具有局部自适应阈值的SIFT快速图像匹配算法.pdf

第 39 卷 第 2 期2024 年 2 月Vol.39 No.2Feb.2024液晶与显示Chinese Journal of Liquid Crystals and Displays具有局部自适应阈值的 SIFT快速图像匹配算法汪崟1*，蒋峥1，刘斌2（1.武汉科技大学 信息科学与工程学院，湖北 武汉 430080；2.武汉科技大学 冶金自动化与检测技术教育部工程研究中心，湖北 武汉 430080）摘要：针对传统 SIFT 匹配算法复杂、特征冗余点多、难以满足实时性等问题，本文提出了一种具有局部自适应阈值的SIFT 快速图像匹配算法。首先，所提方法在 SIFT 算法的基础上，对构建的高斯金字塔进行了优化，通过减少金字塔层数来消除冗余特征点以提高检测效率，并根据图像局部对比度来自适应提取 FAST 算法中的阈值从而实现高质量的特征点检测，筛选出鲁棒性较强的特征点进行更准确的匹配；其次，采用高斯圆形窗口建立 32维降维特征向量，提高算法运行效率；最后，根据匹配特征点对之间的几何一致性对特征点进行提纯，有效减少误匹配。实验结果表明，本文方法在匹配精度和运算效率方面的综合表现均优于 SIFT 算法及其他对比匹配算法，相比传统的 SIFT 算法，匹配精度提高了约 10%，算法运行时间缩短了约 49%。在图像发生尺度、旋转以及光照变化的情况下，正确匹配率在 93%以上。关键词：SIFT算法；高斯金字塔；自适应阈值；特征描述符；图像匹配中图分类号：TP391 文献标识码：A doi：10.37188/CJLCD.2023-0085SIFT fast image matching algorithm with local adaptive thresholdWANG Yin1*，JIANG Zheng1，LIU Bin2（1.College of Information Science and Engineering，Wuhan University of Science and Technology，Wuhan 430080，China；2.Engineering Research Center for Metallurgical Automation and Measurement Technology of Ministry of Education，Wuhan University of Science and Technology，Wuhan 430080，China）Abstract：Aiming at the problems of complex traditional SIFT matching algorithm，many feature redundancy points，and difficulty in meeting real-time performance，this paper proposes a SIFT fast image matching algorithm with local adaptive threshold.Based on the SIFT algorithm，the proposed method optimizes the construction of Gaussian pyramids，eliminates redundant feature points by reducing the number of pyramid layers to improve the detection efficiency.The threshold in the FAST algorithm is extracted according to the local contrast of the image，so as to achieve high-quality feature point detection.The feature points with strong robustness are screened out for more accurate matching.Secondly，a Gaussian circular window is used to establish a 32-dimensional dimensionality reduction feature vector to improve the operation efficiency of the algorithm.Finally，the feature points are purified according to the geometric consistency between the matching feature point pairs，which effectively reduces the false matching.The experimental 文章编号：1007-2780（2024）02-0228-09收稿日期：2023-03-02；修订日期：2023-04-02.