说明07通信初稿

1、目录目录I摘要III. IIIABSTRACTIV第一章 绪论1本课题研究的背景及意义1本课题研究的内容和目标1第二章 图像配准研究概述32.1 数字图像处理技术的研究和发展32.2 图像配准技术的难点4图像配准算法分类5灰度配准5特征匹配5图像的匹配技术6图像的配准技术7第三章 SIFT 算法113.1 SIFT 算法发展历程113.2 SIFT 主要. 12SIFT 算法的主要特点12SIFT 算法的实现12第四章 实验分析174.1 SIFT 特征点匹配实验结果174.1.14.1.2同一的特征点匹配17有缩放的图像特征21参考文献28致谢29诚信承诺书30基于 SIFT 的图像特征点匹

2、配算法实现摘要图像匹配就是把具有同一场景的两幅或多幅图像在空间上的对准，来确定它们之间变换关系的过程，这些图像可能是在不同时间、用不同传感器。从不同视角拍摄下来。在社会的计算机领域中常常涉及到目标、图像导航、文字识别、资源分析等。其中一个很重要就是图像的匹配，而基于图像特征点提取的匹配方法是比较常见的方法。传统的匹配算法对环境的适应能力较差，所以需要一种能够适应性强的，能够有效识别目标的方法。本文首先比较详细的介绍国内外图像匹配技术研究状况，概括了图像配准技术的研究意义，以及应用领域，并介绍了图像配准的应用现状和发展方向。然后在分析总结特征点的提取算法的基础上，实现了尺度不变特征转换(SIFT

3、)算法。SIFT 特征匹配算法是目前特征匹配研究领域的热点，其匹配能力较强，可以处理图像之间发生平移、旋转、仿射变换的匹配，对任意角度拍摄的图像也具备比较稳定的匹配能力。因此 SIFT 在图像校正，图像融合等领域有很广泛的应用。：sift；图像配准；图像特征点；图像融合Image Feature PoExtraction Method Based On SIFTFeatureAbstractThe image matching is the same scene with two images or many images in space alignment,to make sure the

4、 pros of transformation relationship betn them, These images may beshooting down.odaysin different time, use differensociety in the computer fieldsors. From differentoften involvestracking, image navigation, characterrecognition, resourceysis.One of the very important problem is the image matching,B

5、ased on image feature poextracting and the matching method is more common methods.The traditional matching algorithm adaptability to environment is bad, so I need a canadaptable, can effectively identifyingmethod.This presearch srly comparatively detailedroduthe technology of image matchingus, Summa

6、rized the image registration technology research meaning, and theapplicationfields,androduimageregistrationapplicationsituationandthedevelopment direction. Then on theysis of the feature pos extraction algorithm isproed, based on the scale invariant features conver(SIFT) algorithm. SIFT featurematch

7、ing algorithm is currently feature matching research in the field of hot, its matchingability strong, can handle happened betn image translation, roion, affine transformationof the match, filmed at any Angle also have relatively stable image matching ability.Therefore, SIFT in image correction image

8、 fuapplication.and other fields have a very extensiveKey Words：SIFT，Image registration，Image feature pos第一章 绪论随着数字图像成像技术的成熟和传感器技术的发展，利用的工具获得同一目标的不同性质的图像，使能够更全面的了解事物的多方面性。人们在试用机获取环境图像并将其转换成数字信号，用计算机实现对视觉信息处理的全部过程，这样就形成了一门新兴的学科计算机视觉。而现在许多的计算机视觉应用需要图像匹配技术的支持，随着科学技术的发展，图像匹配技术已经成为现代信息领域中一项重要的研究。在某些场合下，需要

9、对目标进行空间上的定位这时就需要用到图像匹配技术，而图像匹配技术有着广泛的应用如地形匹配、飞机导航、气象预报、医疗、交通管理等等。图像配准是图像智能分析于处理技术的关键。1.1 本课题研究的背景及意义在现今社会中，人类被包围在各式各样的信息中。图像占有很重要的地位，在图像研究的领域中图像特征的研究是一种重要的研究方向。通过图像特征的提取这种技术被应用在图像识别还应用与图像的分割、匹配、拼接等方面。图像匹配技术是实现图像融合，图像校正以及目标识别与的关键步骤之一，如今已经被广泛用于图像领域，现在提高匹配的准确度是实现图像匹配的重要环节。其中图像匹配技术之一是基于特征的方法。是从待匹配的图像中提取

