基于快速视网膜关键点算法改进的图像匹配方法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (19): 208-212.

基于快速视网膜关键点算法改进的图像匹配方法

付偲1，2，邓丽1，2，卢根1，2，费敏锐1，2

1.上海大学机电工程与自动化学院，上海 200072
2.上海市电站自动化技术重点实验室，上海 200072

出版日期:2016-10-01 发布日期:2016-11-18

Improved image matching based on fast retina keypoint algorithm

FU Cai1，2, DENG Li1，2, LU Gen1，2, FEI Minrui1，2

1.School of Mechatronical Engineering and Automation, Shanghai University, Shanghai 200072, China
2.Shanghai Key Laboratory of Power Station Automation Technology, Shanghai 200072, China

Online:2016-10-01 Published:2016-11-18

摘要/Abstract

摘要： 传统的仿射尺度不变特征（ASIFT）算法通过模拟仿射变化图像实现完全仿射不变性，但是由于尺度不变特征（SIFT）算法本身的低效造成ASIFT的过程非常耗时，为了实现更为高效的图像匹配，引入快速视网膜关键点（FREAK）算法到ASIFT仿射模型中，并基于Lanczos-4插值进行改进。在匹配过程中基于HAMMING距离实现暴力匹配，并结合随机样本一致性（RANSAC）算法改进对匹配点对的提纯，得到了新的AFREAK算法。该算法既能实现完全仿射不变性，又能实现低耗时和低内存占用。实验结果表明，提出的AFREAK算法处理速度上快于ASIFT近2~3倍，并且可以得到与之相似的匹配效果。

关键词: 尺度不变特征（SIFT）, 仿射尺度不变特征（ASIFT）, 快速视网膜关键点算法（FREAK）, 仿射不变, 图像匹配

Abstract: Conventional Affine Scale Invariant Features（ASIFT） algorithm implements full affine invariance by simulating image with affine transformation. To solve the problem of time-consuming implements caused by low efficiency of SIFT algorithm and implement more efficient image matching, Fast Retina Keypoint（FREAK） is introduced to the affine model of ASIFT with improvements based on Lanczos-4 interpolation. With the implementation of Brute Force feature matching based on HAMMING distance and improvement of matching points pairs filtration combined with Random Sample Consensus（RANSAC）, the new algorithm AFREAK is obtained, which implements full affine invariance with low consuming and memory usage. Experimental results show that the speed of proposed algorithm is almost 2 to 3 times faster than the original ASIFT algorithm with the similar matching effect.

Key words: Scale Invariant Features（SIFT）, Affine Scale Invariant Features（ASIFT）, Fast Retina Keypoint（FREAK）, affine invariance, image matching

付偲1，2，邓丽1，2，卢根1，2，费敏锐1，2. 基于快速视网膜关键点算法改进的图像匹配方法[J]. 计算机工程与应用, 2016, 52(19): 208-212.

FU Cai1，2, DENG Li1，2, LU Gen1，2, FEI Minrui1，2. Improved image matching based on fast retina keypoint algorithm[J]. Computer Engineering and Applications, 2016, 52(19): 208-212.

[1]	张晓闻，任勇峰. 结合稀疏表示与拓扑相似性的图像匹配算法[J]. 计算机工程与应用, 2021, 57(8): 198-203.
[2]	卫保国，张玉兰，周佳明. 图像匹配中的特征点筛选方法[J]. 计算机工程与应用, 2021, 57(3): 208-214.
[3]	蔡秀梅，卞静伟，吴成茂，王妍. 基于LBP的鲁棒特征提取与匹配方法研究[J]. 计算机工程与应用, 2021, 57(16): 228-236.
[4]	魏玮，张芯月，朱叶. 改进的SIFT结合余弦相似度的人脸匹配算法[J]. 计算机工程与应用, 2020, 56(6): 207-212.
[5]	李佳芮，黄斯翀，徐修贤，康希睿，汪沛. 融合边缘信息和扩展邻域的异源图像匹配[J]. 计算机工程与应用, 2019, 55(14): 182-190.
[6]	宋博1，姜万里2，孙涛1，熊正强1，芮华建1. 快速特征提取与感知哈希结合的图像配准算法[J]. 计算机工程与应用, 2018, 54(7): 206-212.
[7]	李和阳，孙云莲，黄雅鑫，黎圣旻，余军伟. 基于图像匹配的变压器套管工况识别方法研究[J]. 计算机工程与应用, 2018, 54(5): 211-216.
[8]	孙福盛，韩燮，丁江华，刘涛. LYTRO相机光场图像深度估计算法及重建的研究[J]. 计算机工程与应用, 2018, 54(13): 175-180.
[9]	王其浩1，2，王斌1，2. 用于图像购物搜索的局部匹配算法[J]. 计算机工程与应用, 2017, 53(6): 246-251.
[10]	刘畅1，唐加山2. 基于全局颜色传递的SIFT匹配算法[J]. 计算机工程与应用, 2017, 53(21): 157-161.
[11]	曹林，周汐. 结合SIFT特征的人脸验证[J]. 计算机工程与应用, 2016, 52(8): 180-185.
[12]	徐天阳，吴小俊. 基于Gabor变换的快速跟踪算法[J]. 计算机工程与应用, 2016, 52(6): 134-138.
[13]	兰红，王秋丽. 基于聚类和马氏距离的多角度SURF图像匹配算法[J]. 计算机工程与应用, 2016, 52(21): 211-217.
[14]	王宪保，潘海飞，章国琼，何文秀，姚明海. 一种快速的加权矢量图像匹配方法[J]. 计算机工程与应用, 2016, 52(16): 137-141.
[15]	董晓庆，陈洪财. 光照变化环境下的SIFT改进算法[J]. 计算机工程与应用, 2016, 52(15): 222-227.