基金项目：国家自然科学基金（No.61902286）Supported by National Natural Science Foundation of China（No.61902286）*通信联系人，E-mail：第 2 期汪崟，等：具有局部自适应阈值的 SIFT快速图像匹配算法results show that the comprehensive performance of the proposed method in terms of matching accuracy and computational efficiency is better than that of SIFT algorithm and other comparative matching algorithms，and the matching accuracy is improved by about 10%and the algorithm execution time is shortened by about 49%compared with the traditional SIFT algorithm.The correct matching rate is above 93%in the case of image scale，rotation and lighting change.Key words：SIFT algorithm；Gaussian pyramid；adaptive thresholds；feature descriptor；image matching1 引言图像匹配，也称图像配准或响应，旨在从两个或多个图像中识别并对应相同或相似的结构、内容1。近年来，随着研究的不断深入，图像匹配技术被广泛应用于位姿估计2、医学图像配准3、3D 重建4、人脸识别5-6等诸多领域。一般情况下，图像匹配过程会受到尺度、视角、照明等因素的影响7。如何快速且准确地对图像进行匹配已逐渐成为图像匹配的一个重要研究热点。在图像匹配过程中，特征提取是最重要的一环。传统图像特征提取算法能够解决某些特定场景、可人工定义和设计的图像任务。由于该方法在特定场景中具有较好的效果、更强的可解释性和更好的性能，因此仍然具有广泛的应用价值。文献 8 提出的具有尺度变换特征不变性的SIFT（Scale Invariant Features）算法属于经典的传统算法，被广泛运用于图像配准领域9-10。传统 SIFT 算法具有较好的鲁棒性，但是由于其特征描述符是高维的向量，并且利用欧氏距离度量其特征向量之间的相似性，对计算效率和存储性能有很高要求。为了实现快速且准确的图像配准，研究人员提出了诸多改进。文献 11 提出了SURF（Speeded Up Robust Features）算法。该方法利用积分图像和盒式滤波器构建金字塔，避免了 SIFT 的降采样过程，提高了算法的运算速度，但是其对旋转变化敏感。文献 12 提出的 ORB（Oriented FAST and Rotated BRIEF）算法解决了旋转不变性问题，但是其特征描述符的区分性弱，匹配效果一般。文献 13 提出了局部保持匹配方法，通过引入变换向量间的距离比值和角度乘积，构成新的距离损失度量函数进行阈值比较。该方法提高了SIFT算法的匹配精度，但是计算量很大。文献 14 将几何代数理论引入传统 SURF框架，计算基于几何代数理论的 Hessian 矩阵定位兴趣点，并在几何代数空间中进行描述，有效提升了算法速度。文献 15 提出的 FAST（Features from Accelerated Segment Test）算法大幅降低了运算时间，能够达到接近实时的运算效率，但是对尺度、旋转等变化很敏感。为了提高复杂场景中合成孔径雷达图像的配准精度，文献 16利用 FAST 算法进行检测，能检测到足够数量且稳定性和重复性好的角点，但是在光照变化明显的情况下容易造成误匹配。文献 17 提出了一种SIFT与 Canny边缘检测相结合的图像匹配方法。首先通过 SIFT检测候选关键点，然后利用 Canny算法去除作为错误候选点的边缘点，最后将快速最近邻算法应用于高维空间中的匹配点搜索。尽管该算法能够有效提高图像特征提取的精度和实时性，但是对于光照复杂、边缘模糊的场景效果不佳。针对已有算法在尺度、旋转以及光照变化方面的诸多问题，为使不同场景下算法同时具备高精度和高速度，本文在SIFT算法的基础上进行了如下改进：（1）对构建的高斯金字塔进行优化，通过缩减金字塔层数降低耗时的高斯模糊和降采样次数；（2）在多尺度空间中，提出局部自适应阈值的 FAST-SIFT 方法在所有尺度上进行特征点检测，提取出鲁棒性更强的特征点；（3）设计了一种新的特征描述符，对原算法中的高维度描述符进行降维，并在特征匹配环节采用 RANSAC 算法剔除误匹配。实验结果表明，本文提出的方法可以缩短特征点检测的运行时间且在复杂场景下的图像匹配中具备更高的准确性和鲁棒性。