2017年
食品生物技术
软 件
2017, V ol. 38, No. 12
作者简介: 卢清薇(1994-)，女，硕士研究生，主要研究方向：SLAM 系统；罗旌钰(1994-)，男，硕士研究生，主要研究方向：SLAM 系统。末路穷途
通讯作者: 王云峰(1977-)，男，副教授，博士，研究方向：数字集成电路设计及SLAM 系统软硬件设计。
SURF 算法的降维研究
卢清薇，罗旌钰，王云峰
人的反义词是什么
（厦门大学 厦门大学电子工程系，福建 厦门 361005）
摘 要: SURF(Speed-up robust features)算法进行图像特征点匹配时需要循环遍历待匹配图像所有特征点，计算特征点之间的SURF64描述距离，耗时大。本文对SURF 算法进行了16维与4维的降维研究。实验结果表明，16维SURF 算法性能与64维SURF 算法基本相当，但能大幅度降低运算时间；4维运算性能降低较大，不能用于特征点匹配，但4维SUFR 描述算法可以扩展到图像的各个像素点，用于ICP 算法及图像的稠密匹配。
关键词: 图像匹配；特征点；SURF 算法；降维
交卸是什么意思中图分类号: TP391 文献标识码: A DOI ：10.3969/j.issn.1003-6970.2017.12.028童年的梗概
跑步机多少钱啊
本文著录格式：卢清薇，罗旌钰，王云峰. SURF 算法的降维研究[J]. 软件，2017，38（12）：148-152
Rearch on Dimensional Reduction for SURF Algorithm
茶叶文化
LU Qing-wei, LUO Jing-yu, Wang Yun-feng
(Department of electronic engineering, Xiamen University, Xiamen Fujian 361005, China )
【Abstract 】: Matching image feature point by SURF(Speed-up robust features) algorithm needs to loop through all feature points on the image to be matched, and compute the sixty-four dimensional distance of SURF between fea-ture points, which will take a long computation time. The sixteen dimensional SURF and four SURF are imple-mented. The experimental results show that the performance of the sixteen dimensional SURF is almost the same as that of the sixty-four dimensional SURF, moreover the sixteen dimensional SURF takes less time than sixty-four dimensional SURF. The performance of four dimensional SURF is much inferior to that of sixty-four dimensional SURF, so it cannot ud to match feature point. However the four dimensional description of SURF can be ex-panded to all feature points, which can be applied in ICP algorithm and den matching algorithm. 【Key words 】: Image matching; Feature points; SURF algorithm; Dimensional reduction
蝴蝶面怎么做好吃0 引言
即时定位与地图创建（SLAM, Simultaneous Localization and Mapping ）系统在环境勘测、抗险救灾、物体追踪、终端移动自治等方面得到了广泛的应用。随着研究的深入以及计算机视觉的发展，SLAM 系统研究的重心已经从基于昂贵的激光和声纳等传感器转移到基于视觉SLAM 上了。视觉SLAM 的核心问题是多场景间的匹配问题，选择有效的匹配算法是重构环境的重要前提。
最早单独使用视觉传感器来估计移动终端的运动状态是在19世纪80年代末，Moravec 等[1]在他的研究工作中不但首次介绍了运动估计的流程，还提
出了最早的图像角点检测算法。Matthies 等[2]使用双目视觉系统，结合Moravec 的研究成果，进行SLAM 研究。Davison 等[3]利用视觉匹配的方法实现了对一个自由运动摄像头的运动状态求解。Henry 等[4]率先利用新一代视觉传感器Kinect 采集室内场景数据，联合形状和表面信息进行图像之间的配准，可以完成Kinect 的即时定位与场景地图的创建。Endres 等[5]基于手持Kinect ，利用SIFT （Scale Invariant Feature Transform ）算法从彩色图像提取特征点，进行匹配，结合图像深度信息，在三维空间中构建可视化的地图。上述文献都是通过图像特征点匹配，计算图像之间的变换关系来完成即时定位与地图创建。因此，特征点匹配算法的效率严重影响SLAM 系统的性能。
