SIFT与SURF特征提取算法在图像匹配中的应用对比研究

陈敏 汤晓安

摘 要： SIFT算法和SURF算法是图像特征提取和匹配的典型方法，广泛应用于目标检测、图像理解与识别等领域，然而对二者尚缺乏较深入的对比研究。针对这两种算法，采用实验室相机实拍图像和低空无人机实拍图像，以不同的图像旋转角度进行特征点提取和图像匹配实验，从匹配成功率和运行效率两个方面对算法的性能进行对比研究。结果表明，SIFT算法具有较好的图像旋转不变性，匹配精度较高，而SURF算法匹配精度较低，但是效率较高，因此在实际应用中可根据具体需求合理选择。

关键词： SIFT； SURF； 性能对比； 特征提取； 图像匹配； 算法效率

中图分类号： TN911.73?34； TP391.6 文献标识码： A 文章编号： 1004?373X（2018）07?0041?04

Comparison study on application of SIFT and SURF feature

extraction algorithms in image matching

CHEN Min1， TANG Xiaoan2

（1. School of Electronic Information， Hunan Institute of Information Technology， Changsha 410151， China；

2. College of Electronic Science and Engineering， National University of Defense Technology， Changsha 410073， China）

Abstract： The SIFT and SURF algorithms as two typical algorithms for image feature extraction and matching are widely used in the fields of target detection， image understanding and recognition， but the comparison research on the two algorithms is shallow. In allusion to the two algorithms， the feature point extraction and image matching experiment for the images taken by laboratory camera and UVA are carried out according to different image rotation angles. The performances of the two algorithms are compared in the aspects of matching success rate and operating efficiency. The results show that the SIFT algorithm has perfect image rotation invariance and high matching accuracy， and the SURF algorithm has low matching accuracy and high efficiency. One of the two algorithms can be selected reasonably according to the specific requirements.

Keywords： SIFT； SURF； performance comparison； feature extraction； image matching； algorithm efficiency

0 引 言

图像匹配是图像处理研究领域的重要问题，在计算机视觉、医疗图像分析、无人机图像处理等领域有着广泛应用。而图像特征提取是图像匹配的基础和前提，图像特征提取的效率、準确度等性能的好坏直接影响着后续的图像匹配[1?3]。例如，待匹配图像之间普遍存在缩放、旋转等现象，因此在特征提取中需要考虑特征提取的稳定性和准确性，而提取尺度不变的图像特征是解决这一问题的方法。

近年来，很多尺度不变特征的提取算法被提出和应用，具有代表性的是David G. Lowe提出的SIFT算法[4]以及Herbert Bay等人提出的SURF[5]算法。相关学者对这两种经典算法在不同的应用场合有了一定的对比研究[6?10]，但是在无人机应用，特别是低空无人机影像的配准上尚缺少有实际意义的成果。本文给出这两种算法的原理，并基于两种不同的环境——实验室环境和无人机低空拍摄所获取的实拍图像进行特征点提取和图像匹配实验，结合实验结果比较两种算法的性能。

1 SIFT算法

SIFT（Scale Invariant Feature Transform）算法是由David G. Lowe在基于不变特征的检测方法基础上提出的，对于图像的尺度变换、仿射变换等具有特征不变性。SIFT算法通过在建立的图像尺度空间中寻找极值点来描述图像特征，进而计算极值点附近的梯度信息得到特征描述向量，最后以特征向量的相似度来判定特征点的匹配。算法主要有以下步骤：

1） 建立尺度空间

SIFT算法通过利用不同尺度的高斯核函数构造高斯金字塔图像，然后对上下相邻尺度的金字塔图像进行相减，得到差分高斯金字塔（Difference of Gaussian，DOG）图像。DOG算子定义如下：

式中：[Lx，y，σ=Gx，y，σ·Ix，y]，[Gx，y，σ]为尺度可变高斯函数，[Ix，y]为图像位于[x，y]的像素值。

2） 检测关键点

在差分金字塔中，将其中每个点与其相邻尺度和上下相邻位置的点进行比对，即检测同尺度的8个相邻点和上下相邻尺度对应的9×2个点共计26个特征点。若一个点在DOG尺度空间本层以及上下两层的26个邻域中为最大或最小值时，则认为该点为该尺度下的一个特征点。