2 SIFT算法SIFT 算法是一种基于图像尺度空间的局部特征描述子，它在多尺度空间下搜索特征点，通过计算其梯度信息和方向进行描述、匹配的算法。229第 39 卷液晶与显示主要步骤如下：（1）尺度空间极值检测。SIFT 通过在图像高斯尺度空间的差异进行局部极值检测，如图 1所示。图像的尺度空间L(x，y，)可定义为原始图像I(x，y)与 一 个 可 变 尺 度 的 二 维 高 斯 函 数G(x，y，)进行卷积运算的结果，其数学形式如式（1）所示：L(x，y，)=G(x，y，)I(x，y)，（1）其中：表示尺度空间因子，也叫模糊系数，值越大图像越模糊；G是尺度可变高斯函数。进一步将高斯金字塔中相邻尺度的高斯图像做差得到高斯差分金字塔，其数学形式如式（3）所示：D()x，y，=(G()x，y，k-)G()x，y，I()x，y=L()x，y，k-L()x，y，（2）其中：D(x，y，)是高斯差分金字塔；k为尺度。将差分金字塔中的每个像素与其同尺度的8个邻域点以及上下相邻尺度各 9个邻域点进行比较，判断是否为极值点。（2）特征点精确定位。通过上述步骤检测到的极值点是离散空间的极值点，并不是所求特征点，故需要进一步精确定位关键点的位置和尺度。（3）特征点主方向确定。为了使生成的描述符具备旋转不变性，通过计算特征点的幅角和幅值的方式来给每个特征点分配一个主方向。对特征点所在的邻域窗口内，计算每个像素点的幅值m(x，y)和幅角(x，y)，公式如式（3）、式（4）所示：m(x，y)=()()L()x+1，y-L()x-1，y2+)()L()x，y+1-L()x，y-1212，（3）()x，y=arctanL()x，y+1-L()x，y-1L()x+1，y-L()x-1，y.（4）（4）特征点描述。计算关键点邻域的4 4个子区间内的8个方向上每个方向的梯度累计值，最后生成4 4 8=128维的特征向量。3 局部自适应阈值的 SIFT算法本文所提出的算法流程图如图 2所示。本文将从尺度空间构建、关键点检测、特征描述向量生成以及图像匹配 4 个方面详细介绍所提出的算法。3.1高斯金字塔层数选择SIFT算法尺度空间通过高斯金字塔来实现。在构建高斯金字塔时，需要对原图像不断进行下采样和高斯模糊，金字塔层数过多会导致图像的特征信息丢失，造成尺度不变性冗余，加大了后续特征点检测的时间损耗。为了验证高斯金字塔的尺度冗余性，从 UAV Image Mosaicking数据集中随机采样 3 组图像进行实验，实验图尺寸为512767。高斯金字塔层数计算公式如式（5）所示：O=lbmin()M，N-3，（5）图 1差分金字塔的构建Fig.1Construction of a differential pyramid图A图BFAST-SIFT特征点检测FAST-SIFT特征点检测32维特征向量32维特征向量基于欧式距离初筛RANSAC算法提纯构建缩减尺度空间圆形窗口描述圆形窗口描述图A特征点集图B特征点集图 2所提方法流程图Fig.2Flowchart of the proposed method230第 2 期汪崟，等：具有局部自适应阈值的 SIFT快速图像匹配算法其中，M 和 N 分别是图像的行、列数。经计算，采集的图像集可构建O=6层高斯金字塔，对每一层的特征点检测与耗时情况进行统计，结果如表1所示。从表 1 可知，随着层数的不断增高，在第 5、6层时，提取到的特征点匹配对占比增量逐渐减小，而时间耗损一直存在。因此，通过缩减 SIFT 算子的尺度空间，即对高斯金字塔层数减少12层，可以显著缩短特征检测耗时，同时保证检测到的特征点不会大量丢失。3.2局部自适应阈值的FAST-SIFT特征点检测在构建更高效的尺度空间后，需要进行特征点检测。FAST 算法通过以待检测点为圆心的周围邻域内的像素点判断检测点是否为角点，判断依据为一个固定的阈值。然而单一阈值方法在光照变换明显等复杂环境下很难保证图像中提取到的特征点的质量和数量，不利于后续算法的处理。因此，本文提出一种带有局部自适应阈值的FAST-SIFT 特征点检测方法。该方法通过计算待检测点邻域内像素的对比度来定义该区域的阈值，利用自适应阈值的 FAST 算法在 SIFT 尺度空间中进行特征检测，使提取到的特征点不仅具备尺度不变性和方向性，且能够在光照变化明显的环境下实现有效的特征点检测。所提出的局部自适应阈值TA定义为：TA=Iaver2P(Ii，Ij)，（6）其中：Ii是模板内像素的灰度；Ij是模板内以Ii为中心的 4 邻域内像素灰度；=|Ii-Ij|，即模板内某一像素与其 4邻域内像素间的灰度差；Iaver为模板内像素灰度平均值；P(Ii，Ij)为相邻像素间灰度差为的概率分布，则该模板区域对比度计算公式为C=2P(Ii，Ij)；为比例系数，代表阈值TA与图像局部对比度的关系，经实验得出为3 4时，提取出的特征点数量更均衡。图 3 给出了光照明暗差异较大的场景图，分别采用固定阈值和自适应阈值的 FAST 算法进行特征点检测。