一种基于梯度的旋转尺度不变二值化场景匹配方法，涉及场景识别领域。本发明专利技术在经典二值描述BRIEF算法单纯比较灰度强度的基础上，提出加入水平与垂直梯度值比较，保存采样区域的纹理信息，从而降低匹配错误率。另外，建立图像尺度金字塔，在不同尺度内进行图像特征点检测和特征描述，在描述符计算过程中加入重心矢量方向，使得该二值化描述符具有方向与尺度不变性。实验表明，本文提出的基于二值化的旋转不变梯度采样描述符具有较高的鲁棒性，在场景图像发生较大旋转以及尺度变换的情况下，平均比BRIEF算法匹配正确率高73.06％。
【技术实现步骤摘要】
本专利技术涉及场景识别领域，尤其是涉及一种适用于场景匹配的基于梯度二值化旋 转尺度不变场景匹配方法。
技术介绍
场景匹配常常用于搜索两个场景中相同的内容，在场景识别以及目标识别等领域 有着广泛的应用。 图像特征点匹配作为场景匹配的具体实现方法，通过将当前图像与数据库中的历 史图像进行特征点匹配，从而实现对当前场景的匹配和识别。因此，图像特征点匹配成为了 当前研宄的重点。特征点匹配包括特征点检测、特征点描述以及特征点匹配三部分，首先在 两幅图像上搜索稳定的特征点，这些特征点在图像发生尺度变换、旋转或者投影变换后依 旧能被检测器检测到，因此这些特征点往往在多尺度图像序列中进行搜索；之后，描述器利 用特征点周围区域内的图像信息计算特征描述符；分别计算得到两幅图像后的特征向量集 合后，匹配器对连个特征向量集合进行匹配生成最优匹配集合。 近年来，针对这一流程有很多优秀的算法被提出，最为经典是Lowe等提出的 SIFT特征描述。SIFT算法提出了利用高斯差分图像金字塔（difference-of-Gaussian imagespyramid)中的局部极值点作为图像特征点，并在图像周围的4X4单元区域内统计 8个方向上的梯度之和，最终产生128维特征向量进行特征点匹配。由于在高斯差分图像金 字塔中搜索特征点，因此SIFT其特征点具有良好的尺度不变性，即使图像在尺度以及清晰 度发生剧烈变化的情况下，其检测依旧具有很高的稳定性。另外，SIFT算法在生成描述符 时，计算了特征点周围区域的梯度主方向，并将特征采样区域旋转到主方向后进行描述符 的计算，实现了特征描述符的旋转不变性，在图像发生旋转之后，SIFT依旧能利用梯度主方 向实现描述符的方向归一化，从而实现图像特征的匹配。但是，SIFT由于计算复杂度过高， 特征点检测以及特征描述符生成时间较为费时，因此不能用于实时系统。为降低计算复杂 度，Herbert等提出了SURF算法，该算法利用方框滤波器代替高斯滤波器进行图像模糊 处理，并通过改变方框滤波器大小实现不同尺度下的高斯模糊图像，由于此方法可以实现 不同尺度下的高斯模糊图像的并行处理，运算速度大大提升，另外，SURF采用Haar小波特 征计算得到64维描述符，降低了特征匹配过程的计算复杂度。虽然SURF在SIFT算法的思 想上大大提高了运算速度，但是仍然不能满足实时系统的需求。为进一步降低运算法复杂 度，Calonder等提出了基于二值描述的BRIEF描述符，该描述符通过在特征点周围采样 区域内随机抽取若干（通常为128、256或512)采样点对，使用0或1来表示采样点对两点 之间的灰度大小关系，最终形成128、256或512维二值化特征描述子，匹配时采用汉明距离 进行计算，计算速度得到巨大提升，满足了实时系统的匹配要求，但是由于缺乏对描述符进 行方向归一化，因此BRIEF不具有旋转不变性。 本文专利技术基于二值化描述算法，提出一种基于梯度的旋转与尺度不变二值化场景 匹配方法，在保持二值化描述符高速匹配的优势下提高描述算法对旋转以及尺度变换的鲁 棒性，是非常有意义的。 附：参考文献 Lowe,DavidG.''Distinctiveimagefeaturesfromscale-invariant keypoints.''Internationaljournalofcomputervision, 60. 2:91-110, 2004. Bay,Herbert,TinneTuytelaars,andLucVanGool. ^Surf:Speeded uprobustfeatures.^Computervision-ECCV2006.SpringerBerlin Heidelberg, 404-417, 2006. Calonder,Michael,etal.''Brief:Binaryrobustindependentelementary features.^ComputerVision-ECCV2010.SpringerBerlinHeidelberg, 778-792, 2010.
