基于图像匹配的目标定位技术研究

详细内容

1 引言
20世纪70年代，美国在其进行的飞行器辅助导航系统、武器投射系统的末制导等应用研究中首次提出图像匹配的概念。近几十年来，图像匹配一直是数字图像处理和计算机视觉领域备受关注的前沿方向和研究热点，它是在变换空间中寻找一种或多种变换，使来自不同时间、不同传感器或者不同视角的同一场景的两幅或多幅图像在空间上一致。随着科学技术的迅猛发展，图像匹配技术已逐步由原来的军事应用扩展到其它领域，它在遥感图像目标识别与分析、地图与地形匹配、自然资源分析、天气预报、环境研究、变迁检测、生理病变检测、文字与指纹识别等方面有重要的应用价值。
然而在实际应用中，图像匹配存在着一些难点，主要体现在以下三个方面：
（1）尺度大小。尺度大小不同是由于拍摄者对同一目标进行两次拍摄时，所处的位置与目标的距离不同所引起的。
（2）旋转。旋转是对同一目标进行不同角度拍摄造成的。
（3）光照。由于拍摄是处在不同的时间和空间条件下，光照条件的不同是图像匹配中必须考虑的因素之一。
本文针对上述难点，在分析基于特征点的图像匹配的算法的基础上，深入研究SIFT算法以求达到图像的最佳匹配效果，从而实现对目标的精确定位。

图1 算法流程图

2 图像匹配
图像匹配主要包括特征点提取和特征点匹配两个方面，基于图像特征点的匹配技术利用图像的内部特征进行匹配即在图像中选取表示某些特征的像素点、提取图像的特征点，利用这些特征点计算空间变换参数，实现图像配准。算法的流程图如图1所示。
2.1图像的特征点提取
根据提取特征的层次，将图像的特征点匹配技术分为三类：基于灰度的图像匹配、基于特征的图像匹配以及基于理解和解释的图像匹配。本论文重点研究基于特征的图像匹配。常见的点特征主要有Harris角点、SUSAN角点和SIFT特征点。这些特征点在计算机视觉、模式识别以及图像配准领域有着非常广泛的应用。通常，基于特征点的匹配方法可分为两类，一类是通过找到点与点之间的对应关系来实现匹配；另一类则无需建立明确的点-点对应关系，利用点的位置及其相互关系进行匹配。
2.1.1点匹配
点匹配是计算机视觉和数字图像处理的重要内容，长期以来一直是研究者关注的焦点，它在摄影测量与遥感、目标识别、资源分析、三维重建等众多领域应用广泛。由于天气、阳光、遮挡等外界因素的影响，以及传感器的成像特性和成像位置等传感器条件的变化都会使图像产生几何变形和灰度差异，给匹配工作带来了很大的困难。针对这些问题，国内外很多学者进行了大量的研究，致力于寻找一种可以抵抗各种不利因素的特征描述符。2004年，英属哥伦比亚大学(University of British Columbia)的Lowe提出了SIFT特征匹配法，该方法很好地解决了图像旋转、缩放、仿射变形等问题，对视点变化、噪声干扰、光照变化等也有很强的鲁棒性。本文拟在深入了解SIFT算法的基础上，实现目标的精准定位。
2.1.2利用点的位置及其相互关系进行匹配
由于遮挡、噪声、光照变化以及图像变形等各种因素的影响，使得待匹配图像和模板图像之间对应点集内的点数可能不相等，且不能一一对应，因此利用点的位置及其相互关系进行匹配的方法得到了广泛应用。Hausdorff距离就是这样一种模糊点集的匹配测度，它不需要建立点与点之间精确的对应关系，只需要计算两点集之间的最大距离，具有一定的抗局部非相似变形的能力。它只用到点或边缘信息，对光照不敏感，并且对特征提取产生的微小误差具有一定的容忍性。但是，当图像存在噪声污染、遮挡等情况时，Hausdorff距离很容易造成误匹配。
2.2图像的特征点匹配
目前，基于特征点的匹配策略主要有：互相关系数法、匹配点支持强度和明确度、虚拟三角形匹配、RANSAC策略。
互相关系数法是一种非常常用的匹配策略，它的操作比较简单，其原理来自统计数学里面的知识，通过相关计算，找到参考图像中的角点在待配准图像中可能有的对应的角点。匹配点支持强度和明确度策略是应用在已经经过一次互相关粗匹配的基础上的，该匹配方法是对候选匹配点的操作。基于虚拟三角形的匹配策略是基于两幅发生相似变换的图像中对应的两个三角形是相似的这一原理。下面重点介绍RANSAC策略。
RANSAC(Random Sample Consensus)方法是一种常用的模型估计方法，在计算机视觉中，它被广泛应用在相机标定中和特征提取。RANSAC算法的思想是：首先随机地选择两个点，由这两个点确定一条直线；在这条直线的一定距离范围内点的数目称作这条直线的支撑；如此随机地选择重复数次，具有最大支撑集的直线被确认为是样本点集的拟合。在拟合的误差距离范围内的点被认为是内点，它们构成所谓的一致集，反之则为外点。必须注意的是，过大的外点比例将导致RANSAC算法失效。在图像配准中借鉴RANSAC的思想：首先随机地选取3个匹配点对，并估算模型参数，由得到的模型参数计算其它匹配点的误差，当误差小于给定的阈值时，则说明该匹配点支持当前的模型参数，如果在候选匹配点中大于2/3的匹配点支持当前模型参数，则认为选择的3对匹配点对是合理的，然后通过所有支持参数的匹配点重新计算模型参数作为最后的模型参数，否则需要另外再随机选择3对匹配点估计模型参数，重复前面的步骤。