由结果可知，采用固定阈值提取表 1不同层 SIFT匹配结果Tab.1SIFT matching results for different layers图组123参数匹配点数/对特征提取耗时/s匹配点数/对特征提取耗时/s匹配点数/对特征提取耗时/sLayer13512.863122.672892.36Layer24684.064413.923983.25Layer34984.264794.054463.41Layer 45154.395094.164953.52Layer 55174.495134.275033.59Layer 65194.435164.515043.76图 3改进FAST对比实验。（a）固定阈值（耗时t=4.5 s）；（b）自适应阈值（=2.5，耗时 t=3.8 s）；（c）自适应阈值（=3.5，耗时 t=1.6 s）；（d）自适应阈值（=4.5，耗时 t=0.9 s）。Fig.3Improved FAST comparison experiment.（a）Fixed threshold（time consumption t=4.5 s）；（b）Adaptive threshold（=2.5，time consuming t=3.8 s）；（c）Adaptive threshold（=3.5，time consuming t=1.6 s）；（d）Adaptive threshold（=4.5，time consuming t=0.9 s）.231第 39 卷液晶与显示出的特征点数量较多，产生了特征点冗余、堆积现象，对算法性能影响很大；相比之下，通过局部自适应阈值的方法提取出的特征点分布更均匀，更具有可区分性，对算法运行效率有很大的提升。所提出局部自适应阈值的 FAST-SIFT 特征点提取详细步骤如下：Step 1 在构建尺度空间后，采用局部自适应阈值的 FAST 算法在每个尺度进行特征点检测，将检测到的特征点作为初始特征点；Step 2 在高斯差分金字塔中，对上一步筛选出的初始特征点与其 8 邻域以及上、下尺度的 18个点进行极值比较，以确保初始特征点为极大值或极小值；Step 3 若初始特征点满足上述条件，则将其认定为最终的特征点，否则，在以该初始特征点为中心的 8邻域范围内搜索距离中心最近的极值点作为特征点，以此来保证特征点的数量；Step 4 对提取出的特征点用 SIFT 描述符进行描述，生成相应特征向量。3.3特征向量降维通过上述方法提取特征点后，需要对特征点所包含信息进行描述。SIFT 算法采取特征点邻域 1616的方形区域生成 128维特征描述符，会造成区域误差，同时高维度的特征向量在进行匹配时，需要的计算量很大，会严重影响匹配速度。为解决此问题，考虑圆形具有旋转不变性，本文采用圆形窗口来生成特征描述符，在充分保留特征信息的同时，无需确定特征点的主方向。描述符设计如图 4所示，主要步骤如下：Step 1 在特征点周围 2020 的邻域内，以特征点为中心，取半径为 10的圆形区域。Step 2 将圆形区域由内至外划分为 4个圆环子区域，由于特征点周围的像素离特征点越近，对特征点描述符的影响也越大，故每个圆环子区域的步长分别取 4，3，2，1。Step 3 根据式（3）、（4）统计每个圆环区域内像素点 8个方向上的梯度直方图。Step 4 对于每个圆环区域的像素点，根据计算出的每个像素点的幅角值确定其在 8个方向的哪一个区间内，每个区间角度划分为 045，根据每个像素点所处位置，再利用高斯窗口进行加权处理，将不同像素点幅值进行累加，加权系数计算公式如式（7）所示：Wx，y=sre-()()x-x02+()y-y022()1.52，（7）其中：(x，y)和(x0，y0)为所求像素点和中心像素点在待描述区域的坐标位置，为所在尺度，s为所求像素点坐标所在圆环位置步长，r为所求像素点坐标所在圆环半径。通过考虑所求像素点所在区域圆环的步长s与半径r的比值，描述了该点所在圆环区域相对中心特征点区域的位置，进一步细化不同位置像素点对中心特征点的影响权重。Step 5 通过上述步骤，最终得到4 8=32维的特征描述符。为了减小由于光照变化对匹配效果的影响，需要采用归一化对特征向量进行处理，得到最后的特征描述符向量进行匹配。3.4特征点匹配本文通过计算特征向量之间最近绝对值距离与次近绝对值距离的比值作为匹配依据，即遍历计算出待匹配图像中每个特征点描述符与参考图像中所有特征描述符的欧式距离，找到与某一特征点距离最近和次近的特征点。当最近距离值与次近距离值之比小于阈值时，则定义为正确的匹配点对。为了进一步提高匹配准确度并去除误匹配，本文采用RANSAC算法对特征点进行提纯。4 实验结果与分析实验硬件平台为 Intel Core i5-10500H 处理器，2.50 GHz主频，16 GB内存，RTX 2060显卡，Windows操作系统。利用 Matlab2020a的平台进行仿真实验。实验使用的数据集分别为：（1）Hpatches数据集18。该数据集包含多组图 4改进的描述符Fig.4Improved descriptor232第 2 期汪崟，等：具有局部自适应阈值的 SIFT快速图像匹配算法亮度变化对比图和视点变化对比图，用于测试算法在亮度变化和视点变化情况下的匹配性能。