基于Ncut的SIFT特征匹配算法

经典尺度不变特征变换(SIFT)特征匹配算法存在实时性差、纹理相似区域易发生误匹配的问题。为此,提出一种基于归一化分割(Ncut)的SIFT特征匹配算法。针对相同背景的运动视频,将归一化分割算法的图论聚类思想融入SIFT特征匹配中,根据运动趋势相似度对特征点进行Ncut运动聚类,再逐类分别匹配,通过缩小各特征点匹配过程中的搜索范围,减少匹配时间及不同特征类之间的误匹配。实验结果表明,该算法能提高匹配效率,对纹理相似区域的误匹配现象有较好的抑制作用,实现了相邻图像帧的特征稳定匹配。     

Contourlet-SIFT特征匹配算法

基于局部特征的匹配算法中SIFT(Scale Invariant Feature Transform)算法性能好,应用广泛,但其描述子的维度高、匹配耗时大,对局部相似区域的匹配鲁棒性差.为此,该文提出一种Contourlet-SIFT特征匹配算法.在尺度空间下提取旋转不变特征,对特征及其邻域进行 Contourlet 变换,由各方向子带分解系数的均值和标准差构建全局纹理描述向量,根据向量间欧氏距离的大小进行特征点排序,选取距离较小的前1%的特征再进行 SIFT最近邻比值匹配.实验结果表明该算法对亮度差异大、相似区域多的图像的匹配性能优于SIFT,在保证尺度、旋转、视角等不变性与SIFT相当的同时,匹配速度大为提升.