一种提高SIFT特征匹配正确率的方法

郗航+贺腾+杨建莉+胡斐

摘要： 针对尺度不变特征变换（SIFT）特征匹配算法存在计算量大、实时性差、误匹率高的问题，提出一种基于距离比率准则的方法来去除SIFT特征匹配中的错误匹配。传统的方法是采用随机选取一致性（RANSAC）方法选取出正确的匹配对，但是需要通过反复迭代，复杂、耗时并且仍存有部分误匹配的现象。改进后的方法直接通过两条匹配直线斜率的一致性判断，剔除不在斜率范围内的匹配，此方法算法简单，省时高效，从而较大提高了特征匹配的正确率。实验结果表明，通过采用距离比率准则方法具有较高的匹配精度，同时减少了匹配的时间，使实时性得到提高。

关键词： 尺度不变特征变换（SIFT）； 图像匹配； 随机选取一致性（RANSAC）； 距离比率准则

中图分类号： TN 911.73文献标志码： Adoi： 10.3969/j.issn.10055630.2016.06.005

Abstract： Aiming at solving the problems of large calculating scale， poor realtime performance and high falsematching rate in the scale invariant feature transform （SIFT） feature matching algorithm， this paper presents an improved SIFT feature matching algorithm based on the distanceratio criterion to eliminate the matching errors. Traditional random selection consistency （RANSAC） method is used to select the correct matching pairs. However， it is complex and timeconsuming for the repeat iteration process as well as its occasionally matching error occurrences. In the proposed improved algorithm， slope consistency of the two matching lines is directly compared while the matching pairs beyond the slope range are eliminated. The improved algorithm is simple and efficient. Experiments show that the improved algorithm based on distanceratio has great matching accuracy， and short matching time with performance and efficiency enhanced.

Keywords： scale invariant feature transform （SIFT）； image matching； random selection consistency （RANSAC）； distanceratio criterion

引言

圖像配准是数字图像处理技术中的一个重要部分，它的优劣直接决定多传感器源图像的最终融合效果。图像配准的目的是对不同视角、不同时间或不同传感器所获得的同一场景的两幅或多幅图像做几个对齐，以便用于后续图像融合等处理。近年来，图像配准已成为图像处理领域中的一个研究热点，并已被广泛应用在航空影像自动制图、图像的三维重构、遥感数据分析等诸多领域。2004年，Lowe提出了尺度不变特征变换（SIFT）算法[1]，该方法是把图像之间的匹配转化成特征点之间的匹配[2]。正是由于SIFT算法具有很高的鲁棒性和较快的运算速度，因此它被广泛地应用在图像配准领域。之后采用欧氏距离法的bestbinfirst（BBF）算法对特征向量点进行匹配[3]，但是这会误匹配很多野点，降低匹配效果，严重地影响后面图像融合拼接的结果。对于以上问题有人提出基于置信度的匹配算法[4]，其本质还是对欧式距离中最小值与次小值之比作匹配阈值，结果仍然不理想。于是由Fischler等提出的随机选取一致性（RANSAC）算法[5]，虽然可以很好地估计匹配点中的内、外点，去除错误的匹配，但随着外点比率的增大，运算时间随之增加并且算法上相当麻烦。

针对SIFT特征匹配中错误匹配率高的问题，本文对先前的方法进行改进，提出一种更为稳定高效的图像匹配方法即基于距离比率准则的方法，从而使匹配更有效、更省时，降低SIFT匹配的误匹配率，达到提高匹配效率的目的。

1SIFT 算法的基本原理

在以关键点为中心的邻域窗口内取样，并采用梯度直方图来统计邻域像素的梯度方向，梯度直方图的横轴的取值范围是0°～360°，每10°为一个单位，总共有36个单位。梯度方向的直方图的主峰值则表示该关键点的主要方向，在每个区域里，只有保证大量的关键点都和主方向一致，才能确保旋转的不变性。尽管只有少部分的关键点被赋予多个方向，但不会影响整体匹配的稳定性[7]。接下来对每个特征点建立一个描述符，使其具有较高的独特性，以便更好地提高特征点的正确匹配率。

1.3SIFT特征点的匹配

对于生成的SIFT特征向量进行匹配是根据相似性度量来进行判定的，通常采用欧氏距离对SIFT的特征向量进行匹配。得到SIFT特征向量后，查找每个特征点的邻近特征点，如果最邻近的两个特征点间的距离和次邻近两个特征点的距离的比值少于某个给定的阈值，则说明这两个特征点匹配是成功的。降低此阈值，会减少匹配点的数目，使稳定性得到增加[8]。

