【正文】 學號： 2020551307 姓名： 譚文雙 專業(yè)： 計算機科學與技術(shù) 指導教師： 李志清 系主任： 文中華 一、主要內(nèi)容及基本要求 該畢業(yè)論文題目是基于 SIFT 特征的圖像匹配，要求該學生重點掌握算法的詳細實現(xiàn)步驟，對算法有深刻的理解，并在此基礎(chǔ)上，用編程語言實現(xiàn)該匹配算法。 學生應該達到的技術(shù)指標是對算法深刻理解的基礎(chǔ)上，編程實現(xiàn)該算法，然后通過實驗數(shù)據(jù)分析該算法的實用性，優(yōu)越性以及存在的缺陷；圖表數(shù)量不應少于 30 個；論文的質(zhì)量應該嚴格達到規(guī) 定的標準，內(nèi)容豐富充實，格式應嚴格按照規(guī)定，字數(shù)不得少于 8000 字。 三、進度安排 序號 各階段完成的內(nèi)容 完成時間 1 查閱資料、調(diào)研 2020 年 3 月 1 日 2020 年 3 月 15 日 2 開題報告、制訂設(shè)計方案 2020 年 3 月 15 日 2020 年 4 月 15 日 3 實驗（設(shè)計） 2020 年 4 月 15 日 2020 年 5 月 1 日 4 分析、調(diào)試等 2020 年 5 月 1 日 2020 年 5 月 10 日 5 寫出初稿 2020 年 5 月 10 日 2020 年 5 月 20 日 6 修改，寫出第二稿 2020 年 5 月 20 日 2020 年 5 月 23 日 7 寫出正式稿 2020 年 5 月 23 日 2020 年 5 月 25 日 8 答辯 2020 年 5 月 28 日 四、應收集的資料及主要參考文獻 [1] Lowe, . Local feature view clustering for 3D object recognition[J]. IEEE Conference on Computer Vision and Pattern : 682–688. [2] D. Lowe. Distinctive image features from scale invariant keypoints[J]. IJCV, (2): 91110. [3] David G. Lowe. Object Recognition from Local ScaleInvariant Features[J]. the International Conference on Computer :120 [4] 岡薩雷斯 .數(shù)字圖像處理（第二版） [M]. 電子工業(yè)出版社 . [5] 楊枝靈 . 王開 . Visual C++數(shù)字圖像獲取、處理及實踐應 用 [M]. 人民郵電出版社 , [6] 田巖 .柳斌 .基于特征塔集的遙感圖像融合方法 [J].華中科技大學學報 , 2020,33(7) : 14 16 [7] 沈振康 . 孫仲廉 . 數(shù)字圖像處理及應用 [M]. 北京：國防工業(yè)出版社 . [8] 鄭南寧 . 計算機視覺與模式識別 [M].北京：清華大學出版社 . [9] 邊肈祺 . 張長水 , 張學工 . 模式識別 [M]. 北京：清華大學出版社 , [10] 王軍 . 張明柱 . 圖像匹配算法的研究進展 [J].大氣與環(huán)境光學學報 ,2020,2(3):1115 湘 潭 大 學 畢業(yè)論文（設(shè)計）評閱表 學號 2020551307 姓名 譚文雙 專業(yè) 計算機科學與技術(shù) 畢業(yè)論文（設(shè)計）題目： 基于 SIFT 特征的圖像匹配 評價項目 評 價 內(nèi) 容 選題 ，體現(xiàn)學科、專業(yè)特點和教學計劃的基本要求，達到綜合訓練的目的； 、份量是否適當； 與生產(chǎn)、科研、 社會 等實際 相 結(jié)合 。 論文 （設(shè)計）質(zhì)量 ，論述是否充分，結(jié)構(gòu)是否嚴謹合理；實驗是否正確，設(shè)計、計算、分析處理是否科學；技術(shù)用語是否準確，符號是否統(tǒng)一，圖表圖紙是否完備、整潔、正確，引文是否規(guī)范； ，有無觀點提煉，綜合概括能力如何； ，有無創(chuàng)新之處。 選題難度適中，符合培養(yǎng)目標，體現(xiàn)學科性質(zhì)，達到了教學計劃的基本要求，與社會實踐相結(jié)合；論文質(zhì)量較高，論述充分，算法掌握深入，語言規(guī)范準確，格式符合規(guī)定，圖表完備整潔，引文規(guī)范，文字通順；該生具備研究方案的設(shè)計能力和手段的運用能力，具備一定的外文與計算機應用能力、查閱文獻能力、經(jīng)濟分析能力和綜合運用知識的能力。最后得出結(jié)論：基于 SIFT 特征點的圖像匹配算法對圖 像 旋轉(zhuǎn) 變換 ，尺度縮放 變換和 亮度變換保持不變，對視角變換，仿射變換保持一定程度 的穩(wěn)定。 圖像匹配部分 采用歐式 距離匹配方法，首先提取目標圖像和待 匹配圖像的所有特征點，在目標圖中的任何一個特征點，去待匹配圖像中找到 與該特征 點歐式距離最短的兩個特征點，當這兩個距離之比小于某個 閾值 時，則接受該匹配，否 則就丟棄該匹配。特 征 提取 部分的代碼 是 在 Visual Studio2020 的控制臺中 通過 調(diào)用 OpenCV庫 實 現(xiàn)的，該代碼 生 成的可執(zhí)行 文件 即用來提取一幅圖像的 SIFT 特征 。 指導教師評語 該生態(tài)度非常認真，對待任務積極踴躍；專業(yè)知識牢固，學習刻苦努力，理論知識扎實，對 SIFT 算法的理解掌握深入，編程能力較好；求學態(tài)度謙虛謹慎，勇于求教他人，遇到問題積極主動思考，通過尋找各種途徑解決問題，并且具有一定的創(chuàng)新能力；具有較好的團隊精神，與同組組員關(guān)系融洽，樂于幫助有困難的同學。論文撰寫認真仔細，語言規(guī)范準確，格式符合規(guī)定，圖表完備整潔，引文規(guī)范，文字通順。 同意 該生 參加答辯，建議成績評定為 優(yōu)秀 。