看論文《特征匹配算法研究及其在目標(biāo)跟蹤上的應(yīng)用》，感謝！
https://blog.csdn.net/qq_17109251/article/details/82722466 感謝！

特征匹配算法

目前 SIFT 算法和 ORB 算法獲得了研究者的青睞，但是因?yàn)?SIFT 算法是對(duì)圖像進(jìn)行全局的特征點(diǎn)檢測(cè)耗時(shí)較長(zhǎng)，造成算法的運(yùn)行速度慢，達(dá)不到令人滿意的匹配效果，難于應(yīng)用到目標(biāo)的實(shí)時(shí)跟蹤。

ORB 算法的運(yùn)行速度較快，但是因?yàn)槠涿枋鲎硬痪哂谐叨炔蛔冃?#xff0c;所以匹配效果不理想。

圖像匹配一般分為三個(gè)模塊：
1）特征空間。某一類特征提取的一個(gè)空間。
2）相似性度量。相似性是衡量圖像之間的一種相似程度，這種相似程度有很多的表示方法。目前，在匹配算法中較為常見(jiàn)的相似性度量準(zhǔn)則有相位相關(guān)、Hausdorff 距離函數(shù)、歐式距離判別方法、歸一化積相關(guān)等。
3）搜索策略。搜索策略是在特征空間中，對(duì)待匹配特征點(diǎn)尋找與其相似特征點(diǎn)的方法。根據(jù)不同的標(biāo)準(zhǔn)，可以將圖像匹配方法進(jìn)行不同的分類。

目前比較常用的分類：基于灰度的匹配方法和基于特征的匹配方法。
1）前者一般具有實(shí)現(xiàn)簡(jiǎn)單的優(yōu)點(diǎn)，比較常見(jiàn)的應(yīng)用場(chǎng)合是對(duì)于一些簡(jiǎn)單的剛體匹配和圖像仿射變化的匹配，該方法能實(shí)現(xiàn)較好的匹配效果，例如：序貫相似性檢測(cè)法。在實(shí)際應(yīng)用中，可能會(huì)出現(xiàn)非剛體運(yùn)動(dòng)形變、外界環(huán)境的干擾等影響，所以基于灰度的匹配方法不能滿足這些情況下的匹配需要。
2）特征匹配相比于灰度匹配，在匹配過(guò)程中需要對(duì)圖像進(jìn)行特征的提取，根據(jù)特征點(diǎn)進(jìn)行匹配的速度高，更重要的是基于特征點(diǎn)的匹配其匹配精度較高。目前適應(yīng)性更廣泛且匹配性能較好的匹配算法多是采用基于特征匹配的方法。很多經(jīng)典的算法如：SIFT 算法，SURF 算法，PCA-SIFT 算法，Moravec 算法，以及 Susan 算法等。目前，尺度不變特征變換(SIFT)，是性能較好的算法之一。該算法的主要步驟是：構(gòu)造尺度空間，尋找極值點(diǎn)并從中確定關(guān)鍵點(diǎn)，對(duì)關(guān)鍵點(diǎn)周圍區(qū)域梯度進(jìn)行計(jì)算生成 SIFT 描述子，通過(guò)相似性準(zhǔn)則進(jìn)行特征的匹配，該算法對(duì)于多數(shù)復(fù)雜情況的匹配，也表現(xiàn)出較好的魯棒性。當(dāng)然
任何算法都不可能是完全沒(méi)有缺陷的，好的匹配效果可能需要更多地復(fù)雜計(jì)算才能獲得，該算法存在的問(wèn)題就是復(fù)雜度較高。這種高復(fù)雜度的計(jì)算換來(lái)高魯棒性的匹配效果，同時(shí)產(chǎn)生了算法運(yùn)行時(shí)間耗時(shí)較長(zhǎng)的問(wèn)題，無(wú)論是在特征點(diǎn)的檢測(cè)上，還是在最后進(jìn)行特征匹配時(shí)都具有很大的影響。之后，H.Bay 等人提出了加速魯棒特征(Speeded Up Robust Features，SURF)算法。SURF 算法匹配效果接近 SIFT。該算法采用了對(duì) Harr 求導(dǎo)，使得算法運(yùn)行速度基本能達(dá)到實(shí)時(shí)處理。但由于 SURF 特征向量是高維向量，其計(jì)算量大、匹配正確率低。ORB 算法由 OpenCV 維護(hù)和開(kāi)發(fā)的公司 Willowgarage 提出，ORB 采用的是FAST 特征檢測(cè)方法，所以匹配速度較快。文獻(xiàn)利用最小亮度變化(Minimum Intensity
Change，MIC)角點(diǎn)檢測(cè)算子提取邊緣角點(diǎn)，該算法有一定的穩(wěn)定性和有效性。BRISK 算法是 2011 年由 S.Leutenegger 和 M.Chli 提出的，采用多尺度角點(diǎn)檢測(cè)算法，具有尺度不變性和旋轉(zhuǎn)不變性。近年來(lái)國(guó)內(nèi)外很多研究學(xué)者針對(duì)特征匹配意圖降低其時(shí)間復(fù)雜度，如PCA-SIFT 算法，其思想是用主元分析法代替 SIFT 算法中直方圖方法，提高算法運(yùn)行的速度。文獻(xiàn)采用了多個(gè)描述符進(jìn)行圖像匹配和分類。但是，這些方法在描述符融合時(shí)使用固定的權(quán)重，并且忽略了圖像轉(zhuǎn)換到另一幅圖像，同一特征點(diǎn)的最優(yōu)描述符是不相同的。為了解決上述問(wèn)題，文獻(xiàn)]采用自適應(yīng)特征融合的算法，在判別能力的基礎(chǔ)上，
提出一種局部變化的數(shù)據(jù)項(xiàng)，將多個(gè)模型合并。

總結(jié)

以上是生活随笔為你收集整理的特征匹配算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。