智能监控及检测系统需要对采集的视频图像进行分析、理解,实现智能判读,作为图像处理和计算机视觉的基础,图像匹配就显得尤为重要。目前的图像匹配算法主要有基于灰度信息的匹配、基于变换域的匹配和基于点特征的匹配三种,基于点特征的图像匹配方法由于其运算复杂度低,对噪声具有鲁棒性,并且能够满足复杂的几何变换而成为图像匹配研究的热点。由于许多监控系统的工作环境复杂,视频图像在拍摄过程中受噪声污染,光照等影响,使得视频图像的成像质量较差,特征提取和图像匹配效果不佳。另外,越来越多的应用对图像的特征提取和匹配提出了实时性需求。尽管目前已经有大量的特征提取和匹配算法存在,但是对于低质量的图像来说,这些算法在性能和时效方面还存在着较大问题。本论文重点研究针对低质量图像的角点特征提取和基于角点特征的快速匹配算法,以提高特征提取和匹配的性能,降低算法的时间复杂度。本文提出了一种基于多尺度弦角尖锐度均值累积的自适应角点提取算法(AMCSA, Adaptive Corner Detector Based on Multi-scale Chord-angle Sharpness Accumulation),有效解决了算法的抗噪声能力。该算法改进Canny边缘提取算法,实现边缘精确定位,同时利用低边缘响应抑制来加快边缘轮廓提取效率。同时将角点的支撑域划分为由近到远的多个子支撑域,将多个子支撑域作为尺度,分别计算每个尺度下的弦角尖锐度均值,多个均值进行累积作为多尺度角点响应判别函数,该判别函数有效放大了角点和噪声点的响应强度差异,大大提高了算法的抗噪声能力。由于算法在计算角点响应过程中没有对轮廓曲线进行平滑滤波,保持了较高的角点定位精度。最后算法根据每条轮廓的自身特性,计算各轮廓的自适应角点阈值,因此提高了该算法的适应性。实验结果表明,该算法能够有效抑制噪声,提高角点的定位精度,在提高在噪声图像上的角点提取性能的同时,一定程度上解决了模糊图像的角点提取问题。但是上述角点提取算法过分依赖所提取的边缘轮廓,并且算法耗时较多,对于光照不均的模糊图像,角点提取性能不太理想,因此本文提出了基于双阈值的光照不均模糊图像角点提取算法(FIFD,A Fast Corner Detector for Non-Illumination and Fuzzy Image Based on Dual-Threshold)。该算法使用内模板将图像快速分为平坦域和角点域,并记录角点域状态,然后利用外模板仅对角点域上的像素利用外模板进行角点提取,大大提高了角点提取的速度。为了提高算法的抗噪能力和解决图像的模糊问题,在计算角点响应时,允许角点贡献域内包含一定量的差异像素,同时采用自适应双阈值有效解决人工光源下光照不均的问题,最后通过伪角点剔除算法提高角点检测性能。通过在标准图像测试库Caltech图像、自拍的自然风景图像和矿井内的视频图像上进行实验验证,该算法能够大大减少执行时间,在定位精度和提取性能方面都优于目前主流的角点提取算法。在FIFD角点特征提取的基础上,本文提出了基于特征状态与全局一致性的快速图像匹配算法。该算法将特征点邻域空间中的像素点映射到梯度空间中,计算梯度空间中的点到直线上的加权距离均值,把具有最大加权距离均值的直线作为角点的主方向,该主方向计算简单,并被证明具有唯一性、尺度和旋转不变性。为了加强低质量图像的可区分性,将二值纹理特征和统计特征融合作为描述子向量。根据角点域状态将待匹配角点进行分类,在类内实现粗匹配,可有效降低算法的执行时间。最后利用匹配点对的空间位置关系,根据仿射变换矩阵,使用误差波动幅度最小聚类方法快速剔除粗匹配中的错误配对点。实验结果表明,该匹配算法在图像的旋转、光照变化、仿射变化、噪声和模糊等情况下具有不变性,在保证图像匹配的性能的前提下,能够大幅提高图像匹配的效率,可有效应用于复杂环境下的视频图像的匹配及检测。