本发明专利技术涉及一种在计算机科学，医疗辅助诊断，军事，工业测量等领域提供快速准确的特征点算法提取技术，公开了一种结合LBP特征提取和surf特征提取方法的图像匹配方法，通过三步进行特征点的匹配步骤一：利用Hessian矩阵，高斯金字塔提取特征点，并确定方向；步骤二：构建特征描述子；步骤三：特征点匹配。较现有技术相比，本发明专利技术速度快、效果好的。
【技术实现步骤摘要】
本专利技术涉及图像特征提取与图像处理
，具体地为一种结合LBP特征提取 和surf特征提取的图像匹配方法，涉及通过利用LBP算子的旋转不变性来处理旋转情况下 的图像匹配，利用Han算子来处理模糊，光照情况下的图像匹配。
技术介绍
随着科技的发展进步，从各种成像设备，互联网网络或图像数据库中获取大量图 像已成为可能，从而人们对图像处理（Feature Extraction and Image Processing)的要 求也越来越高，图像处理技术得到了深入，广泛和迅速的发展。在图像处理上，特征提取的 好坏是决定处理性能的关键因素，特征提取是指能够有效表示图像属性的特征，然后可以 在此基础上可以对图像进行准确高效的分割和分类。鉴于这样的事实，对图像本身进行深 入研宄，准确高效的提取图像特征已成为客观必然要求。 由于计算机电子技术和计算机技术的发展，数字图像处理进入高速发展时期。因 而对图像进行特征提取成为许多科研人员的研宄话题。2004年发表在IJCV上的SIFT以 及后来为改进SIFT运行速度提出的基于Hessian矩阵和Harr小波的SURF是图像匹配领 域中最具代表性的两个方法，SURF提供的匹配方法有效地改进了基于梯度图的SIFT方法 下计算速度慢的问题，但在处理角度变化图像的问题上低效，准确率不高，通过引入具有旋 转不变性LBP算子可以有效的解决这个问题，并同时能够加强了光照和模糊条件下的鲁棒 性，简而言之，结合LBP特征提取和surf特征提取的图像匹配方法具有下列六大优点：1) 快速的：在surf图像匹配方法的基础上保留了其快速计算的Hessian矩阵，积分图方法，使 我们的方法依然能够快速计算；2)泛在的：图像特征提取以及匹配方法因其在图像处理 的必要性和实用特征已经在互联网，摄像等涉及图像处理的领域广泛存在，兼具surf，sift 优点的图像特征匹配方法也将是泛在的；3)准确性：结合LBP特征提取和surf特征提取 的图像匹配方法可以准确的提取发生旋转，光照，视角变化图像的特征点；4)大量性：结 合LBP特征提取和surf特征提取的图像匹配方法可以产生出大量的特征点，从而方便从中 选出合适的特征点进行匹配。 特征提取和匹配一直是图像处理和计算机视觉研宄领域中一个值得探讨的问题， 在计算机科学，医疗辅助诊断，军事，工业测量等众多领域都广泛采用这一技术，尤其是计 算机视觉和模式和模式识别研宄中，如何准确定位和提取关键特征往往是其中首先需要解 决的问题之一，是提高识别率等问题的重要前奏和关键问题；有着广泛的应用前景和潜在 的市场价值。
技术实现思路
在现有技术中，基于Han特征描述的SURF因其匹配的快速性和准确性成为特征 提取匹配领域中最常用和代表性的方法，但是在应对发生了旋转的图像时，其匹配效果较 差，经常出现错误的匹配点，从而导致其性能下降。而更早出现的基于梯度图特征描述的 SIFT方法虽然对旋转图像有不错的处理效果，但是其缓慢的运算速度，复杂的计算量，以及 在处理光照变化，模糊等图像变化时较差的处理效果的缺陷也是显而易见的，简而言之，目 前在图像特征点提取和匹配领域缺少一种能够处理大部分的图像变换，同时又有着较高处 理速度的图像匹配方法。 为克服现有技术中的不足，在本专利技术中利用旋转不变LBP算子结合surf图像匹配 方法中的Haar算子，从而使我们提出的方法能够处理大部分的图像变换，同时又有着较高 的的处理速度。 