1、圖像配準(zhǔn)是數(shù)字圖像處理領(lǐng)域的基本問題，用于比較或融合針對同一對象在不同條件下獲取的圖像，包括對象或場景識別、根據(jù)多張圖像的3D建模、立體匹配以及運動追蹤等，它是圖像從獲取到分析過程中的重要步驟。圖像配準(zhǔn)技術(shù)在諸多方面，例如機器視覺、醫(yī)學(xué)圖像處理、軍事領(lǐng)域以及材料力學(xué)等領(lǐng)域都有廣泛的應(yīng)用。
　　本文主要研究基于尺度不變特征變換（Scale Invariant Feature Transform，SIFT）的圖像特征匹配算法。SIFT

2、算法提取的特征點對圖像的相似變換無關(guān)，對光線、噪聲、微視角改變有較好的容忍度。但是SIFT特征點描述子同時具有計算復(fù)雜、維數(shù)高、匹配速度慢等缺點。對此，本文提出了一種基于向量內(nèi)積的最近鄰搜索算法。首先引入合適的、隨著待檢索點動態(tài)變化的參考向量，通過直接提取特征點描述子矩陣的數(shù)據(jù)來獲得樣本集與它的內(nèi)積，排序所提取的數(shù)列。然后，確定待檢索點與向量的內(nèi)積，在對應(yīng)的內(nèi)積序列中查找位置，確定以所在位置為中心的近似搜索范圍，由范圍內(nèi)的近似最近鄰搜索

3、代替在樣本集中的全范圍搜索，以較小的準(zhǔn)確度損失為代價，大幅提高搜索速度。
　　為了驗證本文算法的有效性與優(yōu)點，將算法與常用的近似最近鄰搜索算法KD-BBF算法對牛津大學(xué)VGG實驗室的圖片測試庫進行了試驗對比，并從匹配速度、正確匹配數(shù)量、準(zhǔn)確度三方面進行比較評估。試驗結(jié)果表明，選擇適當(dāng)?shù)慕谱罱徦阉鞣秶?，本文算法相比于KD-BBF算法顯著提升了的搜索速度，而只付出了損失較小正確匹配數(shù)量的代價。同時，本文還利用所提出的算法完成了圖像