图像匹配方法研究综述

目的 图像匹配作为计算机视觉的核心任务，是后续高级图像处理的关键，如目标识别、图像拼接、3维重建、视觉定位、场景深度计算等。本文从局部不变特征点、直线、区域匹配3个方面对图像匹配方法予以综述。方法 局部不变特征点匹配在图像匹配领域发展中最早出现，对这类方法中经典的算法本文仅予以简述，对于近年来新出现的方法予以重点介绍，尤其是基于深度学习的匹配方法，包括时间不变特征检测器（TILDE）、Quad-networks、深度卷积特征点描述符（DeepDesc）、基于学习的不变特征变换（LIFT）等。由于外点剔除类方法常用于提高局部不变点特征匹配的准确率，因此也对这类方法予以介绍，包括用于全局运动建模的双边函数（BF）、基于网格的运动统计（GMS）、向量场一致性估计（VFC）等。与局部不变特征点相比，线包含更多场景和对象的结构信息，更适用于具有重复纹理信息的像对匹配中，线匹配的研究需要克服包括端点位置不准确、线段外观不明显、线段碎片等问题，解决这类问题的方法有线带描述符（LBD）、基于上下文和表面的线匹配（CA）、基于点对应的线匹配（LP）、共面线点投影不变量法等，本文从问题解决过程的角度对这类方法予以介绍。区域匹配从区域特征提取与匹配、模板匹配两个角度对这类算法予以介绍，典型的区域特征提取与匹配方法包括最大稳定极值区域（MSER）、基于树的莫尔斯区域（TBMR），模板匹配包括快速仿射模板匹配（FAsT-Match）、彩色图像的快速仿射模板匹配（CFAST-Match）、具有变形和多样性的相似性度量（DDIS）、遮挡感知模板匹配（OATM），以及深度学习类的方法MatchNet、L2-Net、PN-Net、DeepCD等。结果 本文从局部不变特征点、直线、区域3个方面对图像匹配方法进行总结对比，包括特征匹配方法中影响因素的比较、基于深度学习类匹配方法的比较等，给出这类方法对应的论文及代码下载地址，并对未来的研究方向予以展望。结论 图像匹配是计算机视觉领域后续高级处理的基础，目前在宽基线匹配、实时匹配方面仍需进一步深入研究。

Image matching methods