基于FREAK图像配准算法

　　快速视网膜特征（ FREAK）描述子通过计算模式方向实现了旋转不变性，但对于旋转尺度变化较大的情况匹配性能并不理想，误匹配率较高，为此提出了一种改进的基于FREAK描述子的精确图像配准算法。首先，对原有FREAK算法添加长距离点对，设定距离阈值，只利用关键点采样模式中距离较远的点来生成角度信息。其次，对Hamming距离进行加权。对每一个关键点，在为了生成描述子选择点对时，对训练数据描述子的每一列计算均值，越接近0.5的列权值越大，改进了原来Hamming距离计算粗略的状态，使距离计算更精确。最后，使用最近邻匹配结合最近邻和次近邻的比值以及随机抽样一致（ RANSAC）方法进行快速匹配和优化。实验结果表明，改进算法更适用于旋转尺度变化较大的环境及匹配性能要求较高的场合。

　　目标匹配、图像拼接、3D重建、目标识别等计算机视觉应用都依赖于图像配准。图像配准的通用方法是提取图像中的关键点进行比对处理。寻找有效的关键点描述子，使其对尺变变换、旋转变换、仿射变换和噪音等都具有较高的鲁棒性，成为近十几年的研究热点。随着大数据的发展和视觉算法在智能手机及嵌入式设备上的应用，使描述子同时具备简洁的描述方式、良好的表征能力和快速的比对计算过程，成为新的研究趋势。