圖像匹配是圖像處理的一項關(guān)鍵技術(shù)，可以廣泛用于目標識別與跟蹤、立體視覺、變化檢測、車場車牌識別、人臉識別、機器人導航、測繪等領(lǐng)域。 SIFT 特征點是圖像的一種尺度不變局部特征點，具有獨特性好，信息量豐富，多量性，高速性，可擴展性等特點。實驗證明這種算法具有較強 的匹配能力和魯棒性，是一種較好的圖像匹配算法。 2 Image matching based on SIFT features Abstract: As the modern society has entered the information age, the capacity and the level of image information processing are rising, correspondingly arousing more attention, attracting more research and being used more widely, in the wake of the development of puter technology, munication technology and mathematics. Matching is a key imageprocessing technology, which can be widely used in target identification and tracking, stereoscopic vision, change detection, car license plate recognition, face recognition, robot navigation, mapping, and other fields. SIFT（ Scale Invariant Feature Transform） feature matching algorithm, proposed by Lowe, is a hot field of featurematching at present, which remains the same to image rotation, scale zoom and brightness transformations, and also maintains a certain degree of stability on the perspective transformation and affine transformation. SIFT feature points are scaleinvariant local points of an image, with the characteristics of good uniqueness, informative, large amounts, high speed, scalability, and so on. In this algorithm, at first method for generating image scale space is presented。 then vectors for describing key points based on the gradient magnitude and orientation of pixels neighboring to the key points are generated。 image matching。 scale invariance。人類 是 通過眼睛與大腦來獲取、處理與理解視覺信息的。視覺，不僅指對光信號的感受，還包括了對視覺信息的獲取、傳輸、處理、存儲與理解的全過程。對于人類來說，這種功能是與身俱來的，十分輕松的事情。一般的機器視覺系統(tǒng)都是在某一領(lǐng)域內(nèi)作用的，故待識別的目標是特定領(lǐng)域內(nèi)的，而且類型有限，于是可以作一個樣本庫容納可能出現(xiàn)的目標類型模板。 在另外一些場合下，需要對目標進行空間上的定位。據(jù) automated imaging sociation Machine Vision(自動化圖像協(xié)會 )1998 年統(tǒng)計，40%以上的計算機視覺的應用需要圖像匹配的技術(shù)支持。因此，做好對圖像匹配技術(shù)的深入研究，對推動現(xiàn)代信息處理領(lǐng)域的發(fā)展，是密切聯(lián)系的 。圖像匹配技術(shù)是現(xiàn)代遙感技術(shù)、微電子技術(shù)和精密檢測技術(shù)的綜合性產(chǎn)物，隨著可科學技術(shù)的迅猛發(fā)展，圖像匹配技術(shù)在近代信息處理，特別是在圖像信息處理領(lǐng)域中占據(jù)著越來越重要的地位。 目前，有關(guān)研究人員對圖像匹配技術(shù)進行了大量的研究，提出了很多匹配算法：有基于面積的方法，有基于比值的方法，有相位相關(guān)算法等等。隨著圖像技術(shù)和計算機技術(shù)的發(fā)展，出現(xiàn)了基于特征的圖像匹配技術(shù)。缺點是特征的檢測困難，算法穩(wěn)定性較差。 圖像匹配的方法有很多，一般分為兩大類 ： 一類是基于灰度匹配的方法，另一類是基于特征匹配的方法。這類方法能夠獲得較高的定位精度，但是它的運算大，難以達到實時性要求。第二類，基于特征匹配的方法，首先在原始圖中提取特征，然后再建立兩幅圖之間特征的匹配對應關(guān)系。目前主要有最小均方差匹配、 快速點匹配、 Hausdorff 點距離匹配， MSER 特征區(qū)域 匹配， SIFT 特征點匹配等算法。在非理想條件下的人臉識別性能明顯高于幾種發(fā)展的已經(jīng)比較成熟的經(jīng)典算法。 (3)信息檢索服務： SIFT 特征的提取具有獨特性好，多量性，信息量豐富，高速型等特點，是檢索海量圖像信息的理想方式。 (5)還應用與跟蹤匹配，全景拼圖 ，視頻檢索等應用領(lǐng)域。近年來受到各個領(lǐng)域的親賴，本文重點闡述了 SIFT 特征的提取過程，然后次要闡述了兩幅圖像間的特征匹配方法，最后通過實驗分析匹配的穩(wěn)定性和準確性。 本文分為 5 章，每章的安排如下： 第 1 章， 緒論部分，簡要