作为图像匹配的一个重要步骤，局部特征描述被广泛应用于物体辨识、纹理识别、图像检索和分类、机器人定位以及视频数据挖掘等领域。其基本思想是利用特征点的邻域信息，为每个特征点计算各自的特征描述向量。一旦得到描述向量，可以在某种相似度准则下（如欧氏距离），很方便地利用所得到的特征描述向量在不同图像之间寻找相似点对。为了获取良好的匹配效果，局部特征描述子应该具备好的区别度和对图像的旋转、压缩、运动模糊、亮度变化等的鲁棒性。　　 亮度变化是影响图像匹配效果的主要因素。待匹配的图像可能获取于不同的时间、地点，待匹配的物体还可能被阴影所遮挡，导致图像整体或局部区域亮度的剧烈变化。此外，待匹配的图像也可能是由不同的传感器所获得的，因而伴随着不同的内部和外部参数设定（如响应增益、曝光时间、伽马校正等），导致不同图像在色调和亮度上具有较大的差异。例如，某些摄像机的自动白平衡功能会造成图像亮度的整体平移，而自动曝光功能也会通过对曝光时间的控制，影响图像的整体亮度。总而言之，各种因素的共同作用会导致待匹配图像对之间在色调和亮度上存在整体或局部的非线性变化。这种非线性变化会给特征点匹配的稳定性带来不利影响。因此，如何构建对上述非线性变化不敏感的图像特征描述子就成为摆在我们面前的一个充满挑战性的关键问题。　　 本文对各种局部描述子进行了深入研究。针对已有的局部特征描述子对亮度的非线性变化不够鲁棒的问题，在总结前人研究成果的基础上，提出了一种新的局部特征描述子：旋转不变局部二值模式(RI-LBP)。这里，为了构建鲁棒的局部特征描述子，采用了如下的方案：根据灰度相对次序，在得到特征点归一化支撑区域以后，将区域内各点分割为多个组，并以区域中心和各点连线为Y轴，分别建立直角坐标系，计算中心对称局部二值模式，得到二维的统计直方图。据此，经归一化处理后可形成所需的兴趣点描述子。　　 为了验证本文方法的有效性，进行了对比实验。实验结果表明，本文所提出的描述子特别适用于复杂亮度变化下多视角图像间的不变描述，包括区分度在内的各项测试性能均优于已有的描述子。与SIFT等已有的描述子不同，本文采用相对灰度分割方法来替代主流的空间分块思想，以插值计算来替代主流描述子构造过程中的梯度统计。由于所提出的描述子具有旋转不变的属性，故实际构造描述子时可回避费时的区域主方向的计算问题，其构造过程简洁、快速。