10、含有图像重要特征的特征点，针对图像特征提取与匹配的适应性和准确性问题，将尺度不变特征变换算法（SIFT）应用到图像的特征点提取中。SIFT 算法可在尺度空间中寻找到极值点，提取对图像尺度和旋转变化具有不变性，对光照变化和图像变形具有较强的适应性的特征点及特征点及其特征描述.。图像配准的应用很多，图像匹配技术被广泛地应用在遥感图像、医学图像、三维重构、机器人视觉等诸多领域中。所以在现今社会中，图像配准占有很重要的地位1.2 本课题研究的内容和目标图像配准是图像智能分析与处理的，是数据融合、运动检测和目标识别的必要前提。图像配准的主要目的是去除或抑制待配准图像和参考图像之间几何上的不一致，包括平移

11、、旋转等形变。由于图像配准在多个领域的广泛应用及本身的复杂性，现在许多图像配准的方法还存在不少。在介绍了图像匹配的主要方法后，本文在研究各种匹配算法的基础上，对匹配能力较强、适用范围较大的 SIFT 特征变换匹配算法进行比较详细的介绍，该方法匹配精确率高，对于图像灰度的非线性变换比较鲁棒。本课题的目标是利用 SIFT 算法实现图像特征点的提取，最后用，在计算机上验证了该算法，本文实现的配准方法精准度高，能够实现图像的有效配准。第二章 图像配准研究概述2.1 数字图像处理技术的研究和发展数字图像处理是指图像信号转换成数字信号，并利用计算机对其进行处理的过程，其于 20 世纪 20 年代，现在已经

12、广泛的应用于科学物医学、航天工程、工业检测、军事等方面。现在已经成为一种前景远大的新型学科。其作为一门学科形式形成于 20 世纪 60 年代的初期。早期的图像处理目的是以人为对象，改善人的视觉效果。（JPL），他们对航天探测器徘徊者首次获得实际成功应用的是喷气推进7 号于 1964 年发回的几千张月球使用了图像处理技术，还加入了位置和月球的环境等，计算机成功绘制出月球表面地图，随后又对后面发回的进行处理，从而获得了月球的地形图、彩及全景镶嵌图，让人们能够登月奠定了基础，也推动了数字图像处理这门学科的诞生。20 世纪 70 年代后到现在，各个应用领域对数字图像处理提出越来越高的要求，同时促进了这

13、门学科的高速发展。1972 年英国EMI 公司工程师Housfield 发明了用于头颅的 X 射线计算机断层摄影装置，1975 年该公司又研究出了用于全身的 CT 装置，获得了各个部位鲜明的断层图像。1979 年这项技术获得了奖。随着科学研究的迅速发展，人们已经开始研究如何用计算机解释图像，很多发达国家投入的人力、物力到这个研究中。其中代表性成果就是 70 年代末MIT 的 Marr视觉计算理论，这个理论成为计算机领域后的主导。在国内，图像处理技术起步相对较晚，现在、浙江大学等都相继成立了从事数字图像处理技术研究的国家从研究数字电视和制作设备的角度也对图像提取技术进行了深入的研究。我国于 19

14、99 年四月和巴西共同研制的“资源一号”发射升空，上面安装了我国研发的 CCD 相机和红外多光谱扫描仪，这两种航天器直接可以进行图像融合，大大扩展了遥感应用范围。这些图像经过必要的变换处理，是其空间位置和坐标达到匹配，叠加后获得互补信息，增加信息量。目前数字图像处理的主要特点主要包含以下四方面：（1）目前数字图像处理的信息量很大，所以对计算机的计算速度和容量要求高。数字图像处理占用的频带宽，这就对频带压缩技术提出了很高的要求。图像处理中信息压缩的潜力很大。（4）所处理的图像一般是给人观察的，受人的影响大。近年来，随着计算机和其他各个领域的迅速发展，比如在图像的表现、科学计算可视化、多计算技术和

