[发明专利]一种改进型SIFT图像特征匹配算法

权利要求书

1.一种改进型SIFT图像特征匹配算法，其特征在于，包括如下三大步骤：

一、尺度空间极值点检测；

二、特征描述符的生成；

三、建立K-d tree二叉平衡树，用BBF在K-d树搜索最近邻特征点，欧氏距离判别匹配的特征点对，欧氏距离匹配后进行二次匹配。

2.根据权利要求1所述的改进型SIFT图像特征匹配算法，其特征在于，所述尺度空间极值点检测，首先将尺度空间的结构设计为高斯金字塔和高斯残差金字塔两部分，选择高斯残差金字塔在尺度空间上的极值点为特征点。

3.根据权利要求1所述的改进型SIFT图像特征匹配算法，其特征在于，所述特征描述符的生成用圆来构造同心圆特征描述符，用特征点为中心向外扩散的同心圆代替原来的矩形区域。

4.根据权利要求3所述的改进型SIFT图像特征匹配算法，其特征在于，所述同心圆特征描述符的构造包括以下具体步骤：

①计算以特征点为中心、半径为16像素的邻域内的每个采样点的梯度；

②对于选定的特征点，以邻域中点为中心，提取4个同心圆环子区域，半径分别为2、4、6、8像素；

③在4个圆环区域内分别计算0^o至360^o均匀分布的12个方向上的梯度直方图  D=(d₁,d₂,d₃,…,d₁₂)；

④在每个同心圆环内分别计算12个方向的梯度累加值d，这样每个圆环就形成一个4*12=48维的种子点，即最终简化到的48维的特征描述符；

⑤从大到小对梯度累加值d排序，保证了图像任意旋转而排序值不会发生变化，查找最大的梯度方向统计量，如果该统计量元素位于12维向量的头部则最终特征向量为D=(d₁,d₂,d₃,d₄,d₅,d₆,d₇,d₈,d₉,d₁₀,d₁₁,d₁₂)，假设d₃是向量的最大元素，向左循环移动整个向量序列，直到最大的梯度方向统计量移动到向量的第一个元素，最终特征向量为D=( d₃,d₄,d₅,d₆,d₇,d₈,d₉,d₁₀,d₁₁,d₁₂, d₁,d₂)，从而实现旋转不变性；

⑥采用公式                                               ，将12个梯度方向归一化，减少光照变化影响。

5.根据权利要求1所述的改进型SIFT图像特征匹配算法，其特征在于，所述二次匹配的算法包括如下步骤：

①设X=(x₁,x₂,x₃,…,x_m) (m>=3)为基准图像特征点集，x_i (1<=i<=m)是X中的任意一特征点；y=(y₁,y₂,y₃,…,y_n)  (n>=3)为待配准图像特征点集，y_j (1<=j<=n)是Y中任意一特征点；

②设一阈值ratio，用于抛弃边界上的角点；

③x_i和y_j之间的距离用D(x_i,y_j)表示，y_j和x_i之间的距离用D(y_j,x_i)表示；

④当且仅当D(x_i,y_j)<D(x_i,y_j)(1<=r<=n)，且r!=j，并且D(y_j, x_i)<D(y_j , x_i )(1<=r<=m)，且r!=i成立，得出(x_i, y_j)是匹配点对。