圖像和旋轉(zhuǎn)后圖像的特征點(diǎn)，然后進(jìn)行一一匹配，得到匹配效果如 圖 57： （ a）向右旋轉(zhuǎn) 15 度 匹配效果 （ b） 向右旋轉(zhuǎn) 30 度匹配效果 基于 sift 算法的圖像匹配方法 29 （ c）向左旋轉(zhuǎn) 15 度匹配效果 （ d）向左旋轉(zhuǎn) 30 度匹配效果 圖 57 旋轉(zhuǎn)匹配效果 表 53 旋轉(zhuǎn)變化下的關(guān)鍵點(diǎn)匹配數(shù)據(jù) 圖像對 旋轉(zhuǎn)角度 特征點(diǎn)數(shù)目 與原圖像匹配成功點(diǎn)數(shù)目 圖 0 306 0 圖 （ a） 向右 15 度 220 31 圖 (b) 向右 30 度 172 30 圖 (c) 向左 15 度 291 42 圖 (d) 向左 30 度 198 23 通過對實(shí)驗(yàn)結(jié)果 圖 57的分析和對數(shù)據(jù)的統(tǒng)計(jì) 表 53分析我們可以發(fā)現(xiàn)，雖然該算法在理論上具有很好的旋轉(zhuǎn)不變性，但是實(shí)驗(yàn)效果不是很好。得到四張旋轉(zhuǎn)后的圖片，然后將這些圖片分別與原圖進(jìn)行匹配，得到匹配對數(shù)。 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。在第一組數(shù)據(jù)中，匹配上的關(guān)鍵點(diǎn)數(shù)比小尺度的關(guān)鍵點(diǎn)還要多。在匹配的過程中，匹配率相對較高，能得到多對匹配點(diǎn)。 （ a） （ b） 基于 sift 算法的圖像匹配方法 26 (c) (d) (e) (f) 圖 54 物體在不同尺度下的圖像 分別將各個(gè)圖片進(jìn)行處理，提取出 SIFT關(guān)鍵點(diǎn)集，然后進(jìn)行逐一匹配。 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)。 基于 sift 算法的圖像匹配方法 25 （ a） 高亮度圖像 (b)低亮度圖像 圖 52 輸入亮度信息不同的圖像 圖像（ a）產(chǎn)生 121個(gè)關(guān)鍵點(diǎn)，圖像（ b）產(chǎn)生了 117個(gè)關(guān)鍵點(diǎn)，將兩幅圖像的關(guān)鍵點(diǎn)進(jìn)行匹配，的到了 64個(gè)匹配點(diǎn)，匹配成功點(diǎn)用藍(lán)色的線連接起來。我們進(jìn)行如下實(shí)驗(yàn)： 如圖 52，我們分別輸入兩張亮度信息不同的圖像（ a） ,（ b），他們中都含有相同的元素。所以我們將分別對亮度、尺度、和旋轉(zhuǎn)對匹配效果的影響分別展開研究實(shí)驗(yàn)。 表 51 不同圖像的關(guān)鍵點(diǎn)檢測數(shù)據(jù) 圖像編號 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。反之，若物體表面較為光滑，沒有 圖片和幾何圖形時(shí)，我們得到的特征點(diǎn)數(shù)目非常少。而與物體表 面 的紋理具有正相關(guān)的關(guān)系。 SIFT 特征提取實(shí)驗(yàn)結(jié)果 SIFT算法的核心是特征點(diǎn)的提取，首先我們將圖像轉(zhuǎn)化為灰度圖像，讓后提取出特征點(diǎn)，實(shí)驗(yàn)結(jié)果 如 圖 51。 SIFT特征點(diǎn)集用帶箭頭的向量表示，箭頭的長度代表該特征點(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。 本章內(nèi)容是 本課題 的核心內(nèi)容，也是 SIFT算法的核心思想。 本章小結(jié) ijipRS Th r e s h o ld?實(shí) 時(shí) 圖 中 距 離 最 近 的 點(diǎn) 實(shí) 時(shí) 圖 中 距 離 的 次 最 近 點(diǎn) 基于 sift 算法的圖像匹配方法 22 本章詳細(xì)介紹了 SIFT算法的實(shí)現(xiàn)過程，對 SIFT算法的理論知識做了充分的闡述。