基于SURF算法的特征点检测方法和装置制造方法及图纸

公开了一种基于SURF算法的特征点检测方法和装置，其中，方法包括：接收灰度图像中第一方向上预设大小的图像块的灰度值；对图像块的灰度值进行多级流水的并行累加计算，得到该图像块的积分向量；依次基于各图像块的积分向量构建积分图中一个积分图分量点的积分值；响应于积分图中当前一个第一方向上积分图向量的积分值构建完成，采用多个大小不同的滤波器分别对当前一个第一方向上各积分值对应的采样点进行滤波处理，得到各滤波器的三种模板作用于采样点的响应值，并计算各滤波器的Hessian矩阵的行列式的值，对得到的Hessian矩阵的多个行列式的值进行非极大值抑制，得到满足极大值条件的特征点并输出其位置。本公开可以降低数据存储容量的要求，提高特征点的检测速度。提高特征点的检测速度。提高特征点的检测速度。

【技术实现步骤摘要】
基于SURF算法的特征点检测方法和装置


[0001]本公开涉及图像处理技术，尤其是一种基于SURF算法的特征点检测方法和装置。

技术介绍

[0002]图像局部特征的提取与描述一直是数字图像处理领域的热点。自上世纪起，各种图像局部特征提取算法相继问世。但在实际工程的应用中，很难有一种算法可以同时满足多项性能指标的要求，往往需要对算法进行优化，通常需要在算法复杂度与性能两者之间折中考虑。
[0003]SURF(Speeded Up Robust Feature，加速鲁棒特性)是一种被广泛应用的具有局部尺度不变性的特征提取算法，SURF算法可以用于对象定位和识别、人脸识别、3D重建、对象跟踪和提取兴趣点等，常用来进行物体辨识和图像匹配。SURF算法本身很容易在通用处理器上实现。然而，SURF算法中大容量的数据存储、不规则的数据访问和大量的运算，是提高SURF算法速度的瓶颈，限制了特征点的检测速度，从而导致SURF算法在通用处理器上的实现方案无法满足实际工程中实时处理的需要。

