特征匹配算法

看论文《特征匹配算法研究及其在目标跟踪上的应用》，感谢！
https://blog.csdn.net/qq_17109251/article/details/82722466 感谢！

特征匹配算法

目前 SIFT 算法和 ORB 算法获得了研究者的青睐，但是因为 SIFT 算法是对图像进行全局的特征点检测耗时较长，造成算法的运行速度慢，达不到令人满意的匹配效果，难于应用到目标的实时跟踪。

ORB 算法的运行速度较快，但是因为其描述子不具有尺度不变性，所以匹配效果不理想。

图像匹配一般分为三个模块：
1）特征空间。某一类特征提取的一个空间。
2）相似性度量。相似性是衡量图像之间的一种相似程度，这种相似程度有很多的表示方法。目前，在匹配算法中较为常见的相似性度量准则有相位相关、Hausdorff 距离函数、欧式距离判别方法、归一化积相关等。
3）搜索策略。搜索策略是在特征空间中，对待匹配特征点寻找与其相似特征点的方法。根据不同的标准，可以将图像匹配方法进行不同的分类。

目前比较常用的分类：基于灰度的匹配方法和基于特征的匹配方法。
1）前者一般具有实现简单的优点，比较常见的应用场合是对于一些简单的刚体匹配和图像仿射变化的匹配，该方法能实现较好的匹配效果，例如：序贯相似性检测法。在实际应用中，可能会出现非刚体运动形变、外界环境的干扰等影响，所以基于灰度的匹配方法不能满足这些情况下的匹配需要。
2）特征匹配相比于灰度匹配，在匹配过程中需要对图像进行特征的提取，根据特征点进行匹配的速度高，更重要的是基于特征点的匹配其匹配精度较高。目前适应性更广泛且匹配性能较好的匹配算法多是采用基于特征匹配的方法。很多经典的算法如：SIFT 算法，SURF 算法，PCA-SIFT 算法，Moravec 算法，以及 Susan 算法等。目前，尺度不变特征变换(SIFT)，是性能较好的算法之一。该算法的主要步骤是：构造尺度空间，寻找极值点并从中确定关键点，对关键点周围区域梯度进行计算生成 SIFT 描述子，通过相似性准则进行特征的匹配，该算法对于多数复杂情况的匹配，也表现出较好的鲁棒性。当然
任何算法都不可能是完全没有缺陷的，好的匹配效果可能需要更多地复杂计算才能获得，该算法存在的问题就是复杂度较高。这种高复杂度的计算换来高鲁棒性的匹配效果，同时产生了算法运行时间耗时较长的问题，无论是在特征点的检测上，还是在最后进行特征匹配时都具有很大的影响。之后，H.Bay 等人提出了加速鲁棒特征(Speeded Up Robust Features，SURF)算法。SURF 算法匹配效果接近 SIFT。该算法采用了对 Harr 求导，使得算法运行速度基本能达到实时处理。但由于 SURF 特征向量是高维向量，其计算量大、匹配正确率低。ORB 算法由 OpenCV 维护和开发的公司 Willowgarage 提出，ORB 采用的是FAST 特征检测方法，所以匹配速度较快。文献利用最小亮度变化(Minimum Intensity
Change，MIC)角点检测算子提取边缘角点，该算法有一定的稳定性和有效性。BRISK 算法是 2011 年由 S.Leutenegger 和 M.Chli 提出的，采用多尺度角点检测算法，具有尺度不变性和旋转不变性。近年来国内外很多研究学者针对特征匹配意图降低其时间复杂度，如PCA-SIFT 算法，其思想是用主元分析法代替 SIFT 算法中直方图方法，提高算法运行的速度。文献采用了多个描述符进行图像匹配和分类。但是，这些方法在描述符融合时使用固定的权重，并且忽略了图像转换到另一幅图像，同一特征点的最优描述符是不相同的。为了解决上述问题，文献]采用自适应特征融合的算法，在判别能力的基础上，
提出一种局部变化的数据项，将多个模型合并。