基于SIFT的车辆快速查询系统
由加拿大英属哥伦比亚大学的 David 教授提出的尺度不变特征SIFT 算法因其良好的特性，已成为国内外图像处理和计算机视觉研究领域的热点之一。本文围绕着如何将SIFT算法应用于交通路口车辆查询系统中，以实现对目标图片在海量图片数据中的快速匹配等问题开展研究。
针对SIFT算法特征提取效率低并且特征匹配效率慢，无法满足目标图片与海量图片快速匹配的问题，本文提出了将特征量提取并且保存本地的方法，这样每一次的匹配不用重复计算图片库的特征向量，加快匹配进程，同时使用kdtree结构和近似最近查找BBF算法来优化特征匹配算法。实验结果表明,该方法在保持传统SIFT匹配算法精度的同时，能够提高图片匹配速度。
David Lowe提出可以用随机kdtree来优化建树和查找过程，并且发布开源代码fastANN。采用基于bag-of-words的方法，通过使用fastANN优化kmeans算法得到聚类中心后，使用LDA分类器对图像库进行分类，然后再对目标图片进行匹配。实验表明，这种方法在保持不错的正确率的条件下，能够极大的提高匹配速度。
[关键词] SIFT特征量；kdtree；BBF；fastANN；快速匹配
*若需了解更多与协助请咨询↓→[电脑QQ][手机QQ]【数据协助】