15、其他有关领域的迅速发展，数字图像处理已经变成了一种普通应用的工具。数字图像处理技术未来发展大致体现在：提高硬件速度。提高分辨率，指的是提高分辨率和现实分辨率（3）化，三维图像技术将得到广泛应用（4）智能化，使计算机能够按照人的认识和思维方式工作。2.2 图像配准技术的难点图像配准技术在很多领域有着广泛的应用，加上本身具有很强的复杂性。尽管国内外在图像配准进行了大量工作，但是对于目前配准技术的很多方法，其中研究过程中还存在着许多的，主要表现在：（1）异构传感器图像配准技术：不同特性的图像传感器获得的图像特征和灰度存在着比较大的差异。现在的图像配准方法大多主要针对影响波段，对于分辨率、景物特征见见

16、图像配准方法较成熟，而对于性质完全不同的出传感器图像，如波段，分辨率、景物特征等差别很大的像配准问题。还没有得到很好的解决方法。很难满足大规模影像数据处理的需要。（2）快速图像配准算法：在建立实时，准实时图像融合系统时，需要快速图像配准。但是主要是如何提高图像配准处理速度达到快速和实时的要求。仍然是图像配准的一题。（3）自动配准技术：自动匹配是指不需要人工干预，计算机能够自动完成多源图像的配准。但是目前研究的许多方法大多数是需要进行人工交互，很难完成自动配准。（4）快速图像配准算法：在建立实时、准实时图像融合系统时，必须要求快速图像配准。其主要问题是：目前怎么样提高配准处理速度，达到快速实时的

17、要求，是目前图像匹配发展的难题。（5）较大几何位置差别条件下配准技术的实现：在待配准图像之间有较大的尺寸比例差别、较大的旋转角及较大的平移时存在大的图像非线性畸变以及严重的几何校正残余误差等情况，其匹配难度相当大，许多在上述差别较小时，也会常常无法实施。2.3 图像配准算法分类2.3.1 灰度配准由于传感器的不同，成像模式不同，得到的同一图像数据之间会存在相对平移、旋转、比例缩放甚至畸变的关系，所以必须进行几何上和灰度上的严格配准。基于图像灰度的配准方法，首先直接利用整幅图像的灰度信息，根据对应关系模型将每个像素点变换成为对应点，且定义一个描述图像区域相似性代价函数，然后采用某种搜索方法，寻找

18、使相似性代价函数值最大或者最小的变换模型的参数值。从而避免了因分割而带来的误差，因而具有精度较高、不需要预处理而能实现自动配准的特点。但基于图像灰度的配准方法中也存在一些缺点，例如把匹配点周围区域的点的灰度都考虑进来进行计算，因此计算量很大、速度较慢。对旋转缩放和等较敏感。经过几十年的发展基于灰度的图像配准算法可大致分为三类：互相关法、序贯相似度检测匹配法、交互信息法。互相关法也叫模板匹配法，是最基本得基于灰度的图像配准方法。它常常用于在模板匹配和模式识别领域。互相关法通过计算模板图像和搜索窗口之间的互相关值来确定匹配的程度，互相关值最大时搜索窗口位置决定了模板图像在待配准图像的位置。序贯相似

19、度检测匹配法（SSDA）比互相关法容易实现。其主要的特点是处理速度快。交互信息法是为了解决医学图像的配准问题于 1995 年被 Viola 和 Collignon 所研究发现的。目前已经在医学图像处理领域中得到广泛的研究。2.3.2 特征匹配基于图像特征的配准方法是目前采用最多的，在多源图像融合中，由于多传感器获取各类图像灰度特征不一致，所以很难运用基于图像灰度方法，基于图像特征方法提取各类图像中保持不变特征作为两幅图像配准的参考信息。这类方法的主要优点是它提取了图像的显著特征，压缩了图像的信息量，使得计算量小，速度较快，对于图像灰度的变化具有鲁棒性。所以基于图像特征的配准在实际中的应用越来越

20、广泛。另一方面正是由于只有小部分图像灰度信息被利用了，所以这种方法对特征提取和特征匹配的错误更敏感，需要可靠的特征提取和鲁棒的特征一致性。基于图像特征的配准方法主要在于如何提取和选择鲁棒的特征，以及如何对特征进行匹配，要克服由于噪声和场景中出现遮挡现象所引起的误匹配。基于特征配准所处理图像一般包含有颜色特征、纹理特征、形状特征、空间位置特征等。配准方法包括特征提取、特征匹配选取、变化模型及求取参数坐标、变化与插值四个主要组成部分2.4 图像的匹配技术图像匹配是一个多步骤的过程，总的来说大致可以分为图像输入、图像预处理、匹配有用信息提取、图像匹配、输出结果等，图像匹配的数学定义是给定两幅待匹配的

