基于matlab的图像识别与匹配
基于matlab的图像识别与匹配
摘 要
图像的识别与匹配是立体视觉的一个重要分支，该项技术被广泛应用在航空测绘，星球探测机器人导航以及三维重建等领域。
本文意在熟练运用图像的识别与匹配的方法，为此本文使用一个包装袋并对上面的数字进行识别与匹配。首先在包装袋上提取出来要用的数字，然后提取出该数字与包装袋上的特征点，用SIFT方法对两幅图进行识别与匹配，最终得到对应匹配数字的匹配点。仿真结果表明，该方法能够把给定数字与包装袋上的相同数字进行识别与匹配，得到了良好的实验结果，基本完成了识别与匹配的任务。
1 研究内容
图像识别中的模式识别是一种从大量信息和数据出发，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。
图形辨别是图像识别技术的一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别图形或者数字，通过特征点检测，精确定位特征点，通过将模板与图形或数字匹配，根据匹配结果进行辨别。
2 研究意义
数字图像处理在各个领域都有着非常重要的应用，随着数字时代的到来，视频领域的数字化也必将到来，视频图像处理技术也将会发生日新月异的变化。在多媒体技术的各个领域中，视频处理技术占有非常重要的地位，被广泛的使用于农业，智能交通，汽车电子，网络多媒体通信，实时监控系统等诸多方面。因此，现今对技术领域的研究已日趋活跃和繁荣。而图像识别也同样有着更重要的作用。
3 设计原理
3.1 算法选择
Harris 角点检测器对于图像尺度变化非常敏感，这在很大程度上限制了它的应用范围。对于仅存在平移、旋转以及很小尺度变换的图像，基于 Harris 特征点的方法都可以得到准确的配准结果，但是对于存在大尺度变换的图像，这一类方法将无法保证正确的配准和拼接。后来，研究人员相继提出了具有尺度不变性的特征点检测方法，具有仿射不变性的特征点检测方法，局部不变性的特征检测方法等大量的基于不变量技术的特征检测方法。
David.Lowe 于 2004年在上述算法的基础上，总结了现有的基于不变量技术的特征检测方法，正式提出了一种基于尺度空间的，对图像平移、旋转、缩放、甚至仿射变换保持不变性的图像局部特征，以及基于该特征的描述符。并将这种方法命名为尺度不变特征变换(Scale Invariant Feature Transform)，以下简称 SIFT 算法。SIFT 算法首先在尺度空间进行特征检测，并确定特征点的位置和特征点所处的尺度，然后使用特征点邻域梯度的主方向作为该特征点的方向特征，以实现算子对尺度和方向的无关性。利用 SIFT 算法从图像中提取出的特征可用于同一个物体或场景的可靠匹配，对图像尺度和旋转具有不变性，对光照变化、噪声以及仿射变换都具有很好的鲁棒性。此外，这种图像的局部特征有很高的独特性，因此可以以一个很高的概率正确匹配。
SIFT 算法具有以下特性：
a) SIFT特征是图像的局部特征，对平移、旋转、尺度变化均具有不变性，对光照变化、噪声、视角变化具有较强的鲁棒性。
b) 独特性(Distinctiveness)好，在特征匹配时可以以一个很高的概率正确匹配。
c) 数量多，即使很小的物体也可以产生大量SIFT特征点，这对于目标识别非常重要。
d) 可扩展性好，可以很容易的与其他形式的特征向量进行结合。
加速稳健特征(Speeded Up Robust Features, SURF)算法(简称surf算法)是尺度不变特征变换(SIFT)算法的加速版。
因本实验可能存在角度偏转情况，切被测对象比较简单，因此选择第二种方法：SIFT 算法。
3.2 SIFT特征匹配算法简介
SIFT算法的实质上是提取局部特征的算法，该算法在尺度空间寻找极值点，然后根据极值点来获得尺度、旋转不变量和位置等特征。SIFT算法思想是提取的稳定特征点向量之间的相似性度量问题，它由参考图和待匹配图间的像素点匹配问题转化而来。第一步是将在尺度空间上提取出原图像的特征点；第二步，对提取出的待匹配特征进行特征描述，最后匹配第一步生成的特征向量。
3.3 SIFT特征匹配算法的实现
3.3.1 特征点检测
这一步分两个阶段：第一阶段是初步定位特征点，即检测空间极值，初步确定特征点的位置和尺度；首先需要对输入图像进行高斯滤波，然后进行尺度变换，变换的主要思路是利用高斯核函数与不同尺度的原始图像进行卷积，由此可以获取图像在多尺度空间下的表示序列，然后对它们进行特征提取，用高斯算子与图像的卷积来表示图像的尺度空间。其次是构造高斯差分空间，Lowe提出SIFT算子，其主要思想即是用高斯差分函数提取图像稳定特征，该特征是利用相邻层的卷积结果作差获得的。
第二阶段是精确定位特征点，由于在第一阶段检测极值的过程中，会产生低对比度的极值点和对噪
6822
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
