移动机器人定位图像匹配的快速局部特征算法*刘萍萍1,2，赵宏伟1,2，臧雪柏1，王慧1（1吉林大学计算机科学与技术学院长春130012;2吉林大学符号计算与知识工程教育部重点实验室长春130012）摘要：利用定位图像的局部特征进行移动机器人导航和定位是近年来该领域的研究热点。针对经典局部特征提取和描述算法实时性不好，提出一种快速局部特征（fastlocalfeature,FLF）的检测子和描述子算法。利用离散尺寸的均值滤波器估算LOG算子构建图像尺度空间，建立尺度和旋转不变的检测子。在尺度相关的邻域中利用规格化后的像素强度作为关联信息，建立局部邻域的描述子。模拟实验中，利用优选参数的FLF与经典SIFT算法对比，在识别率相当的条件下，FLF的运行时间是SIFT的1/3。在标准评估图片和移动机器人平台拍摄的定位图片构成的数据集下，FLF的匹配效果好于经典的SIFT和SURF算子。因而FLF是一种适合于实时应用的快速局部特征。关键词：局部特征；图像匹配；尺度空间；物体识别：TP391.4文献标识码：A国家标准学科分类代码：510.2050FastlocalfeaturealgorithmappliedtomobilerobotlocalizationimagematchingLiuPingping1,2,ZhaoHongwei1,2,ZangXuebai1,WangHui1（1DepartmentofComputerScienceandTechnology,激linUniversity,Changchun130012,China；2KeyLaboratoryofSymbolicComputa-tionandKnowledgeEngineering,MinistryofEducation,激linUniversity,Changchun130012,China)Abstract：Usinglocalfeaturesoflocalizationimagestonavigateandlocalizeisahotspotinrecentmobilerobotre-search.Anovel,fastlocalfeatureinrealtimelocalizationimagematchingisproposedinthisarticle,calledFLF(fastlocalfea-ture).WeusethemeanfiltersindispersesizestoapproximateLOGtobuildtheimagescalespace.Thenafastlocalcharacterde-scriptorisproposed.Normalizedpixelintensityiscomputedoncharacteristicscaleandusedasthecontextualinformation-todescribethelocalneighborpixelintensityvariationstothecentralpoint.Insimulationexperiment,theruntimeofFLFusin-goptimalselectionparametersisabout1/3ofthatofclassicalSIFTarithmeticundercomparativerecognitionrate.Inanother-matchingexperiment,withinwhichthedatasetsarecomposedofstandardevaluationimagesandimagestakenbymobiler-obotplatform,performanceevaluationsshowthatFLFgenerallyoutperformsSIFTandSURFoperatorsinimagescale,rota-tion,illuminationandblurtransformations.Therefore,FLFissuitableforreal-timeimagematchingapplications.Keywords：localfeature；imagematching；scale-space；objectrecognition1引言近年来在机器视觉领域中出现了基于图像局部信息的特征提取方法，满足在多种图像变换下的不变性，因而适用于变换条件下的图像匹配。利用自然环境图像中的局部特征构建导航和定位系统成为移动机器人导航系统领域的研究热点[1]。基于局部不变性特征的图像匹配包含3个步骤：检测子、描述子以及匹配过程。局部特征检测子也可以称为兴趣点的检测。目前，使用最多的检测子算法还是角点检测算法[2-3]。为使角点检测算法具备尺度不变性，Lindeberg[4]运用自动尺度选择理论，在尺度空间中提取blob区域。Mikolajczyk等人[5]在此基础上，提出了更为---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---收稿日期：2008-12ReceivedDate：2008-12*基金项目：高等学校博士学科点专项科研基金（20050183032）、吉林省教育厅科学基金（2004150）资助项目鲁棒的尺度不变检测子算法称为Hessian-Laplace和Har-ris-Laplace。对已有的检测子算法进行性能分析得出结论[6]：基于Hessian的检测子算法比基于Harris的检测子算法更为稳定且重复性[6]更好。描述子的主要任务是在检测出兴趣区域以后，提取兴趣区域的特征向量。近年来出现了多种描述子算法。其中，Lowe提出的SIFT[7]算法在尺度和平面旋转变换下是目前最好的一种局部特征[6]。然而SIFT算法的描述子维度过高限制了其在实时系统中的应用。PCA-SIF...