一种基于智能手机上的实时识别算法制造技术

本发明专利技术公开了一种基于智能手机上的实时识别算法，通过缩短特征点检测时间和降低尺度空间特征点定位的复杂度，用改进的FAST检测算法对各尺度层进行特征点检测和弱尺度空问查找算法定位最终特征点;在特征描述方面采用了SURF 64维的特征描述算法;在目标匹配方面采用了KD‑Tree特征点匹配和目标查找的算法,来保证识别的实时性和准确性。

【技术实现步骤摘要】
一种基于智能手机上的实时识别算法
本专利技术涉及智能手机终端
,尤其涉及一种智能手机图像识别技术。
技术介绍
目前智能手机发展非常迅速，基本上都集成了高速处理芯片、大容量存储器、内置了百万以上像素的高清摄像头、蓝牙无线接口和WIFI无线局域网接口卡，甚至一些高端的设备中还集成了大量的传感器，如GPS定位传感器、磁力传感器和陀螺仪感应器等，这些不断提高的硬件设备，给计算机视觉和图像处理领域带来了新的发展空问，许多原来运行在PC上的计算机视觉算法，通过改进和优化，能有效地运行在智能终端的平台上；但是，相对于现在装配了高速处理芯片和大容量存储芯片的服务器，智能手机还存在以下不足，较低的图像分辨率、缺少专门的图形加速器、没有浮点运算单元、尤其是低端处理器和低容量存储器等，限制了在智能手机上进行复杂运算和大规模计算。
技术实现思路
本技术开发了一种支持多场景移动实时识别算法，通过分析智能手机本身的处理能力和内存容量，有针对性地设置图像的Octave和Oc-tavelayes数量，减少计算量，通过改进FAST提片算法，减少特征点提取时问;最后通过稳定点查找端法，减少特征点匹配的时问。智能手机终端的特征提取算法，在目标识别与物体检索的任务中，特征点检测算法是其首要的基础和关键步骤，特征点检测就是查找和定位图像中的具有代表性的像素点或者与周围像素迥异的斑点。FAST检测算法由Rosten等提出，特征点通过检测中心点与周围像素点的明暗程度来确定，简单的计算步骤使提点算法具备快速和高效性，FAST特征检测算法，通过给定一个以候选点为中心的Bresenham圆，对圆上的各个像素点逐一检查，如果有n个连续的点都比中心点亮(或者暗)，则中心点被确定为一个亮特征点(或者暗特征点)；暗点、相似点和亮点以式(1)来进行判别，P点是要判断的像素点坐标，c代表Bresenham圆上的顺时针标号的像素点，Vc代表该点的像素值，Vp代表中心点像素值，compc代表圆上的点与中心点的像素值比较结果，t为阑值.图像纹理变化不一样，阑值选择也不同.通过给定一个阑值，比较圆环上的像素值与中心点像素值大小来确定中心点是亮点还是暗点。FAST特征点检测算法因为计算步骤比较简单和提取特征点的时问开销较少，经常被用在实时跟踪系统，然而FAST算法有一个重大的弱点，即对图像的缩放不具有白适应性，当图像尺度发生变化时FAST算法得到结果的重复性(Repeatability)较差，提出改进的FAST特征检测算法使提取的特征点不仅具有图像位置信息，还包括了尺度信息：步骤1构建一组不同尺度的高斯滤波的图像，剔除噪声引起的变化剧烈的像素点，同组图像之问没有分辨率的差别；步骤2对不同尺度的图像进行降采样处理形成3阶高斯金字塔，对不同的尺度进行不同的降采样处理，尺度为0时图像不变，尺度为1时进行一次降采样，尺度为2时进行两次降采样，这样便构成了不同分辨率的金字塔；步骤3对不同阶的图像进行FAST特征点检测算法，不同尺度的图像采用不同直径的Bresen-ham圆作为FAST检测算法的判定区域.