SIFT算法概述 - 图文

图 5-9 车辆图片的 SIFT 特征匹

配

图 5-9 为 SIFT 特征区域的椭圆表示形式，图 5-10 为 SIFT 特征的箭头表示形式，箭头的起点代 表该关键点的位置，箭头的长度代表该关键点所处的尺度，箭头的方向代表该尺度下关键点所处邻 域的主梯度方向。

图 5-10 车辆图片的 SIFT 特征匹

配

可见，局部匹配能力较强的 SIFT 特征匹配算法也可以较好的适用于窄基线图像特征匹配的情况， SIFT 算子可以较稳健的对发生几何形变、退化、受噪声干扰的图像局部特征进行准确的匹配。而且 由于 SIFT 算法在计算关键点方向时充分利用了邻域信息，这样在一定程度上可以避免在小运动物体 上匹配特征点，因为小运动物体的邻域信息即使去除了尺度和旋转的因素后也仅是具备较少的梯度 方向相似性；同时 SIFT 算法在计算关键点处的梯度方向时使用了直方图统计和高斯加权的思想，这 就对存在定位偏差的特征点匹配提供了更好的适应性。

由于 SIFT 算法需要在各个尺度上进行计算，其时间复杂度相对较高，而且经 RANSAC 算法后 得到的有效匹配点数目往往不是很理想。如果在窄基线条件下应用 SIFT 算子进行特征匹配，考虑到

窄基线图像的自身特点，笔者建议仅选择相近的几个尺度进行计算，同时辅以图像的主运动信息和 有效的几何限制，加速 SIFT 算法的匹配过程、提高匹配点数量，同时更进一步的提高匹配算法的稳 健性，以更好的发挥 SIFT 算法的优势。

5.2.4 小结

本文作者设计拍摄了 20 种宽基线情况下有代表性的实验图片，这些图片在拍摄时相机光心位置 偏移较大，且均伴有 2～4 倍光学变焦操作，并选用不同的曝光参数(1/200 s ~1/300 s)或光圈大小(F2.8 ~ F5.6)以模拟亮度差异。选择合适的比例阈值（0.4~0.6 之间），在仅使用欧式距离进行SIFT特征向 量匹配的前提下，SIFT算法匹配的特征点有效率平均可以达到 80%左右；如果根据拍摄条件而选用 透视变换矩阵、基础矩阵等[24]对其进行几何约束，采用RANSAC算法[41]、Hough聚类法[54]进一步去 除错配，则SIFT算法可以达到更高的正确匹配率。

另外本文也做了窄基线图像的点特征匹配的实验，分析了 SIFT 算法的优势，并给出了窄基线条 件下应用 SIFT 算法进行特征匹配的建议。

在点特征匹配基础之上，可以进一步将SIFT算子应用于目标辨识、图像数据库检索等技术中

[22,23,53,55]

，其中Andrew Zisserman在ICCV2003 会议上介绍了使用SIFT思想的一个基于物体识别的

视 频搜索系统－Video Google[55]，成功的演示了海量视频数据库检索中的快速图像检索，这些都在预 示着基于不变量理论的特征匹配技术将拥有美好的发展前景和更加广阔的研究空间。

5.2.5 更多实验结果

可见 SIFT 算法几乎可以应用于较大视角变化下的图像特征点匹配。