技术实现思路
本专利技术主要解决的技术问题是场景匹配问题中图像特征描述问题。为解决目前 二值化图像特征描述符丢失描述区域纹理信息，本专利技术提供一种基于梯度的旋转尺度不变 二值化特征描述符，通过在多尺度空间对描述区域的梯度采样以记录该区域纹理信息，并 在此过程中使用方向归一化，实现在图像大尺度旋转和尺度变换下提高特征点的匹配正确 率。 为解决上述技术问题采取的技术方案为：一种基于梯度二值化的旋转尺度不变图 像匹配方法，针对以BRIEF等二值化描述符仅仅利用灰度信息进行二值化描述，从而导致 丢失描述区域纹理信息的问题，本文提出的基于局部梯度信息进行描述的流程图如图1所 示，包括特征点检测、特征点描述、特征匹配三个步骤。假设数据库中存在的某场景图像为 图像A，待匹配图像为图像B，图像A的尺寸为SozeA，图像B的尺寸为SizwB，图像金字塔尺度 因子为〇，〇ct为金字塔层数，KpA为图像A中特征点集合，每个特征点对应生成描述符组成 的集合为DptA，KpB为图像B中的特征点集合，对应生成描述符组成的集合为DptB，M为两幅 图像之间特征点匹配的匹配集合，Mg(rad为两幅图像之间的最优匹配对集合，包含如下步骤：A.特征点检测。建立多尺度图像金字塔，分别在每一层进行FAST特征点检测。 B.特征点方向计算，采用重心向量方向作为特征点方向，重心向量由采样区域中 心指向采样区域重心。重心位置计算采用如下公式：【主权项】1. 一种基于梯度二值化的旋转尺度不变图像匹配方法，包括特征点检测、特征点描述、 特征匹配三个步骤；假设数据库中存在的某场景图像为图像A，待匹配图像为图像B，图像A 的尺寸为SizeA，图像B的尺寸为SizeB，图像金字塔尺度因子为〇，Oct为金字塔层数，KpA 为图像A中特征点集合，每个特征点对应生成描述符组成的集合为DptA，KpB为图像B中的 特征点集合，对应生成描述符组成的集合为DptB，M为两幅图像之间特征点匹配的匹配集 合，Mg(rad为两幅图像之间的最优匹配对集合，其特征在于，包含如下步骤： A.特征点检测：建立多尺度图像金字塔，分别在每一层进行FAST特征点检测； B. 特征点方向计算：采用重心向量方向作为特征点方向，重心向量由采样区域中心指 向采样区域重心；重心位置计算采用如下公式：其中，&与67分别代表重心位置的水平坐标与垂直坐标，I(x，y)表示位于（x，y)坐标 位置像素的灰度值，x和y为位于（x，y)位置像素的横坐标与纵坐标； C.特征点描述：旋转采样区域，将采样区域划分为nXn个单元，利用如下公式分别计 算单元内部平均灰度、水平梯度以及垂直梯度：其中Fintesity为单元区域平均灰度，F&adimt#单元区域水平梯度，FtodimtY为单元区域 垂直梯度，P代表某个划分单元，Srall为单个单元区域P所包含的像素个数，k为指定区域 内的像素，P&ht、Pleft、Pd_以及Pup分别为P区域内右半部分、左半部分、下部部分和上半部 分，Intensity(k)为像本文档来自技高网...
【技术保护点】
一种基于梯度二值化的旋转尺度不变图像匹配方法，包括特征点检测、特征点描述、特征匹配三个步骤；假设数据库中存在的某场景图像为图像A，待匹配图像为图像B，图像A的尺寸为SizeA，图像B的尺寸为SizeB，图像金字塔尺度因子为σ，Oct为金字塔层数，KpA为图像A中特征点集合，每个特征点对应生成描述符组成的集合为DptA，KpB为图像B中的特征点集合，对应生成描述符组成的集合为DptB，M为两幅图像之间特征点匹配的匹配集合，Mgood为两幅图像之间的最优匹配对集合，其特征在于，包含如下步骤：A.特征点检测：建立多尺度图像金字塔，分别在每一层进行FAST特征点检测；B.特征点方向计算：采用重心向量方向作为特征点方向，重心向量由采样区域中心指向采样区域重心；重心位置计算采用如下公式：Gx=Σx,yxI(x,y)Σx,yI(x,y)]]>Gy=Σx,yy(x,y)Σx,yI(x,y)]]>其中，Gx与Gy分别代表重心位置的水平坐标与垂直坐标，I(x，y)表示位于(x，y)坐标位置像素的灰度值，x和y为位于(x，y)位置像素的横坐标与纵坐标；C.特征点描述：旋转采样区域，将采样区域划分为n×n个单元，利用如下公式分别计算单元内部平均灰度、水平梯度以及垂直梯度：Fintesity(P)=1ScellΣk∈PIntensity(k)]]>FGradientX(P)=Σk∈PrightIntensity(k)-Σk∈PleftIntensity(k)]]>FGradientY(P)=Σk∈PdownIntensity(k)-Σk∈PupIntensity(k)]]>其中Fintesity为单元区域平均灰度，FGradientX为单元区域水平梯度，FGradientY为单元区域垂直梯度，P代表某个划分单元，Scell为单个单元区域P所包含的像素个数，k为指定区域内的像素，Pright、Pleft、Pdown以及Pup分别为P区域内右半部分、左半部分、下部部分和上半部分，Intensity(k)为像素灰度值；计算出所有子单元这三个分量后，使用二值化公式，依次比较n×n各单元之间三个分量关系，并生成二值描述符。D.特征点匹配。...
【技术特征摘要】
【专利技术属性】
技术研发人员：贾克斌，姚萌，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。