21、图像函数优化机制，为图像中的每一点计算出度量的位移量，并使用某种规整化机制进行约束。3.搜索策略。用于提高搜索效率的策略，在搜索空间大，精确度要求高时，最佳匹配方法往往非常耗时，因此采用相应的策略是必要的。控制点结合最小二乘准则是一个很通用的变换参数确定方法，它通常用在基于特征的匹配方法上。4.相似度测量。用来评估两幅图像之间的特征数据的匹配程度。2.5 图像的配准技术图像配准是对不同时间、不同现场、不同成像模式的两幅或多幅图像进行几何变换，使得各个图像在几何位置上能够匹配对应起来。图像配准过程如下图2.5所示：图2.5 图像配准的一般过程结构图图像的配准方法分为以下几类1.根据变换类型分类：

22、可以把图像配准分为刚性配准、基于仿射变换的配准、基于投影变换的配准以及基于曲线变换的配准。2.根据优化算法分类：该算法的选择是图像配准的重要一步。它影响着配准的精度和速度。优化算法把配准分为直接计算参数法和间接法两大类。3 通用的分类方法：由象素的配准方法、基于特征的匹配方法、基于模型的配准方法。由于特征的算法提取了图像显著的特征，速度快，计算量小。所以特征的图像配准是目前研究的热点。基于特征的方法是图像配准中最常见的方法，对于不同特性的图像，选择出一定程度上代表待配准图像相似性的特征作为配准依据，该方法有很强的适应性。使用这类方法包含了 5 个阶段;(1)预处理在实际中成像条件会有差别，所以

23、得到的图像也会存在着差异，所以一般在进行图像配准钱，会对图像先进行特别的处理，这样就增强了图像中有用的信息，也除去了一些无用或者有害的。如果存在噪声，则用空间域相应的低通滤波器消除这种噪声。（2）特征提取是指分别提取两幅图像有的图像特征。这种特征是在两幅图像中比例、旋转、平移等变换保持一致性的特征（3）特征匹配对两幅图像中提取的特征点进行匹配，是建立两幅图像中特征点之间对应关系的过程，用数学语言则描述为两幅图像A 和B 中有m 和 n 个特征点，其中有 k 对点是两幅共同拥有的，所以如何确定两幅图像中这 k 对相对应的点是目前特征匹配要解决的问题。（4）变换参数估计变换模型是指浮动图像与参考图

24、像之间几何畸变的情况。通常采用的模型有放射变换、变换、投影变换和多项式变换。这一步骤中算法的精确性，可靠性是应该解决（5）图像重采样于变换以上是基于特征图像匹配的过程，每个步骤都有需要解决。基于图像特征的方法优点在于能够处理两幅图像之间存在比较大的未对准情况，只利用了图像的某些特征。减小了计算量，降低配准的时间。所以基于图像特这个的配准方法的关键在于如何提取和选择鲁棒的特征以及采取何种方法进行特征匹配。在配准过程中，为了使待配准图像和参考图像达到配准，则需要对配准图像进行各种变换，对于在不同时间不同条件下获取的两幅图像原像素坐标，旋转角度为非线性变换比较适合于具有全局形变的图像配准问题，以及整

25、体近似但局部有形变的配准情况。第三章 SIFT 算法3.1 SIFT 算法发展历程图像拼接中最重要就是图像配准问题，它直接关系到图像拼接算法的成功和效率。在以前的算法中往往计算量比较大很难兼顾实时性和有效性。SIFT 特征匹配算法是目前国内外特征点匹配研究领域的热点与难点，该算法匹配能力较强，甚至对任意角度拍摄的图像也具备很稳定的匹配能力。David.G.Lowe 在 1999 年提出SIFT 算子，当时主要用于对象识别。并在 2004 年总结及更深入的发展和完善了现有的基于不变量技术的特征检测方法，提出了一种基于尺度空间的，能够对图像平移、旋转、缩放、甚至仿射变换保持不变性的图像局部特征描述