（2）牛津大学 Mikolajczyk数据集19。该数据集包含多组旋转、尺度变化对比图，用于测试算法在旋转、尺度变化情况下的匹配性能。4.1描述符降维有效性分析为了验证本文设计的降维方法在提升匹配效率的同时能否保证匹配准确率，实验对比了传统 SIFT 算法、PCA-SIFT20算法以及传统 SIFT算法结合本文降维法的匹配性能。从 Hpatches数据集中选取 8组图像对进行实验，结果如图 5、图 6所示。图 5显示的是 3种算法对图像进行特征点检测所需时间的对比。可以看出，SIFT 算法的执行时间最长，PCA-SIFT 次之，本文采用圆形窗口进行特征点描述，生成 32 维特征向量，算法执行时间明显优于另外两种算法。图 6的柱状图显示了 3种对比算法对图像进行特征点匹配后得到的匹配准确率。由图6可知，SIFT 算法的匹配准确率最低，在第 5、7组匹配率只有约60%；PCA-SIFT通过主成分分析法在4组数据图上实现的降维特征描述更具鉴别力，所以表现较好，但该方法通过将特征描述符投影到较低维的子空间降低特征描述符的维数，可能会导致一些原始信息的丢失，所以在剩下几组数据图上，本文降维方法表现效果更好。由图 5、6 可知，结合本文降维方法的 SIFT算法在执行时间和匹配准确率上均优于传统的SIFT算法。与 PCA-SIFT相比，虽然本文方法只有 4 组数据在匹配准确率上占优势，但是在执行时间上均优于 PCA-SIFT算法。总体上本文所设计的降维方法更具优势，在提升匹配效率的同时能保证匹配准确率。4.2算法性能比较结果分析为了验证本文提出的具有局部自适应阈值的SIFT 算法的性能，从两种数据集中选取 8组图像进行实验，对比 SIFT8、ORB12、GA-SURF14、Canny-SIFT17以及 Pyramid-ORB21算法。图 7给出了部分用于测试的图像，其中一组各算法的匹配结果如图 8所示。进一步统计各类算法的匹配准确率和耗时性，结果如图 9所示。由图 9可知，在具有光照、视点以及旋转和尺度变换的图像匹配中，ORB算法的匹配准确率最低，Pyramid-ORB 算法次之，Canny-SIFT 算法略12345678Diagram group50556065707580859095100Accuracy/%SIFTPCA-SIFT32-SIFT图 6各算法的特征点匹配准确率Fig.6Feature point matching accuracy of each algorithm图 7部分用于测试的图像对。（a）光照变化；（b）视点变化；（c）旋转、尺度变化。Fig.7Part of the image pairs used for test.（a）Lighting transformation；（b）Viewpoint transformation；（c）Rotation and scale transformation.12345678Diagram group012345678910Time/sSIFTPCA-SIFT32-SIFT图 5各算法的执行时间对比Fig.5Comparison of the execution time of each algorithm233第 39 卷液晶与显示优于传统 SIFT 算法和 GA-SURF 算法。本文方法通过自适应阈值 FAST 算法在多尺度空间下提取更稳定的特征点，对待匹配图片的旋转、尺度以及光照变换具有较强鲁棒性，在匹配准确率方面效果显著，优于其他几种算法。在匹配耗时方面，SIFT 算法消耗的时间最多；Canny-SIFT算法通过从候选点中筛选出错误的边缘点，减少了匹配点对，匹配耗时比传统 SIFT 少；Pyramid-ORB 算法通过构建高斯金字塔来克服旋转和尺度变化，算法耗时高于 ORB 算法。本文方法通过采用圆形窗口将 SIFT 特征描述符降到 32 维，极大提升了特征点匹配效率，匹配耗时略少于ORB算法，但明显优于其他 4种算法。4.3算法稳定性分析4.3.1尺度、旋转不变性对比为了检验本文方法对图像旋转和尺度变换时的匹配准确率，从 Hpatches数据集中选取待检测图，将图像尺度缩放 1.5 倍并顺时针旋转 30，如图 10所示。表 2 统计了各算法在图像发生旋转、尺度变换情况下的匹配耗时和准确率。从表 2 可知，在图像发生旋转和尺度变换时，本文方法提取到的特征点具有很好的稳定性，依然能保持较高的匹配准确率。为了进一步对本文方法的旋转性进行验证，对不同旋转角度下各算法的匹配情况进图 8各算法匹配结果Fig.8Matching results of each algorithm12345678组数5060708090100(a)(b)匹配准确率/%SIFTORBGA-SIFTCanny-SIFTPyramid-ORBOur method12345678组数012345678910执行时间/sSIFTORBGA-SIFTCanny-SIFTPyramid-ORBOur method图 9算法匹配性能分析。