2SIFT匹配算法中消除错误匹配算法的改进

在完成对应特征点的粗匹配后，为了更好地融合两幅图像，需要估计两幅图像的基础矩阵，使其满足一定的射影关系[9]。但是由于SIFT得到的粗匹配中存在很多的误匹配，很大程度上影响了后续图像的融合，因此需要用一些算法对粗匹配进行提纯，从而提高特征点匹配准确率和速度，更高效地完成图像的融合。

2.1RANSAC模型参数估计

传统的做法是通过使用RANSAC算法[10]，对SIFT得到的粗匹配进行提纯，主要是采用随机抽样的方法，即在一定置信率的约束下选取正确的匹配点，其特点是降低外点比率时效率很高，同时在计算的精度上也有提高。SIFT和RANSAC算法的结合，也是当前图像匹配中采用的主流方法。其过程是，首先采用SIFT算法对两幅图像进行SIFT特征点的提取，然后对提取的特征点进行特征匹配，最后利用RANSAC算法剔除匹配中错误的匹配点，同时计算变换矩阵。

2.2距離比率准则

与传统RANSAC算法不同，本文对原先SIFT得到的粗匹配结果采用距离比率准则的方法来进行提纯。由于之前预处理后的两幅图像，在经过SIFT特征匹配后仍存在很多错误匹配，可借助图像之前的标定与校正值，设定其中两个水平特征点间的匹配线段的斜率为标准斜率，使其他匹配线段的斜率与其比较，如果斜率相等则视为有效匹配，如果不等则剔除。其具体过程如下：

3实验结果与分析

为了验证本文方法的有效性，实验的两幅图像均选取图像处理中经典图片Lenna图，对其中一幅图像增加椒盐噪声作为对比，因为SIFT特征匹配算法是不受噪声的影响，对比实验是在同一硬件平台（Pentium（R）D 3.20 GHz，2.00 GB 内存）和软件平台（MATLAB 7.1）上进行。

图1是用RANSAC模型参数估计算法（传统方法）对SIFT特征粗匹配进行提纯后的结果。由图可见，仍然存有一些错误匹配和遗漏匹配的现象。

图2是用距离比率准则的方法（本文方法）对SIFT特征粗匹配进行提纯后的结果。由图可见，与传统方法相比，匹配的准确性有显著的改善。

表1为2种不同算法对SIFT特征粗匹配进行提纯时所需的时间及其正确匹配率。由表可以看出，本文的方法无论是在运算的时间上还是对于结果的正确匹配上均明显优于传统的提纯方法。传统算法之所以耗时长，是因为外点多，算法的抽样次数也同时增加，从而造成计算时间增加，影响匹配误差。本文算法时间短并且正确率高，是因为绝大多数的外点可以通过直线斜率比值等因素约束，经过几次迭代就可提出，所以本文的算法在计算效率上有明显优势。

4结论

本文对于SIFT特征匹配后造成的误匹配率高的问题，提出了距离比率准则的方法来解决，从而在匹配过程中，能够有效地降低错误匹配的概率，增加算法的稳定性和精确性。实验结果表明，本文所用的方法能比传统的 RANSAC 算法更为有效、省时地去除错误的匹配，改善了传统算法的复杂性。本文的方法在时间效率上优于传统的算法，并且达到了较高的匹配精度，为后续图像的拼接融合起到了很好的铺垫作用。

参考文献：

[1] LOWE D G. Distinctive image features from scaleinvariant keypoints[J]. International Journal of Computer Vision，2004，60（2）：91110.

[2]李晓明， 郑链， 胡占义. 基于SIFT特征的遥感影像自动配准[J]. 遥感学报， 2006，10（6）：885892.

[3]BEIS J S， LOWE D G. Shape indexing using approximate nearestneighbour search in highdimensional spaces[C]∥Proceedings of the IEEE 1997 computer society conference on computer vision and pattern recognition. Puerto Rico： IEEE， 1997：10001006.

[4]杨晓敏， 吴炜， 卿粼波， 等. 图像特征点提取及匹配技术[J].光学 精密工程， 2009，17（9）：22762282.

[5]FISCHLER M， BOLLES R. Random sample consensus： a paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of the ACM， 1981，24（6）：381395.

[6]张永， 武玉建. 一种改进的SIFT图像特征匹配算法[J]. 计算机工程与应用， 2014，50（9）：167169.

[7]于丽莉， 戴青. 一种改进的SIFT特征匹配算法[J]. 计算机工程， 2011，37（2）：210212.

[8]吴锦晶， 张仁杰， 唐春晖. 交通路标图像的分割与识别方法研究[J]. 光学仪器， 2011，33（5）：3441.

[9]HARTLEY R I， ZISSERMAN A. Multiple view geometry in computer vision[M]. Cambridge： Cambridge University Press， 2004.

[10]曹楠， 王萍. 基于SIFT特征匹配的图像无缝拼接算法[J]. 计算机与应用化学， 2011，28（2）：242244.

（编辑：刘铁英）