1、“.....其灵活，快捷以及非接触等优势使其成为了获取三维空间信息的主要方式之。其中，从不同视角对同场景进行拍摄，在所得到的图像序列中得到可靠的对应点是该技术的关键问题之，并且其也是后续数据分析，三维重建等的基础，另方面，由于传统的特征点提取方法不能在弱纹理区域中提取可靠的对应点，因此其成为了该领域亟待解决的难点之。本文针对该问题进行了研究。论文涉及模式识别，寻优算法，数字图像处理等多学科的理论方法。主要包括介绍了特征点提取与匹配方法的基本原理......”。

2、“.....并介绍了模式识别中相关方法的理论及其在各自领域中相应的应用，包括稀疏表示，算法以及算法，为本文所研究的基于宽基线的弱纹理特征点的提取与匹配算法提供了理论依据和基本思路。对弱纹理区域的特点进行了研究，提出了种适用于提取弱纹理区域中特征点的方法。该方法基于区域局部自相似性的概念提取图像中自相似性较高的点作为相应的特征点，另方面，由于弱纹理特征点的特征不明显，因而较难找到种合适的特征描述子对其特征进行描述，从而使得传统的基于欧氏距离的特征点匹配方法对其并不适用，因此，设计了种基于稀疏表示的特征点匹配方法，该方法对特征描述子的选取并不敏感，且其具有较强的稳定性及鲁棒性。实验结果表明该方法对弱纹理......”。

3、“.....为了将传统特征点提取算子及匹配方法的适用性进行扩展，使其能够在图像弱纹理区域中提取到相应的特征点并进行准确的匹配，提出了种基于纹理合成的弱纹理特征点提取方法。该方法以纹理合成算法为基础，并采用仿射变换将所合成的纹理分别添加到图像对的弱纹理区域中替换之前的弱纹理区域，此外，为了确保所添加后的纹理的准确性即，若之前在弱纹理区域中对应的点，在替换后仍为对应点，我们采用图割算法对所提取到的特征点对进行修正，通过采用这种粗匹配到精确匹配相结合的特征点匹配方法，建立了套基于纹理合成的弱纹理特征点匹配机制。通过对各种包含弱纹理的图像进行实验验证，结果证明本方法在扩展了传统特征点提取方法的基础上，保证了较高的匹配准确率......”。

4、“.....传统的深度图像大多是在窄基线的情况下所生成的，但该方法不具有通用性，并且所受限制条件过多，另方面，由于传统的特征点提取方法可在宽基线情况下提取到相应的特征点，但由于其提取出的特征点周围般都具有较强的纹理特征，但在现实环境中往往存在大量的弱纹理区域，因而该方法较难应用于实际中。为此，我们提出了种基于的特征描述机制，根据每点周围的纹理强度，采用算法找出其对应的区域，根据该区域给出对应的特征描述子，最后，利用极线约束在极线上找到匹配的特征点，并根据匹配结果采用图割算法调节相应的能量函数来得到最终的深度图像。实验结果表明，该方法能够在宽基线下得到较为准确的深度图像，扩展了传统立体匹配的适用范围。论文最后对所做的研究工作进行了总结......”。

5、“.....关键词特征点提取立体匹配三维重建特征描述子图割算法稀疏表示纹理合成域，这导致采用传统的检测方法在该区域失效，其原因是由于经典方法大多基于灰度场变化强度来选择特征点，因此，为了避免这缺点需要采用非梯度场概念的特征检测算子来检测特征点。自相似概念作为特征点的局部区域的种特征可以被用到特征点提取中。对称性是自相似性的种特例，文献中分析了各种形状的对称性，实际中人们根据应用目的不同提出了多种对称性的概念，例如轴对称，光滑区域的局部对称性以及径向对称等，和提出了种离散的轴向对称性变换用于人眼检测，天体图像分析以及图像预处理中。此外递归方法可提高其算法效率。基于局部频率信息的分析提出了种对称性的测量方法，图像中的局部对称性与非对称性可由局部频率的种组合所构成......”。

6、“.....此外文献分别对图像中对称性区域的提取进行了研究，这些方法对图像的几何变换以及光度平移具有不变性。为了对图像中的区域进行自相似检测我们采用标准相关参数的概念来计算其关于每条对称轴的灰度对称性，如图所示给出了位置，关于固定轴的镜像对称点。由于图像不同点之间的灰度值之间存在如下线性关系，其中表示相应的局部区域，表示图像在时的灰度值，表示位置进行几何变换之后的位置。因此当标准相关参数越接近时，表示该区域的对称性越高。图位置，的镜像对称位置，示意图第二章计算机视觉理论基础与关键技术另方面，采用标准相关参数不仅可以检测对称性，同时也可以用其来检测反对称性点以及其他类型的特征点......”。

7、“.....特征点提取与描述由于局部特征在部分可视与复杂的情况下具有较强的鲁邦，因此能够较好的适用于匹配与识别问题中。其中的难点在于找到对任意拍摄角度下的不变性特征点以及尽可能多的获取图像中的这类特征点。目前第二类问题主要是在立体匹配以及稠密匹配等应用背景的情况下所提出的且尚没有行之有效的方法，而对第类问题，目前多采用直接提取不变的特征或基于可变特征计算相应。特征点的提取目前应用领域最广以及最成熟的特征点提取与描述算法主要为基于梯度场方法，而其中又以算法最著名，因此这里我们主要对算法进行介绍。提取算法包括三个部分构造尺度空间并寻找候选特征点特征点的精确定位剔除不稳定点。在中通常选择算子来构造对应的尺度空间，并通过图的金字塔模型来选择对应的候选特征点......”。

8、“.....右边为每阶梯上的具体构造其中尺度空间是通过高斯尺度空间中相邻层之间的差来得到的。这里采用的尺度空间为尺度空间的近似其作用是简化计算，另方面为了进步提高算法的效率，这里采用金字塔模型得到相应的候选点。在尺度模型构造完成之后，通过检测每尺度上的极值点来确定相应的候选点，这里对每个点进行检测是采用同尺度上的个相邻点以及上下相邻尺度上同位置的个点。更进步，在获得候选点之后，为了得到其在图像上具体的位置以及其尺度大小采用对尺度空间函数进行泰勒展开的方法进行最小二乘拟合，其泰勒公式展开如下上式对求导并令其导数为零，即ˆ，其中ˆ......”。

9、“.....在此基础上还需剔除低对比度以及边缘响应点，通过ˆˆ的值，可将低对比度的点直接剔除，另方面，对边缘响应点采用矩阵，通过以下公式进行剔除其中为个设定值，通常取。特征描述子为了对不同图像上所检测到的特征点进行的不变特征等方法来解决，该类方法的目的是为了保证得到不同视角下的同名点用于匹配。以下对特征点提取与匹配中常用的方法进行介绍尺度空间当同物体不同图像之间进行匹配时往往存在着尺度不同的情况，因此为了检测到同物体需要设计种尺度自适应的方法......”。