3） 分配关键点方向

SIFT算法通过考虑局部特征得到关键点方向，以保证描述符具有方向不变性。考虑关键点邻域像素的梯度特性，可得到梯度模值和方向如下所示：

以关键点为中心确定邻域窗口，统计邻域内像素的方向并形成直方图。其中，梯度直方图的取值范围为0～360°，每10°为一个柱，共计36个柱，即36个方向。

4） 生成特征点描述子

以关键点为中心取8×8的正方形小块，在此基础上再分成4×4的正方形块，分别统计其梯度直方图，可以得到8个梯度方向，将其叠加就可以构造一个种子点，共可以构造4个种子点。这里使用4×4共16个种子点构成一个128维的特征描述子。最后将特征向量的模长做归一化处理。该描述子具有尺度、旋转不变性，并在一定程度上可以消除光照变化等环境因素的影响，在此基础上可进行特征点的匹配。

2 SURF算法

SURF（Speeded Up Robust Features）算法是一种改进的SIFT算法，是一种具有鲁棒性的局部特征检测算法[7?8]。算法主要有以下步骤：

1） 生成尺度空间

采用不同尺寸的箱子滤波器与原图像进行卷积，得到图像金字塔，即生成图像的尺度空间。

2） 检测关键点

计算待选特征点及周围点的Hessian值，认为其极大值点即为特征点。像素的Hessian值由原图和Hessian矩阵得到，Hessian矩阵定义如下：

[H（x，σ）=Lxx（x，σ）Lxy（x，σ）Lyx（x，σ）Lyy（x，σ）] （4）

3） 分配關键点方向

以特征点为中心，在一定邻域内对60°扇形里的所有点在水平和垂直方向的Haar小波相应值进行累加，最大的Haar相应累加值为该特征点对应的主方向。

4） 特征点描述子生成

以特征点为中心，将20×20d（d为该特征点所在尺度）的图像区域划分成4×4个子块，每个子块统计25个像素相对主方向的水平方向之和[dx、]水平方向绝对值之和[dx、]垂直方向之和[dy]和垂直方向绝对值之和[dy]。每个子块得到如上4个特征值，因此每个特征点可得到16×4=64维向量。在此基础上可进行特征点的匹配。

3 SIFT算法与SURF算法的性能对比分析

为比较两种算法的性能，本文应用两种算法进行特征点的提取和匹配实验，实验数据为相机实拍图像和低空无人机实测图像，使用匹配成功率和运行时间两项指标评估算法性能。其中匹配成功率定义如下：

[匹配成功率=正确匹配数正确匹配数+错误匹配数] （5）

实验环境为CPU Intel[?]CoreTM i5，内存8.00 GB的PC机，实验结果如下所示。

3.1 实验室相机实拍图像算法性能对比

在实验室中选取边界较为圆滑的水杯进行实验，通过改变两幅图像的旋转角度，测试两种算法的相应性能。图1为水杯的实拍图像以及两种算法的实验结果。匹配结果如表1所示。

可以看出，在上述实验中SIFT算法匹配成功率略高于SURF算法。算法效率上SURF算法速率略高。下面增大待匹配图像间的旋转角度变化，实验结果如图2所示。

增大旋转角度后的匹配结果如表2所示。

由表2可以看出，在角度较大的情况下SIFT算法匹配成功率显著高于SURF算法，但SURF算法的速率略高。

3.2 低空无人机实拍图像算法性能对比

采用大疆精灵4四旋翼无人机为飞行平台，以约20 m的高度对篮球场进行实地前向拍摄。其实验结果如图3所示。匹配结果如表3所示。

可以看出在小角度变化的情况下，两种算法性能差异不大。下面增大待匹配图像间的旋转角度，结果如图4所示。匹配结果如表4所示。

可以看出若存在较大的旋转变化时，SIFT算法匹配成功率显著高于SURF算法。

现对以上实验结果分析如下：从原理上看，SIFT算法提取的特征点维度为128维，多于SURF算法提取的64维，即SURF算法的特征提取较少，SURF算法复杂度较低；SIFT算法采用128维的特征描述子，并将特征向量的模长做归一化处理，具有较好的旋转不变性。

