特征匹配算法鲁棒性与速度的对比分析

特征匹配算法是近年来计算机视觉领域的研究热点。在宽基线匹配、特定目标识别、目标类别识别、图像及视频检索、机器人导航、场景分类、纹理识别和数据挖掘等多个领域,特征匹配算法得到了广泛的应用。为总结特征匹配算法目前存在的问题及指出可能的发展方向,对比分析了当前使用广泛的特征匹配算法的鲁棒性与速度。综述了尺度不变特征匹配算法(SIFT)、快速稳健特征匹配算法(SURF)、二进制稳健尺度不变性特征匹配算法(BRISK)、定向的基于加速段检测子与旋转的二进制稳健独立基本特征匹配算法(ORB)、风式特征匹配算法(KAZE),以及快速风式特征匹配算法(Accelerated-KAZE),分析了算子鲁棒性与速度的影响因素。基于检测子与描述子,利用Mikolajczyk 05标准测试图集与无人机遥感影像测定并分析了复现率、查全率与错误率曲线以及耗时和正确匹配率。实验结果表明,Accelerated-KAZE算法的综合性能较强。