然后，通过将各个层的FAST特征点还原到原始图像的像素点，定位FAST稳定点;最后，得出带有FAST检测直径和尺度信息最终特征点；构建图像金字塔的建造过程的高斯操作非常耗时，SIFT和SURF算法就构建了稠密的尺度空问，虽然对尺度具有不变性，但是失去了对特征点提取的实时性；本算法综合考虑了尺度的鲁棒性和特征提取的实时性，仅用三次高斯滤波和三次降采样，建立稀疏的尺度金字塔，保证了对特征提取的实时性，同时执具各一定的尺度鲁棒性。特征点定位，建立好图像的尺度金字塔后，用改进的FAST算法对各个阶层的图像进行特征点检测；经过测试得出特征点检测效果比较好的经验参数为Brezenham圆直径为6和n=9(n为连续像素大于或者小于中心点像素个数)；本算法中选取n为9，检测直径根据图像的高斯尺度参数进行相应的设置，当高斯尺度Scale=0时，Brezenham圆的直径为d=6；当高斯尺度Scale=1时，Brezen-ham圆的直径为d=8;当高斯尺度Scale=2时Brezenham圆的直径为d=12。SURF描述了由Bay提出，充分利用了Haar小波响应和积分图像，使特征描述符不仅具有尺度和旋转不变性，而且对光照的变化也具有不变性，SURF特征描述了包括特征点主方向的分配和特征描述符的计算：1主方向的计算通常通过以特征点为中心、以6s(s为特征点的尺度)为半径的圆形区域，对图像进行Haar小波响应运算，使用Q为2s的高斯加权函数对Haar小波的响应值进行高斯加权，然后设计以特征点为中心、张角为ﾸ/3的扇形滑动窗口，以步长为0.2弧度，旋转这个滑动窗口，并对滑动窗口内图像Haar小波响应；2特征描述符的计算，是在一个矩形区域来计算Haar小波响应，以特征点为中心，沿主方向选取20sx20s的正方形区域，并将该区域旋转到主方向，将该区域划分成4x4=16个了区域，在每一个了区域有5sx5s像元；使用尺寸为2s的Haar小波对子窗口图像进行其响应值计算，共进行25次采样，分别得到沿主方向的dy和垂直于主方向的dx.再以特征点为中心，对dy和dx进行高斯加权计算，其Q为3.3s;最后，分别对每个了块的响应值进行统计。目标匹配算法包含两部分，分别为特征向量的匹配和匹配目标的查找，目标物体通过最近邻SURF特征向量的查询，来实现特征点的匹配;根据匹配特征点的数目和匹配特征点占训练样本图像的比重来决定是否查找到成功匹配的样本：1)SURF特征匹配，训练样本的特征点通过Kd-Tree的方式进行组织，特征匹配时，通过查询Kd-Tree树寻找与目标SURF特征向量距离最近的样本特征向量，当二者之问的距离小于某个阑值，则接受这一对匹配点，认为特征匹配；2)目标查找，将当前目标的所有特征向量都在样本库中进行最近邻查找，记录匹配的特征点对m(si,dj)，表示当前目标第i个特征向量与样本库第j幅图像中的特征点匹配；匹配结果为samj(表示第j个样本图像与目标物体相匹配特征向量的个数)，如式(10)；在确定目标图像与样本图像是否相似时，可以用匹配特征点数目和匹配率来衡量。本文档来自技高网...

【技术保护点】
一种基于智能手机上的实时识别算法，其特征在于：通过在目标识别与物体检索的任务中,用改进行的FAST检测算法对特征点定位, 目标物体通过最近SURF特征向量的查询，来实现特征点的匹配。

【技术特征摘要】
1.一种基于智能手机上的实时识别算法，其特征在于：通过在目标识别与物体检索的任务中,用改进行的FAST检测算法对特征点定位,目标物体通过最近SURF特征向量的查询，来实现特征点的匹配。2....

【专利技术属性】
技术研发人员：余漫游，
申请(专利权)人：长沙有干货网络技术有限公司，
类型：发明
国别省市：湖南,43