从实验结果上看，待匹配图像之间旋转变形不大的情况下，两种算法的匹配成功率差别不大；在旋转较大的情况下，SURF算法出现了较多的误匹配点对，匹配成功率显著低于SIFT算法。但从整体上看，SURF算法运行速率快于SIFT算法。

在实际应用中，SIFT算法适用于处理准确性要求较高，实时性要求不高的情况；SURF算法效率较高，但针对图像变形的鲁棒性相对较低，适用于实时性要求较高的场合。

4 结 语

本文介绍了SIFT算法和SURF算法的原理，并就实验室实拍图像和低空无人机实拍图像进行了实验验证，结合实验结果对比分析了算法的性能。从分析结果可以看出，SIFT算法的复杂度较高，算法效率低于SURF算法，但SURF算法在较大的旋转变形情况下会产生较多的误匹配点对，相比而言，SIFT算法在图像旋转条件下的匹配性能好于SURF算法。因此实际应用中要结合特定需求，合理选取相应的算法。

参考文献

[1] 周敏，刘宁钟，王立春.基于无人机航拍的公路图像拼接方法研究[J].计算机与现代化，2016（10）：49?53.

ZHOU Min， LIU Ningzhong， WANG Lichun. Research on stitching method based on UAV aerial image of road [J]. Computer and modernization， 2016（10）： 49?53.

[2] 李萍，张波，尚怡君.基于红外图像和特征融合的飞机目标识别方法[J].电光与控制，2016（8）：92?96.

LI Ping， ZHANG Bo， SHANG Yijun. Aircraft target identification based on infrared image and feature fusion [J]. Electronics optics and control， 2016（8）： 92?96.

[3] 王勇，郭博雷，李志强.机动飞行环境无人机航拍图像拼接技术研究[J].现代电子技术，2012，35（22）：110?112.

WANG Yong， GUO Bolei， LI Zhiqiang. Study on mosaic technology for UAV aerial images under maneuvering flight condition [J]. Modern electronics technique， 2012， 35（22）： 110?112.

[4] LOWE D G. Distinctive image features from scale invariant keypoints [J]. Journal of computer vision， 2004， 60（2）： 91?110.

[5] BAY H， TUYTELAARS T， GOOL L V. SURF： speeded up robust features [J]. Computer vision and image understanding， 2006， 3951： 404?417.

[6] 史露，苏刚，韩飞.基于SIFT和SURF图像拼接算法的改进算法[J].计算机应用与软件， 2013，30（6）：72?78.

SHI Lu， SU Gang， HAN Fei. An improved algorithm based on SIFT and SURF image stitching algorithm [J]. Computer applications and software， 2013， 30（6）： 72?78.

[7] 罗亮，熊助国.两种图像匹配算法在植被覆盖区的应用对比[J].安徽农业科学，2016，44（8）：299?301.

LUO Liang， XIONG Zhuguo. Comparison of two kinds of image matching algorithm in the area covered by vegetation [J]. Journal of Anhui agricultural sciences， 2016， 44（8）： 299?301.

[8] 索春宝，杨东清，刘云鹏.多种角度比较SIFT、SURF、BRISK、ORB、FREAK算法[J].北京测绘，2014，4（5）：23?26.

SUO Chunbao， YANG Dongqing， LIU Yunpeng. Comparing SIFT， SURF， BRISK， ORB and FREAK in some different perspectives [J]. Beijing surveying and mapping， 2014， 4（5）： 23?26.

[9] ROBINSON A C， ROTH R E， MACEACHREN A M. Challenges for map symbol standard [C]// Proceedings of the 7th International Conference on Information Systems for Crisis Response and Management. Seattle： IEEE， 2010： 5801?5812.

[10] LIANG C R， FIELDING E J. Interferometry with ALOS?2 full?aperture ScanSAR data [J]. IEEE transactions on geoscience and remote sensing， 2017， 55（5）： 2739?2750.