由于Surf图像匹配方法提供的特征描述子采用的是Haars特征描述，Harrs特征 首先具有很强的光照不变性，模糊不变性，但是Harrs特征在应对旋转变换时因其自身的 特性使得描述效果较差，因此本文算法旨在保留Haars特征描述子优点的情况下，采取合 理的实现方式，将Haars特征描述子与LBP旋转不变描述子相结合，使得其在应对旋转变 化，光照变化，视角变化，模糊变化时也具有良好的匹配效果，同时不影响其运算速度。 为达到本专利技术的专利技术目的，现技术的技术方案如下。 ，包括：步骤一：利 用Hessian矩阵，高斯金字塔提取特征点，并确定方向；步骤二：构建特征描述子；步骤三： 特征点匹配。 其中，步骤一具体为：利用Hessian矩阵，高斯金字塔提取特征点，并确定方向，包 括： 1.构造高斯金字塔尺度空间，为保证图像的尺度不变性，首先对其进行高斯滤波，滤 波后对每一个像素点进行Hessian的计算得到图像的特征点。 2.利用非极大值抑制初步确定特征点，此步骤和surf图像匹配方法类似，将经 过hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较，如果它是这26 个点中的最大值或者最小值，则保留下来，当做初步的特征点。 3.精确定位极值点，采用三维线性插值法得到亚像素级的特征点，同时也去掉那 些值小于一定阀值的点。 4.选取特征点的主方向。在特征点的领域统计60度扇形内所有点的水平harr 小波特征和垂直haar小波特征总和，这样一个扇形得到了一个值，然后60度扇形以一定间 隔进行旋转，最后将最大那个扇形的方向最为该特征点的主方向。 其中，步骤二具体为：构建特征描述子，包括： 1. 构造算法描述子，在特征点周围选取一个正方形框，框的边长为20s (s是所检测到 该特征点所在的尺度)将该框分为16个子区域，每个子区域统计25个像素的水平方向和垂 直方向的haar小波特征即2dx, 2d|x|, 2dy, 2d|y|,这样每个小区域就有4个值，这 样就得到了第一组16*4=64维向量； 2. 以特征点为中心取一个9*9大小的图像区域，求取以它为中心的旋转不变LBP特 征，亦可得到8*8=64维的第二组向量。将此两组向量各自高斯加权后作为新的图像特征提 取和图像匹配方法描述子。 其中，步骤三具体为：特征点匹配，包括： 关键点匹配，采用两幅图像关键点之间的距离作为相似性判定度量，即在特征点haar 特征值和LBP特征值相同的前提下，最先匹配到的两个特征点为一对匹配点。 大量的实验表明，结合旋转不变LBP算子和harr小波特征能够得到匹配率较高的 匹配效果，同时按照提供的方法，其匹配的速度也在可接受范围之内。 本专利技术的应用领域相当广泛，可用于： (1)数字水印：图像本身的某些局部特征能够辅助水印的嵌入和提取，尤其是辅助确定 水印嵌入的准确位置，只有这样才能有效抵抗裁剪、缩放等局部几何攻击。 (2)视屏拷贝检索技术：具有仿射不变性局部特征的提取是视频拷贝检测技术的 关键所在 (3) 对象识别：基于特征点匹配的对象识别被广泛的应用到各个民用领域 (4) 生物识别：前者主要指用于身份确认的指纹识别、人脸识别、虹膜识别，后者主要指 基于图像特征的物体识别，比如在智能交通管理、机动车检测、停车场管理等场合的车牌 识别或建筑物识别等。 (5)目标分类：在目标分类中广泛使用的特征有基于形状的特征和基于运动的特 征。由于提取到的前景目标存在多角度、含有少量影子、区域提取不完整以及目标较小等情 况，采用基于形状的局部特征对目标进行分类可较好地应对当前第1页1 2 3 本文档来自技高网...
【技术保护点】
一种结合LBP特征提取和surf特征提取方法的图像匹配方法，其特征在于：步骤一：利用Hessian矩阵，高斯金字塔提取特征点，并确定方向；步骤二：构建特征描述子；步骤三：特征点匹配。
【技术特征摘要】
【专利技术属性】
技术研发人员：赵生捷，江鹏辉，郑思明，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31
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。