文 献 综 述
一、课程研究的背景及意义
图像匹配技术一向是图像信息处理领域中的热点研究方向之一，被广泛应用于军事、工业、交通等众多领域。近年来，以计算机视觉、人工智能为代表的人机交互技术蓬勃发展，图像匹配是进行人机交互研究所需的一项基础技术。由以上可知，对其进行探讨具有重要的理论价值与现实意义。图像匹配算法大致可以分为三大类：基于变换域信息的匹配算法、基于灰度相关的匹配算法以及基于特征的匹配算法，其中基于特征的图像匹配算法因其计算量相对较小、鲁棒性较强等优点已成为主流的研究方向。
二、国内外研究现状
目前特征点提取算法主要有 Moravec[1]、Forstner[2]、SU-SAN[2]、Harris[1]、SIFT[3]以及SUＲF[4]算子等。其中，运用比较多的有 Harris、SIFT和SURF算子。
Harris算子是 Harris 等人在Moravec算子的基础上提出的一种基于信号的点特征提取算子，具有计算简单、提取点分布均匀且定位精度高、稳定等特点[1]。基于 Harris的匹配算法通常采用灰度窗口的相关系数进行匹配，如果图像发生光照、尺度、噪声等变化则会提取出伪角点。
Lowe提出 SIFT 算法，该算法具有旋转不变性、尺度不变性、亮度不变性及很好的抗噪声能力。SIFT 算法虽然可以适应亮度变化，但时间复杂度高、算法耗时长[3]。
Bay 等人提出了SURF算法，引入积分图像的概念，使得该算法具有耗时少、计算速度快等优点，能很好地解决图像缩放问题，但是提取的特征点没有 Harris 稳定[4]。当原图像和待匹配图像具有旋转的几何关系时，SURF 算法的匹配准确率较低。
Harris-SUＲF特征点检测算法。该算法在克服Harris单一尺度缺点的同时结合了 SUＲF特征描述符，对图像间旋转、缩放、光照及噪声变化有较强的鲁棒性，还提高了时间效率。
近五年来有国内学者提出基于LBP 特征描述的LBP-SURF 算法。LBP是一种的二进制描述,描述了图像中某个像素点与其相邻像素点灰度值的大小关系，最初被用来描述图像的纹理信息[5]。与传统 SURF 算法相比其有效提高了图像匹配的准确率，但匹配的速度略慢于 SURF 算法。