26、算子，SIFT 特征匹配算法分三个阶段来实现：第一阶段是SIFT 特征点检测：第二阶段是SIFT 特征描述符的生成。第三阶段是 SIFT 特征向量的匹配。特征匹配算法的匹配能力虽然强，但是计算量复杂程度是相当大，所以该算法的应用受到了很大的限制。所以目前采用建立DOM 尺度空间，采用积分图像检测特征描述，对匹配能力进一步提高。Rob Hess 基于 GSL 和 Opence 编写了相应的 C 语言程序，后来 Y.Ke 将其描述子部分用PCA 代替直的方式，对其进行改进。在 Mikolajczyk 对包括Sift 算子在内的十种局部描述子所做的不变性对比实验中，Sift 及其扩展算法已被证实在同

27、类描述子中具有最强的健壮性。Lowe（48）提出了比较最近邻距离与次近邻距离的方法。SIFT 在图像的不变特征提取方面拥有无与伦比的优势，但是缺点也很明显，所以人们从未停止对它的优化和改进：PCA-SIFT:PCA 即主成分分析，是一种数据降维技术 ，由 Y.ke 2004 年提出，通过降维技术，可有效化简算子的 128 维描述子。CSIFT:既彩色尺度特征不变化，可以针对彩Farag2006 年提出。像进行图像的不变特征提取，由ASIFT 抗仿射SIFT 变换;两个向量空间之间的一个仿射变换或者仿射由一个线性变换接上一个平移组成，ASIFT 可以抵抗强仿射情况，提取特征点远多于 SIFT 算

28、法，由J.M.Morel 2009 年提出。3.2 SIFT 主要成像匹配的问题是将同一目标在不同时间、不同分辨率、不同光照、不同位姿情况下的像相对应，传统的匹配算法对环境的适应能力较差，所以提出了一种鲁棒性强，且能满足上述要求的目标识别的算法。SIFT 算法是一种提取局部特征算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量。3.3 SIFT 算法的主要特点SIFT 特征是图像的局部特征，对旋转、尺度缩放、亮度变换保持不变性，对视角变换、仿射变换、噪声也保持一定的稳定性,而对物体运动、遮、挡、噪声等持较好的可匹配性，从而可以实现差异较大的两幅图像之间特征的匹配。也保独特性好，信息量丰富，

29、适用于在大量特征数据库中进行快速、准确的匹配、比原有的harris 角点匹配方式具有更高的匹配准确度。多量性:即使少数几个物体也可以产生大量SIFT 特征向量。高速性;经过优化的SIFT 算法可以满足速度需求。可扩展:，可以方便与其他形式的特征向量进行融合。SIFT 算法基于图像特征尺度选择的，建立图像的多尺度空间，在不同尺度下检测到同一个特征点，确定特征点位置的同时也确定其所在尺度，以达到尺度抗缩放的目的。剔除一些对比度较低的点以及边缘响应点，并提取旋转不变特征描述符以达到抗仿射变换的目的。3.4 SIFT 算法的实现SIFT 算法步骤一般包括以下 5 个步骤：1.构建尺度空间，检测极值点，

30、获得尺度不变性;为了使提取图像的特征具有尺度不变性，特征点的检测大多数是在多尺度空间完成的。尺度空间理论考虑了图像各个结构在多尺度中演化，其目的在于模拟图像信息的多尺度特征。尺度空间理论基本原理是利用卷积核对初始图像进行尺度变换，获得图像多尺度下的尺度空间表示序列，再对这些序列进行尺度空间特征提取。一幅图像在不同尺度下的尺度空间定义为图像一幅图像在不同的尺度下的尺度空间定义为图像2.特征点过滤并进行精确定位。由于 DOG 值对噪声和边缘较敏感，因此还要进一步的检验才能精确定位为特征点，下面对局部极值点进行三维二次函数拟和以精确确定特征点的位置和尺度，尺度空间函数辅方向。图像的关键点已经检测完毕

31、，由此可以确定一个 SIFT 特征区域。4.生成特征描述符至此，确定了特征点的位置、尺度和方向，接下来为每个特征点建立特征描述符，使其不随各种变化而改变，比如光照、视角、环境变化等。这些特征描述符应该有较高的独特性，减小特征点的误匹配率。图 3.5 首先将坐标轴旋转为关键点的方向，确保旋转不变性。以特征点为中心取 88 的窗口，将采样点于特征点的相对方向通过高斯后归入包含 8 个bin 的方向直，每个关键点用 44 共 16 个点来描述，这样最终形成 128 维的SIFT 特征向量，此时 SIFT 特征向量已经去除了尺度变化、旋转等几何变化的影响。图 3.5 由关键点邻域梯度信息生成特征向量5

