图像匹配是数字图像处理领域的一项重要内容,也是其中一个难点。它是许多计算机视觉理论和应用的基础,如摄像机标定、三维重建、智能监控和运动分析等。图像匹配的方法一般分为基于特征的匹配方法和基于灰度的匹配方法两大类。前者利用图像的物理特征,如边缘、骨架线条、角点等进行匹配,计算量比较小,但只对简单几何特征的图像效果比较好,对复杂图像的匹配效果并不理想。后者匹配的精确度比较高,但是计算量比较大。基于灰度的匹配方法通常用模板匹配方法,传统的模板匹配方法效率非常低,而序贯相似算法(SSDA)虽然在速度上有了一定的提高,但还是达不到实时的要求。遗传算法是一种具有隐并行性的全局搜索优化算法。遗传算法的数学基础是模式定理和积木块假设。遗传算法为解决复杂的优化问题提供了通用的模型。由于遗传算法的全局搜索能力和隐含并行性,遗传算法用在图像匹配中提升了图像匹配的速度。遗传算法的全局搜索能力决定了在搜索过程中从随机值到较优值的快速,而其较弱的局部搜索能力导致了从较优值到最优值的低效,而且遗传算法本身随机性太大,其精确度往往不高。本文在分析标准遗传算法的缺点的基础上设计了一种混合遗传算法,该算法在遗传算法的基础上引入了爬山法,使二者有机结合在一起,使两个算法都能扬长避短。该算法在不同的匹配阶段分别使用了粗略匹配和精确匹配,使匹配的速度进一步得到了提升。本文还研究了图像在发生旋转情况下匹配的问题,设计了一种抗旋转匹配算法。这种算法使用模板图像和原图像中的圆环区域和圆区域内的直方图特征进行匹配,并结合混合遗传算,使旋转图像的匹配速度上得到了很大的提升。