一种基于Shi-Tomasi和改进LBP的特征匹配及目标定位快速算法

张 震, 张照崎, 朱留存, 刘济尘, 魏金占, 蔡旭航, 赵成龙

(1. 北部湾大学 先端科学技术研究院, 广西 钦州 535001；2. 大连理工大学-立命馆大学国际信息与软件学院, 辽宁 大连 116085；3. 吉林大学 软件学院, 长春 130012)

0 引 言

图像局部特征点在不同的拍摄场景下具有不变性, 广泛应用于目标定位与识别[1-3]、 同时定位及导航(simultaneous localization and mapping, SLAM)[4-5]、 图像配准与图像拼接[6-8]等领域. 这类方法首先利用灰度图像的一阶或二阶导数检测特征点； 然后根据特征点描述子之间的相似度寻找匹配点对； 最后通过特征匹配关系估计图像间的变换矩阵[8-9]. Harris等[10]提出了经典的Harris特征点检测算法; Shi等[11]对Harris算法进行了优化改进, 取得了更好的检测效果, 对图像旋转、 光线变化、 噪声和视点变换不敏感. 上述算法主要研究特征点检测, 并未关注描述子的定义和匹配问题. 之后, 能适应尺度变化的特征检测算法被相继提出, 较经典的是尺度不变特征变换(SIFT)算法[12]和SURF算法[13], SURF是SIFT的改进算法. 这类算法需要用Gauss差分算子或Laplace 算子构建尺度空间, 适应性更好, 但增加了计算复杂度, 实时性较差. SIFT算法[12]先将以特征点为中心的16×16邻域划分为4×4个子区域, 再针对每个子区域计算8个方向梯度, 最终得到的128维向量定义为描述子. SURF[13]则以特征点为中心取一个具方向的正方形邻域, 先将其划分为16个子区域, 再针对每个子区域计算4个Haar小波特征, 最终得到64维向量作为描述子. 上述两个描述子信息丰富, 但运算代价高、 占用内存大. Calonder等[14]提出了BRIEF描述子, 其占用内存……