图像匹配是计算机视觉领域的重要技术之一,在目标定位、视觉导航、三维重建等许多应用中不可或缺。图像匹配技术的关键是同时提高算法的精度和速度,现有算法仍存在较大的发展空间。例如,基于局部特征点的图像匹配算法具有鲁棒性优势,而且有些算法还利用了特征点之间的几何约束,但是在速度上难于达到实时性。另外,常用的局部特征点包括斑点和角点,而实际应用中往往固定使用某一种特征点,而不是针对不同图像选择一种更适合该图像的特征点。最后,图像匹配过程中检测到的特征点常常存在数目过多且分布不均匀的问题,不仅耗时而且增大了误匹配概率。为了提高图像匹配算法的精度和速度,本文针对以上三个问题分别进行了三方面的研究:(1)提出了基于二进制描述的快速三角形匹配(Rapid Triangle Matching,RTM)改进算法。原RTM算法采用浮点型描述子对三角形进行描述,而改进的算法分别采用二进制描述子FREAK(Fast Retina Keypoint)和rBRIEF(Rotation-aware Binary Robust Independent Element Feature)对三角形基元进行描述。通过仿真图像和实际图像对改进算法进行了性能测试,实验结果表明,相较于原RTM算法,改进算法的精度和速度均有所提高,占用的内存也大大减小,并且在结构场景中能够匹配上原算法匹配不上的点,同时具有一定的鲁棒性,可用于实际双目图像的匹配应用。(2)提出了一种基于边缘检测的特征点类别选择方法。对于一幅待匹配图像,首先利用Canny边缘检测算法计算本文定义的一种图像边缘率,然后根据边缘率与高低阈值的关系来判断该图像的结构性,最后确定适合该图像的特征点检测方式:若边缘率大于高阈值,则认为图像的结构信息非常明显,应采用角点检测;若边缘率小于低阈值,则认为图像的结构信息非常不明显,应采用斑点检测;若边缘率介于二者之间,说明图像的特征不明显,采用角点、斑点检测均可。利用仿真图像进行了边缘率高低阈值的求取,最后通过实际图像验证了本章方法的有效性。该方法用于图像匹配算法之前特征点类别的智能选择,具有实际的应用意义。(3)提出了一种基于图像局部熵和特征点响应的特征点筛选方法。该方法通过对目标图像划分网格得到子区域,然后计算子区域的局部熵和熵的平均,在局部熵大于熵平均的区域内提取一定比例响应值较大的特征点,在剩余的区域内只提取最强响应的特征点,将筛选得到的所有特征点进行描述,与参考图像得到的特征向量集进行匹配和消错。实验结果表明,该方法不仅能有效减少特征点数目,还能保证特征点分布的均匀性,与匹配算法相结合,提高了匹配算法的速度和精度。