（a）各算法匹配准确率；（b）各算法执行时间。Fig.9Algorithm matching performance analysis.（a）Matching accuracy of each algorithm；（b）Execution time of each algorithm.图 10用于尺度、旋转不变性测试的图像对。Fig.10Image pairs for scale，rotational invariance test.234第 2 期汪崟，等：具有局部自适应阈值的 SIFT快速图像匹配算法行了记录。由图 11可知，随着旋转角度的不断增大，本文方法依然具有较强的稳健性，算法的匹配准确率保持在 91%以上。4.3.2亮度变换对比光照强度变化在实际情况中比较普遍，是影响图像匹配的重要因素之一。为了验证本文方法在图像光照强度变换情况下的匹配性能，进一步通过手动设置实验图由暗到亮进行对比实验，结果如图 12所示，可以看出本文方法对光照变换具有良好的鲁棒性，正确匹配率均在 93%以上。5 结论针对 SIFT 算法的计算复杂性高、存在误匹配点的问题，本文在传统 SIFT 算法基础上提出了一种具有局部自适应阈值的 SIFT 快速图像匹配算法。在 SIFT 尺度空间理论基础上，通过缩减高斯金字塔层数消除算子的尺度不变冗余性能，在保持匹配性能情况下，显著提高了特征点检测效率；利用局部自适应阈值的 FAST 算法与SIFT 算法的极值比较相结合提取特征点，并使用圆形窗口描述 32 维特征向量代替 SIFT 算法的 128 维高维向量。与其他几种算法进行对比，实验结果表明，本文方法在特征提取速度、准确率方面效果更好。在尺度、旋转以及光照等变换下提取的特征点具有更好的稳定性，能得到较高的正确匹配率。在旋转角度较大的情况下，本文方法的正确匹配率较 SIFT 提高约 23%，算法耗时减少了 45.7%，能更好地运用于实时场景中。参考文献：1 MA J Y，JIANG X Y，FAN A X，et al.Image matching from handcrafted to deep features：A survey J.International Journal of Computer Vision，2021，129（1）：23-79.2 陈天择，葛宝臻，罗其俊.重投影优化的自由双目相机位姿估计方法 J.中国光学，2021，14（6）：1400-1409.CHEN T Z，GE B Z，LUO Q J.Pose estimation for free binocular cameras based on reprojection error optimization J.Chinese Optics，2021，14（6）：1400-1409.（in Chinese）3 QIAO Y C，LELIEVELDT B P F，STARING M.An efficient preconditioner for stochastic gradient descent optimization of image registration J.IEEE Transactions on Medical Imaging，2019，38（10）：2314-2325.4 霍嘉燚，李冕豪，王子川，等.全景内窥成像技术及应用 J.中国光学（中英文），2023，16（1）：44-60.HUO J Y，LI M H，WANG Z C，et al.Panoramic endoscopic imaging technology and it s applications J.Chinese 0.40.60.811.21.41.6Brightness transform/()020406080100Match accuracy/%SIFTORBGA-SIFTCanny-SIFTPyramid-ORBThe proposed method图 12光照强度变换的实验结果Fig.12Experimental results of light intensity transformation表 2图像旋转、尺度变换后的比较结果Tab.2Comparison results after image rotation and scale transformation算法SIFTORBGA-SURFCanny-SIFTPyramid-ORB本文方法匹配时间/s3.52.32.62.82.41.9匹配点/对723629654706643653正确匹配点/对584485527588510622匹配准确率/%80.7777.1180.5883.2979.3295.2504590135180225270Rotation transform/()020406080100Match accuracy/%SIFTORBGA-SIFTCanny-SIFTPyramid-ORBThe proposed method图 11图像旋转变换的实验结果Fig.11Experiment results of image rotation transformation235第 39 卷液晶与显示Optics，2023，16（1）：44-60.