常用的去外點(diǎn)的方法是 RANSAC隨機(jī)抽樣一致性算法。 原圖像： 目標(biāo)圖像： 圖 415 匹配方式 圖 416 不同閾值對應(yīng)的匹配成功率 不同的閾值對應(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]。否則匹配不成功。? c o s s i n? s i n c o sxxyy?????? ? ? ? ? ???? ? ? ? ? ?? ? ? ? ? ?? ?? ? ? ? ? ? ? ?22, e x p 1 1 12kk r c owxyw e ig h t g r a d I x y d d d? ??? ?? ? ? ? ? ? ? ? ?????? ?1 2 1 2 8, , ,W w w w?? ?1 2 1 2 8, , ,L l l l?1281/j j iil w w?? ? 1, 2 , 1 2 8j ?基于 sift 算法的圖像匹配方法 21 下一步我們將采用關(guān)鍵點(diǎn)特征向量的歐式距離來作為兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量 。對于圖像灰度值整體漂移 ，圖像各點(diǎn)的梯度是鄰域像素相減得到，所以也能去除。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)。 （ 2） 將坐標(biāo)移至關(guān)鍵點(diǎn)主方向 圖 414 確定關(guān)鍵點(diǎn)主方向 ? ?3 2 1 12o c tdr a d iu s ? ? ? ? ??xyxy基于 sift 算法的圖像匹配方法 20 那么旋轉(zhuǎn)角度后的新坐標(biāo)為： （ 417） （ 3） 在圖像半徑區(qū)域內(nèi)對每個(gè)像素點(diǎn)求其梯度幅值和方向，然后對每個(gè)梯度幅值乘以高斯權(quán)重參數(shù)，生成方向直方圖。 圖 413 SIFT描述子事例 關(guān)鍵點(diǎn)描述步驟 （ 1）確定計(jì)算描述子所需的圖像區(qū)域 描述子梯度方向直方圖由關(guān)鍵點(diǎn)所在尺度的模糊圖像計(jì)算產(chǎn)生。并具有唯一性。 關(guān)鍵點(diǎn)描述思路 描述的思路是首先對關(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?；?sift 算法的圖像匹配方法 19 我們需要將這些信息用一組向量描述出來，這個(gè)描述子不僅包括關(guān)鍵點(diǎn)，也包括了關(guān)鍵點(diǎn)鄰域內(nèi)對其有貢獻(xiàn)的像素點(diǎn)。 圖 411 確定主方向 在梯度方向直方圖中，當(dāng)存在另一個(gè)相當(dāng)于主峰值 80%能量的峰值時(shí)，則認(rèn)為這個(gè)方向是該特征點(diǎn)的輔方向，一個(gè)特征點(diǎn)可能會被指定具有多個(gè)方向（一個(gè)主方向，一個(gè)輔方向），大約有 15%的點(diǎn)有多個(gè)方向，但是這些輔助方向?qū)ζヅ涞姆€(wěn)定性起了很重要的作用，增強(qiáng)了匹配的魯棒性。梯度直方圖的范圍是 0360度，其中每 10度 用 一個(gè)柱 表示 ，總共 36個(gè)柱，柱所代表的方向?yàn)橄袼攸c(diǎn)梯度方向，柱的長短代表了梯度幅值。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。 基于 sift 算法的圖像匹配方法 17 圖 410 去除邊緣點(diǎn)之后的結(jié)果 確定特征點(diǎn)的主方向 通過 DOG函數(shù)，對特征點(diǎn)進(jìn)行修正后得到的特征點(diǎn)集，具有縮放不變的性質(zhì)。這里我們讓 r值取 10。假設(shè) ? 較大的特征值，而 ? 是較小的特征值，令 ?? r? ,則 ? ?? ? ? ? ?