文档介绍：一种快速多尺度特征点匹配算法摘要为了快速稳定地进行多尺度特征点的跟踪,提出了一种快速多尺度特征点的提取算法。该算法首先利用快速局部窗口极值搜索算法提取出不同尺度空间的特征点的局部极值,然后对特征描述符进行小波变换后,再利用最近邻算法对特征点进行匹配。实验结果表明,该算法的计算速度快于SIFT算法和MOPS算法,稳定性强于传统的Harris算法,可以用于实时图像配准及目标跟踪3002关键词特征点提取特征点匹配多尺度变换MOPSSIFTHarris角点AFastMulti-ScaleFeatureMatchingAlgorithmAbstractThispaperpresentsaMulti-Scalefeatureextractionalgorithm,,;featurematching;multi-scaletransform;MOPS;SIFT;Harriscorner1引言基于尺度空间的特征点提取算法是利用图像的特征不变描述符对不同尺度空间的特征点进行描述。Schmid和Mohr最早利用高斯微分算子对传统的Harris算法[1]进行改进,形成了旋转不变的特征描述[2]。Lowe对此算法进行了改进,在不同尺度空间进行特征点的提取,形成了SIFT(scale-invariantfeaturetransform)算法[3]。SIFT算法对图像的旋转、缩放及光照影响都具有一定的鲁棒性。Brown等人提出了MOPS(multi-scaleorientedpatches)算法[4],进行不同尺度上Harris特征点的提取,并利用窗口搜索算法对特征点的局部极值进行提取。由于SIFT算法和MOPS算法对特征点的提取一般都采用穷举算法搜索,计算量较大,因而在图像实时处理中的应用受到限制。本文利用快速局部窗口搜索算法进行多尺度特征点局部极值的提取,从而提高了特征点提取的速度。2多尺度Harris特征点提取进行多尺度Harris特征点提取时,要对灰度图像先利用高斯平滑函数卷积形成图像金字塔。金字塔的最底层,更高层的金字塔表示为(1) (2)其中,l表示金字塔的层数,表示标准差为的高斯平滑窗口,s为采样间隔,一般取2。第l层坐标处的Harris特征点检测矩阵可以表示为(3)其中,表示在尺度上的梯度,即(4)1引言基于尺度空间的特征点提取算法是利用图像的特征不变描述符对不同尺度空间的特征点进行描述。Schmid和Mohr最早利用