图2 实验结果

3 利用SIFT算法对图像进行匹配
在实际应用中，图像匹配的难点主要体现在尺度大小、旋转、光照这三个方面。SIFT特征是图像的局部特征，它对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；多量性，即使少数的几个物体也可以产生大量SIFT特征向量；高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；可扩展性，可以很方便的与其他形式的特征向量进行联合。
SIFT特征匹配算法主要有以下3步组成：
①DOG特征点提取；
②生成SIFT特征描述子；
③利用特征描述子的相似性实现特征点的匹配。
其中第1步包括构建高斯平滑图像金字塔、生成DOG图像金字塔、特征点提取并精确定位其位置和尺度三个组成部分。在进行匹配时，SIFT特征匹配算法采用特征描述子的欧氏距离作为两幅图像中特征点的相似性度量。待匹配的两幅图像分别记为图像1和图像2，取图像1中的某个特征点，在图像2中找出与其欧氏距离最近的前两个特征点，在这两个特征点中，如果最近距离除以次近距离小于某个阈值，则接受这一对匹配点，否则舍弃该特征点。遍历图像1中的所有特征点，就可以找出所有的匹配点对。改变阈值的大小可以调节匹配点的数量，降低阈值，SIFT匹配点数目会减少，但更加稳定。利用欧氏距离作相似性度量得到的初始匹配对存在一些错误匹配，因此需要根据几何限制和其它附加约束消除错误匹配点，提高鲁棒性。随机抽样一致性算法(Random Sample Consensus，RANSAC)可以很好地剔除错误匹配点，但所得的匹配点数量往往较少，因此有时采用几何约束剔除错误匹配点。

4 实验结果
本文在Windows XP的环境下使用Matlab7.0来实现整个实验过程。如图2所示，运行本文所叙述的SIFT程序，得到图2所示的实验结果。
如图所示，上面为基准图像，下面为待匹配图像。图中连线的两端是两幅图像中对应的匹配点。实验结果表明，SIFT算法通过完成抗比例、抗旋转、抗光照，实现目标的精确匹配，进而做到目标的精准定位。
5 结论
通过原理分析和实验验证，用SIFT算法实现对目标图像的精确匹配以及精准定位。使用SIFT算法实现图像配准具有对比例变化，旋转、光照以及视角变化的稳定性。SIFT特征是图像的局部特征，信息量丰富，适合应用于目标定位领域。

作者简介
张鹏（1988-）男 在读研究生，研究方向为信号与信息处理。

参考文献
[1]章毓晋．图象处理和分析[M]．北京：清华大学出版社，1999（2）．
[2]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（2）．
[3]张书霞，左海平．SIFT特征匹配算法研究[J]．图形图像，2010（7）．