技术实现思路

[0004]本公开实施例所要解决的一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SURF算法的特征点检测方法，其特征在于，包括：按照由第一方向至第二方向的顺序，以预设大小为单位，通过串行总线PCI
‑
e依次接收灰度图像中第一方向上所述预设大小的图像块的灰度值；其中，所述由第一方向至第二方向的顺序，包括：逐行、逐列的顺序，或者逐列、逐行的顺序；采用每一级并行计算、多级流水计算的方式，对所述预设大小的图像块的灰度值进行多级流水的并行累加计算，得到所述预设大小的图像块的积分向量；按照所述由第一方向至第二方向的顺序，依次基于各图像块的积分向量构建积分图中一个积分图向量的积分值，并将所述积分图向量的积分值存储在寄存器中；其中，所述积分图与所述灰度图像在所述第一方向上的高度相同；响应于所述积分图中当前一个第一方向上积分图向量的积分值构建完成，采用多个大小不同的滤波器，分别对所述当前一个第一方向上各积分值对应的采样点进行滤波处理，得到所述多个大小不同的滤波器中各滤波器的三种模板作用于所述采样点的响应值，分别根据各滤波器的三种模板作用于所述采样点的响应值和所述三种模板的响应区域的面积，计算各滤波器的黑塞Hessian矩阵的行列式的值，得到Hessian矩阵的多个行列式的值；其中，所述三种模板的响应值包括：沿x方向的Dxx模板的响应值，沿y方向的Dyy模板的响应值和沿xy方向的Dxy模板的响应值；对所述Hessian矩阵的多个行列式的值进行非极大值抑制，得到满足极大值条件的特征点；输出所述特征点在所述灰度图像中的位置。2.根据权利要求1所述的方法，其特征在于，所述采用每一级并行计算、多级流水计算的方式，对所述预设大小的图像块的灰度值进行多级流水的并行累加计算，包括：采用每一级并行计算、多级流水计算的方式，对所述预设大小的图像块的灰度值进行log2M级流水的并行累加计算；其中，M为所述预设大小的字节数。3.根据权利要求1所述的方法，其特征在于，所述基于所述预设大小的图像块的积分向量构建积分图中一个积分图向量的积分值，包括：采用第一预设计算方式，由所述预设大小的图像块的积分向量与相邻前一个第一方向上积分图向量的积分值，计算得到积分图中当前积分图向量的积分值。4.根据权利要求3所述的方法，其特征在于，所述采用第一预设计算方式，由所述预设大小的图像块的积分向量与相邻前一个第一方向上积分图向量的积分值，计算得到积分图中当前积分图向量的积分值，包括：通过如下方式由所述预设大小的图像块的积分向量与相邻前一个第一方向上积分图向量的积分值，计算得到积分图中当前积分图向量的积分值I
∑(i，j)
：I
∑(i，j)
＝I
∑(i
‑
1，j)
+I
∑(i，j
‑
1)
‑
I
∑(i
‑
1,j
‑
1)
+i
(i,j)
其中，i为所述当前一个第一方向上采样点在所述第一方向上的序号，j为所述预设大小的图像块的积分向量在所述第二方向上的序号；i
(i,j)
为在所述第一方向上序号为i的第j个积分向量，I
∑(i,j)
为所述当前积分图向量的积分值。5.根据权利要求1所述的方法，其特征在于，所述响应于所述积分图中当前一个第一方向上积分图向量的积分值构建完成，采用多个大小不同的滤波器，分别对所述当前一个第一方向上各积分值对应的采样点进行滤波处理，得到所述多个大小不同的滤波器中各滤波
器的三种模板作用于所述采样点的响应值，分别根据各滤波器的三种模板作用于所述采样点的响应值和所述三种模板的响应区域的面积，计算各滤波器的黑塞Hessian矩阵的行列式的值，得到Hessian矩阵的多个行列式的值，包括：响应于所述积分图中当前一个第一方向上积分图向量的积分值构建完成，采用所述多个大小不同的滤波器，在所述当前一个第一方向上，同时对所述当前一个第一方向上各积分值对应的采样点进行滤波处理，得到所述多个大小不同的滤波器中各滤波器的三种模板的滤波处理中间结果；将所述当前一个第一方向上各积分值对应的采样点对应的滤波处理中间结果，按照预设顺序，分别对应存储在长度与所述各滤波器的大小匹配的移位寄存器中；采用第二预设计算方式，基于所述各滤波器的大小匹配的移位寄存器中的滤波处理中间结果计算所述各滤波器的三种模板作用于所述采样点的响应值；分别根据各滤波器的三种模板作用于所述采样点的响应值和所述三种模板的响应区域的面积，计算各滤波器的黑塞Hessian矩阵的行列式的值，得到Hessian矩阵的多个行列式的值；将所述Hessian矩阵的多个行列式的值存储在所述各滤波器对应的存储空间中。6.根据权利要求5所述的方法，其特征在于，所述对所述Hessian矩阵的多个行列式的值进行非极大值抑制，得到满足极大值条件的特征点，包括：响应于所述各滤波器对应的存储空间中存储有所述采样点的Hessian矩阵的多个行列式的值，分别对每三个大小相邻的三个滤波器对应的Hessian矩阵的行列式的值进行非极大值抑制，得到满足极大值条件的特征点。7.根据权利要求1
‑
6任一所述的方法，其特征在于，所述多个大小不同的滤波器，包括：P组滤波器，每组滤波器包括4层滤波器，所述P组滤波器中第p组滤波器中4层滤波器的大小分别为9*2
p
‑1、15*2
p
‑1、21*2
p
‑1、17*2
p
‑1，其中，P的取值为大于0的整数，所述第p组滤波器的采样间隔为2
p
‑1；所述对所述Hessian矩阵的多个行列式的值进...

【专利技术属性】
技术研发人员：王康平，
申请(专利权)人：吉林大学，
类型：发明
国别省市：