1. 研究目的与意义（文献综述）
| 计算机视觉是通过外设获取图像并将其转换成数字信号，使用计算机模拟人类的视觉效果实现对视觉信息处理，最终模拟出人类对图像信息的识别和决策的过程。 图像匹配技术是计算机视觉中一项重要研究方向，并已经渗透入人们的工作生活中。例如：在日常生活中，拍摄全景图片，使用搜索引擎的搜图功能，无人驾驶技术；在工业自动化领域，图像匹配能够对生产出的产品进行监测，以提高产品质量和生产效率；在医疗领域，B超、CT等诊断方式的运用为医生和患者提供了便利；在遥感图像领域，能够获取全面信息，从而为天气预报、城市规划等提供信息。此外，图像匹配技术在军事、国防等诸多领域中也有着广泛的用途。 图像匹配最早由美国于上世纪七十年代提出，当时该技术主要用于军事领域，经过十年发展，逐步扩大到其他领域。图像匹配算法分为三类：（1）基于灰度的匹配算法；（2）基于特征的匹配算法；（3）基于解释的匹配算法。基于灰度的算法：1971年Leese提出了MAD算法；1972年Bernea提出了SSDA算法；基于傅立叶变换的Fourier-Mellin算法等。基于特征的匹配算法：Harris等人在1988年提出了角点特征提取算法，此算法对尺度旋转与灰度的变化有不变的特性；1997年Smith和Brady提出了SUSAN角点检测算法； 2004年，Lowe完善了SIFT（尺度不变特征转换）局部特征检测算法，使其成为图像匹配算法中最经典的算法之一。后续又有人基于SIFT算法提出了PCA-SIFT、SUFT、ASIFT等方法。国内对图像匹配算法的研究起步比较晚，但是也做出了一定的研究成果：陈白帆等提出了结合尺度空间理论的多尺度Harris算法；郑明玲等提出了一种自动提取特征点的并行算法，在保证精度的条件下提高了算法速度，但该算法抗噪性有待提高；管业鹏等提出了一种二维图像特征点快速提取方法，该算法抗干扰能力较强，且能适用外界光照条件的变化等；刘萍萍等提出了一种快速局部特征描述算法—规范化强度对比描述子。此外，还有一些基于边缘检测、小波变换、图像分割、投影特征及神经网络等方法的匹配算法，这些方法在特定类型的图像匹配中有较好的匹配结果，但由于这些算法通用性不强、匹配过程复杂等问题，没有得到很好的应用。 现阶段，由于图像匹配的复杂性和诸多其他因素的影响，当前的成果并不能完全解决存在的问题，微软、谷歌、阿里巴巴等国内外各大IT公司，都在对图像识别方面进行更深层次的研究。本课题主要对比图像匹配的主流算法，同时对各算法进行分析，从而为后续的研究做好铺垫。 |
2. 研究的基本内容与方案
| 图像匹配前，需要将图像进行预处理以消除无关信息，增强有关信息的可检测性，并且最大限度简化数据。一般的预处理主要包括图像亮度变化，图像均衡化等。图像匹配的三个要素分别为特征空间，相似性度量和搜索策略，其一般步骤如下图所示：
|
| （1）特征空间：特征空间是图像匹配的初始步骤，主要用来确定待匹配图像及参考图的构图结构，为后续对图像的匹配提供匹配素材。提取的图像特征可分为局部特征，全局特征等。 （2）相似性度量：相似性度量用来判断待匹配图像和参考图之间相似程度是否达到要求，是一种衡量两图像相关性的一个标准，通过选取不同相似性标准以达到不同的图像匹配效果。现有的主要相似度算法包括欧氏距离、曼哈顿距离、切比雪夫距离等。 （3）搜索策略：搜索策略涉及到匹配算法的匹配速度和匹配效率。由于相似性度量和参考图特征之间的对应性的计算数据量很庞大，好的搜索策略有助于优化匹配过程。 |
图像匹配技术自上世纪提出以来发展迅猛，当前主流的使用的图像匹配算法各有其优缺点。在实际的应用中，我们一般根据需求来选择相对应的算法。本课题旨在研究若干个算法（例如：SIFT、SUFT、HOG、ORB等）在图像的多种不同状况（例如：缩放、旋转、变形、扭曲、翻转等）下进行图像匹配时，匹配精度、实时性以及鲁棒性等方面的对比。
3. 研究计划与安排
| 第1周－第3周：搜集资料，撰写开题报告； 第4周－第5周：论文开题； 第6周－第12周：撰写论文初稿； 第13周－第16周：完成并修改毕业论文； 第17周：论文答辩。 |
4. 参考文献（12篇以上）
| [1]缪源. 图像匹配算法的研究[D].合肥工业大学,2013. [2]陈智. 图像匹配技术研究[D].华中师范大学,2006. [3]殷伶. 图像匹配技术的研究[D].西安电子科技大学,2010. [4]谢正. 基于特征点的快速图像匹配算法研究[D].国防科学技术大学,2011. [5]白廷柱,侯喜报. 基于SIFT算子的图像匹配算法研究[J]. 北京理工大学学报,2013,06:622-627. [6]詹曙,王少武,蒋建国. 基于尺度限制SURF的图像配准[J]. 电子测量与仪器学报,2013,10:963-967. [7]贾世杰,王鹏翔,姜海洋,等. 基于SIFT的图像匹配算法[J]. 大连交通大学学报,2010,04:17-21. [8]杨世沛,陈杰,周莉,等. 一种基于SIFT的图像特征匹配方法[J]. 电子测量技术,2014,06:50-53. [9]索春宝,杨东清,刘云鹏. 多种角度比较SIFT、SURF、BRISK、ORB、FREAK算法[J]. 北京测绘,2014,04:23-26. [10]李宏荣,李晓明. 基于SIFT,PCA-SIFT和SURF特征检测方法的研究[J]. 太原师范学院学报(自然科学版),2012,03:74-76. [11]杨晓敏,吴炜,卿粼波,等. 图像特征点提取及匹配技术[J]. 光学精密工程,2009,09:2276-2282. [12]王志瑞,闫彩良. 图像特征提取方法的综述[J]. 吉首大学学报(自然科学版),2011,05:43-47. [13]侯晓丽. 基于局部特征的图像匹配算法研究[D].西安电子科技大学,2014. [14]ShungangHua,Guopeng Chen,Honglei Wei,et al. Similarity measure for image resizingusing SIFT feature[J]. EURASIP Journal on Image and VideoProcessing,2012,2012(1):1-11. [15]YingZheng,Da-Hui Li,Ce Han. Video Image Tracing Based on Improved SIFT FeatureMatching Algorithm[J]. Journal of Multimedia,2014,9(1):130-137. [16]YanweiPang,Wei Li,Yuan Yuan,et al. Fully affine invariant SURF for imagematching[J]. Neurocomputing,2012,85:6-10. |
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
