SIFT图像匹配算法的FPGA加速实现.docx_fpgasift资源-CSDN文库

版权申诉

71 浏览量 2022-06-18 01:20:37 上传评论 1 收藏 9KB DOCX 举报

资源推荐

资源详情

资源评论

SIFT 图像匹配算法的 FPGA 加速实现

图像匹配是指通过一系列特征或者控制点将两张或多张对同一物体或场景

拍摄的图像进行精确对齐的过程[1,2]，人们希望能利用计算机代替人工实现对图

像的匹配，高效率的图像匹配算法是目标定位、目标识别、运动估计、图像拼接

和 3D 重建等应用领域的重要基础[3,4]。

自数字图像被发明以来，学界已经对数字图像的匹配算法进行了大量的研究。

具体来说，可以将数字图像匹配算法分为两类：

第一类是基于像素的图像匹配。此类算法对于简单的图像变换可以得到可靠

的结果，但是当处理具有复杂变换的图像或严重退化的图像时，难以得到理想的

结果[5]。此类算法中，光流法和相位相关是最流行的两种[6,7]。

第二类是基于特征的图像匹配。与第一类方法不同，基于特征的图像匹配作

为一类具备较高成功率的匹配方法，因其对各类图像变换都具备较强的鲁棒性，

近来得到了广泛的研究[8]。该类算法能够提取到具备缩放，旋转，照明和视点

不变性的图像特征，因此当处理复杂变换的图像和严重退化的图像时，可以提供

强大的图像匹配能力。就可靠性和精度而言，基于特征的匹配算法强于基于像素

的匹配算法[9]。

基于特征的图像匹配同样可以分为两类：

第一类是基于点的特征提取。此类算法以 Harris 角点检测（Harris Corner

Detection，简称 HCD）[10]算法为代表。

第二类是基于区域的特征提取。此类算法则以最大稳定极值区域（Maximally

Stable Extremal Regions，简称 MSER）[11]算法为代表。

除此之外，Lowe提出了尺度不变特征变换（Scale Invariant Feature Transform，

简称 SIFT）算法[12,13]，该算法结合了对图像中点和区域的描述，因此其特征

描述符中既包含了特征点的定位，同时也包含了点周围的区域特征信息。在众多

基于特征的图像匹配算法中， SIFT 被认为是最可靠的算法之一 [14]。并且相比

HCD 和 MSER，SIFT 还具备鲁棒性和精度的优势[15]。但是，由于SIFU 算法的

时间复杂度较高，基于特征的 SIFT 图像匹配算法难以在某些嵌入式实时设备中

部署，因此对于 SIFT 的加速实现吸引了许多研究者的注意力[16]。

自 SIFT 算法于 2004 提出以来，由于其在特征提取效果上显著的优越性，得

到了广泛地研究和运用。然而，SIFT 算法的时间复杂度和空间复杂度都比较高，

这使得 SIFT 难以在嵌入式设备上实时化运行，从而限制了其在图像识别，模式

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余0页未读，立即下载

内容反馈

版权申诉

苦茶子12138

粉丝: 1w+
资源: 6万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip