基于matlab的图像识别与匹配.docx

基于matlab的图像识别与匹配.docx

《基于matlab的图像识别与匹配.docx》由会员分享，可在线阅读，更多相关《基于matlab的图像识别与匹配.docx（10页珍藏版）》请在冰点文库上搜索。

基于matlab的图像识别与匹配

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。

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（SpeededUpRobustFeatures,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。

3.2SIFT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。

3.3SIFT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声非常敏感的不稳定边缘极值点，所以要对极值点做精炼处理。

低对比度点是指给定阈值大于响应值的点；不稳定边缘点即为大曲率的边缘点。

通过Taylor展开式计算特征点的偏移量获得亚像素定位精度，并利用Hessian矩阵剔除边缘的不稳定点。

图1是对包装袋检测出来的特征点，本图找到1129个特征点。

图1包装袋的特征点

3.3.2关键点的主方向的确定

经过上述步骤，余下的点即为关键点。

给每个关键点添加一个方向来保证关键点描述子的旋转不变性。

需将关键点邻域像素的梯度分布特性以及邻域像素的高斯权重考虑进来，从而确定该关键点的主方向。

3.3.3关键点描述子的生成

先将坐标轴旋转到关键点的主方向，再取以关键点为中心的

的邻域窗口，并计算该区域内所有像素点的梯度模值和梯度方向，最终形成128维的关键点描述子。

下图2为经过特征描述后的特征点。

图2特征描述后的特征点

3.3.4特征描述子之间的匹配

当参考图与待配准图像生成SIFT特征向量后，用欧式距离的方法进行特征向量间的匹配，用该距离的最小值作为是否匹配成功的依据。

为了能够使特征点进行匹配，一般采用最近邻法。

最邻近法的目的是寻求两个匹配点的描述子向量之间欧式距离最短的点。

最近邻法即是通过设置一个安全门限的方法来剔除无匹配点。

3.4对包装袋上的数字进行识别与匹配

3.4.1识别与匹配步骤

1选取图像

我们选取一个包装袋作为匹配素材，如图3。

然后我们假设要检测数字5，那么先从图中提取出来数字5，如图4。

图3包装袋图4数字5

2识别与匹配

为了找到包装袋上对应的数字5，分别对两幅图像进行特征提取，得到相应的特征点后，进行特征匹配。

得到的匹配点和识别结果分别如图5和6

5两图对应匹配点

图6识别结果

由上图可见，提取出来的数字5能够通过计算识别出包装袋上的数字5，实验结果匹配成功。

3.4.2一般性验证

上述实验不具有一般性，为了能够验证实验结果，这里再做两次实验：

（1）选取数字9来进行识别与匹配

数字9识别与匹配结果如图7。

从图中我们可以看到。

有两条线匹配错误，但是大部分匹配位置还是数字9附近，所以我们还是可以认为识别数字9成功。

图6数字9识别与匹配结果

这里如果加入极限约束限制，可以剔除这两条误匹配线，使实验结果更加精确。

加入极限约束后的结果如图8。

图8进行极限约束后的识别与匹配结果

（2）包装袋旋转后用数字9进行识别与匹配

图9包装袋旋转后的识别与匹配结果

不失一般性，我们把包装袋进行旋转处理后，用数字9与其进行识别与匹配，仿真结果如上图9所示。

4实验结论

通过上述三次仿真实验，我们可以得出：

本实验对包装袋上的数字进行识别并匹配，包装袋上数字的改变和包装袋的旋转都不影响识别结果。

因此本实验成功完成了图像中数字的识别与匹配的任务。

5参考文献

[1]李云霞,曾毅,钟瑞艳,郭涛.基于SIFT特征匹配的图像拼接算法[J].计算机技术与发展.2009（01）

[2]刘立,彭复员,赵坤,万亚平.采用简化SIFT算法实现快速图像匹配[J].红外与激光工程.2008（01）

[3]骞森,朱剑英.基于改进的SIFT特征的图像双向匹配算法[J].机械科学与技术.2007（09）

[4]冈萨雷斯.数字图像处理[M].3版.北京:

电子工业出版社,2011.199-201