32、.当两幅图像的 Sift 特征向量生成以后，下一步就可以采用关键点特征向 量的欧式距离来作为两幅图像中关键点的相似性判定度量。取一幅图中的某个关键点通过遍历找到另一幅图中的距离最近的两个关键点。在这两个关键点中，如果次近距离除以最近距离小于某个阙值，则判定为一对匹配点。降低这个比例阈值，SIFT 匹配点数目会减少，但更加稳定。第四章 实验分析4.1 SIFT 特征点匹配实验结果SIFT 算法的实现是一个比较复杂的过程，本文在分析了算法的基础上，针对不同的情况下进行试验。通过人眼的配准观察来判断特征点提取的有效性。4.1.1 同一的特征点匹配实验在windows xp7.0a,用相同两张来做特征

33、点的提取和匹配；首先提取SIFT 特征，然后进行特征匹配。图 4-1 和 4-2 为原始图像，图 4-3 和 4-4 为图像中检测出的 SIFT 特征，用箭头表示，箭头的起点代表特征点的位置，箭头的长度代表该特征点所在的尺度，箭头的方向代表该尺度特征点所处领域的主梯度方法，图 4-5是特征匹配的结果。实验数据 1图 4-1 SIFT 实验图图 4-2 SIFT 实验图图 4-3 局部极值点实验图局部极值点图 4-4 局部极值点实验图图 4-5 图像配准结果图如图 4-5 所示，对两幅图像进行匹配试验，左图和右图提取的局部极值点数目相同为 158 个点，经过计算两幅图像匹配的特征点数目为 177

34、 个配对，错误配对为 0，全部正确。为了显示清楚，用线将正确匹配点相连起来。实验数据 2：与实验数据 1 相同，是用两幅相同的图像来做特征点的提取于匹配。图 4-6 SIFT 实验图图 4-7 SIFT 实验图4-8 局部极值点实验图局部极值点4-9 局部极值点实验图确定主方向图 4-10 图像配准结果图如图 4-10 所示对两幅图像进行匹配实验，两幅图提取的局部极值点为 609，经过计算两幅图像匹配的特征点数目为 679 个配对，错误配对为 0，全部正确4.1.2 有缩放的图像特征这组实验是相同的，只是在拍摄时进行了缩放的处理，使用 SIFT 算法将不同焦距拍摄的进行特征点匹配。图 4-11

35、 SIFT 实验图（a）图 4-12注：这是相同的两幅图SIFT 实验图（b）局部特征点图 4-13 局部极值点实验图（a）图 4-14 局部极值点实验图（a）确定主方向4-15 局部极值点实验图（b）局部极值点4-16 局部极值点实验图（b）主方向图 4-17 图像配准结果图实验结果如图 4-17 所示，左图和右图提取的局部极值点数目分别为 158 和 102 个点，特征点匹配中有 45 对配对，错配 3 对，可见本实验 SIFT 算法位能力，且能够在很大程度上排除图像缩放对图像的影响。较好的目标定4.1.3 复杂情况特征点匹配图 4-18 原始图像 a图 4-19 原始图像 b图 4-20

36、 原始图像 a 的局部极值点图 4-21 原始图像 a 的主方向图 4-22 原始图像 b 的局部极值点图 4-33 图像b 的主方向图 4-33 特征点匹配结果如图 4-33 所示，对两幅复杂情况下的图像进行匹配实验，左图和右图提取的 SIFT特征点数目分别为 182 和 2068 个局部极值点，其中特征点匹配配对 10 对，错配 3 对，从图中可以看出，尽管两幅图像有遮挡、缩放等变换但两幅图像中找到的 SIFT 特征匹配对，其位置信息、方向性和尺度信息是准确的。可见 SIFT 算子可以较稳健的对发生几何形变、的图像局部特征进行准确的匹配。但是在提取过程中，由于 SIFT 算法需要在各个尺度上进行计算，时间复杂度相对较高，在特征匹配方面，特征匹配的准确度都有待于改进，这也是今后需要进一步研究的方面。参考文献：1王国美，. SIFT特征匹配算法研究D. 贵阳：大学计算机科学与技术学院，20072，. 基于SIFT特征提取的单日视觉里程计在导航系统中的实现D.