（in Chinese）5 TASKIRAN M，KAHRAMAN N，ERDEM C E.Face recognition：Past，present and future J.Digital Signal Processing，2020，106：102809.6 刘洋，韩广良，史春蕾.基于 SIFT算法的多表情人脸识别 J.液晶与显示，2016，31（12）：1156-1160.LIU Y，HAN G L，SHI C L.Recognition of expression-variant faces based on SIFT method J.Chinese Journal of Liquid Crystals and Displays，2016，31（12）：1156-1160.（in Chinese）7 WU Q，ZHU S P.Multispectral image matching method based on histogram of maximum gradient and edge orientation J.IEEE Geoscience and Remote Sensing Letters，2022，19：1-5.8 LOWE D G.Distinctive image features from scale-invariant keypoints J.International Journal of Computer Vision，2004，60（2）：91-110.9 GUPTA S，THAKUR K，KUMAR M.2D-human face recognition using SIFT and SURF descriptors of face s feature regions J.The Visual Computer，2021，37（3）：447-456.10 BAKHEET S，ALSUBAI S，ALQAHTANU A，et al.Robust fingerprint minutiae extraction and matching based on improved SIFT features J.Applied Sciences，2022，12（12）：6122.11 BAY H，ESS A，TUTTELAARS T，et al.Speeded-up robust features（SURF）J.Computer Vision and Image Understanding，2008，110（3）：346-359.12 RUBLEE E，RABAUD V，KONOLIGE K，et al.ORB：An efficient alternative to SIFT or SURF C.2011 International Conference on Computer Vision.Barcelona：IEEE，2011：2564-2571.13 MA J Y，ZHAO J，JIANG J J，et al.Locality preserving matching J.International Journal of Computer Vision，2019，127（5）：512-531.14 WANG R，SHI Y J，CAO W M.GA-SURF：A new speeded-up robust feature extraction algorithm for multispectral images based on geometric algebra J.Pattern Recognition Letters，2019，127：11-17.15 ROSTEN E，DRUMMOND T.Machine learning for high-speed corner detection C/9th European Conference on Computer Vision.Berlin：Springer，2006：430-443.16 刘妍，余淮，杨文，等.利用 SAR-FAST角点检测的合成孔径雷达图像配准方法 J.电子与信息学报，2017，39（2）：430-436.LIU Y，YU H，YANG W，et al.SAR image registration using SAR-FAST corner detection J.Journal of Electronics&Information Technology，2017，39（2）：430-436.（in Chinese）17 ZHANG W N.Combination of SIFT and Canny edge detection for registration between SAR and optical images J.IEEE Geosci