看論文《特征匹配算法研究及其在目標跟蹤上的應用》，感謝！
https://blog.csdn.net/qq_17109251/article/details/82722466 感謝！

特征匹配算法

目前 SIFT 算法和 ORB 算法獲得了研究者的青睞，但是因為 SIFT 算法是對圖像進行全局的特征點檢測耗時較長，造成算法的運行速度慢，達不到令人滿意的匹配效果，難于應用到目標的實時跟蹤。

ORB 算法的運行速度較快，但是因為其描述子不具有尺度不變性，所以匹配效果不理想。

圖像匹配一般分為三個模塊：
1）特征空間。某一類特征提取的一個空間。
2）相似性度量。相似性是衡量圖像之間的一種相似程度，這種相似程度有很多的表示方法。目前，在匹配算法中較為常見的相似性度量準則有相位相關、Hausdorff 距離函數、歐式距離判別方法、歸一化積相關等。
3）搜索策略。搜索策略是在特征空間中，對待匹配特征點尋找與其相似特征點的方法。根據不同的標準，可以將圖像匹配方法進行不同的分類。

目前比較常用的分類：基于灰度的匹配方法和基于特征的匹配方法。
1）前者一般具有實現簡單的優點，比較常見的應用場合是對于一些簡單的剛體匹配和圖像仿射變化的匹配，該方法能實現較好的匹配效果，例如：序貫相似性檢測法。在實際應用中，可能會出現非剛體運動形變、外界環境的干擾等影響，所以基于灰度的匹配方法不能滿足這些情況下的匹配需要。
2）特征匹配相比于灰度匹配，在匹配過程中需要對圖像進行特征的提取，根據特征點進行匹配的速度高，更重要的是基于特征點的匹配其匹配精度較高。目前適應性更廣泛且匹配性能較好的匹配算法多是采用基于特征匹配的方法。很多經典的算法如：SIFT 算法，SURF 算法，PCA-SIFT 算法，Moravec 算法，以及 Susan 算法等。目前，尺度不變特征變換(SIFT)，是性能較好的算法之一。該算法的主要步驟是：構造尺度空間，尋找極值點并從中確定關鍵點，對關鍵點周圍區域梯度進行計算生成 SIFT 描述子，通過相似性準則進行特征的匹配，該算法對于多數復雜情況的匹配，也表現出較好的魯棒性。當然
任何算法都不可能是完全沒有缺陷的，好的匹配效果可能需要更多地復雜計算才能獲得，該算法存在的問題就是復雜度較高。這種高復雜度的計算換來高魯棒性的匹配效果，同時產生了算法運行時間耗時較長的問題，無論是在特征點的檢測上，還是在最后進行特征匹配時都具有很大的影響。之后，H.Bay 等人提出了加速魯棒特征(Speeded Up Robust Features，SURF)算法。SURF 算法匹配效果接近 SIFT。該算法采用了對 Harr 求導，使得算法運行速度基本能達到實時處理。但由于 SURF 特征向量是高維向量，其計算量大、匹配正確率低。ORB 算法由 OpenCV 維護和開發的公司 Willowgarage 提出，ORB 采用的是FAST 特征檢測方法，所以匹配速度較快。文獻利用最小亮度變化(Minimum Intensity
Change，MIC)角點檢測算子提取邊緣角點，該算法有一定的穩定性和有效性。BRISK 算法是 2011 年由 S.Leutenegger 和 M.Chli 提出的，采用多尺度角點檢測算法，具有尺度不變性和旋轉不變性。近年來國內外很多研究學者針對特征匹配意圖降低其時間復雜度，如PCA-SIFT 算法，其思想是用主元分析法代替 SIFT 算法中直方圖方法，提高算法運行的速度。文獻采用了多個描述符進行圖像匹配和分類。但是，這些方法在描述符融合時使用固定的權重，并且忽略了圖像轉換到另一幅圖像，同一特征點的最優描述符是不相同的。為了解決上述問題，文獻]采用自適應特征融合的算法，在判別能力的基礎上，
提出一種局部變化的數據項，將多個模型合并。

總結

以上是生活随笔為你收集整理的特征匹配算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。