一种基于SIFT的图像特征纹理追踪识别算法制造技术

本发明专利技术属于图像识别技术领域，尤其涉及一种基于SIFT的图像特征纹理追踪识别算法。包括：使用SIFT算法对第一图像和第二图像进行特征点提取；对特征点进行距离计算筛选匹配，获得元素互为对应的第一匹配特征点集合和第二匹配特征点集合；分别计算两个匹配特征点集合中的特征点之间的角度关系，获得第一角度集合和第二角度集合；计算两个角度集合中对应角度的差值，统计所有差值中未超过预设差值阈值的匹配数；计算匹配数与差值的个数的比值。本发明专利技术通过排除干扰特征点和计算特征点之间的角度关系实现图像特征纹理追踪识别，解决了SIFT算法提供的特征点误匹配问题，有效地将两张图像之间的匹配度进行量化，提高了图像识别效率和精准度，增强了实用性。增强了实用性。增强了实用性。

【技术实现步骤摘要】
一种基于SIFT的图像特征纹理追踪识别算法


[0001]本专利技术属于图像识别
，尤其涉及一种基于SIFT的图像特征纹理追踪识别算法。

技术介绍

[0002]SIFT（Scale
‑
invariant feature transform 尺度不变特征变换）图像特征匹配算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，在图像搜索、特征匹配、图像分类检测等方面应用十分广泛，常被应用于物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对等领域。虽然SIFT算法能够输出图像的特征点集合，但是存在特征点误匹配的问题，匹配的特征点精准度较低，且没有给出如何使用输出的特征点集合来量化两张图像之间的匹配度。
[0003]因此，亟需一种能够根据SIFT算法输出的图像特征点集合来判断两张图像的匹配度的图像特征纹理追踪识别算法。

技术实现思路

[0004]本专利技术的目的在于针对现有技术的不足，提供一种图像特征纹理追踪识别算法，可实现根据SIFT算法输出的图像特征点集合来判断两张图像的匹配度，能够应用于摄像头人脸识别、刷脸身份认证等需要进行图像识别的场景，具有使用场景广、运算效率高、匹配精度高、实用性强的特点。
[0005]为了实现上述目的，本专利技术采用了以下技术方案：一种基于SIFT的图像特征纹理追踪识别算法，包括：特征点提取：使用SIFT算法对第一图像和第二图像进行特征点提取；距离计算筛选：对所述特征点进行距离计算筛选匹配，保留预设距离阈值内的多组特征点对，形成元素互为对应的第一匹配特征点集合和第二匹配特征点集合；特征点角度计算：计算所述第一匹配特征点集合中所述特征点之间的角度关系，获得第一角度集合，计算所述第二匹配特征点集合中所述特征点之间的角度关系，获得第二角度集合；匹配数统计：计算所述第一角度集合和所述第二角度集合中对应角度的差值，统计所有所述差值中未超过预设差值阈值的匹配数；匹配度计算：计算所述匹配数与所述差值的个数的比值。
[0006]进一步的，所述特征点角度计算步骤包括：向量计算：分别计算所述第一匹配特征点集合的多个所述特征点之间、所述第二匹配特征点集合中与所述第一匹配特征点集合相对应的多个所述特征点之间的特征向量；夹角计算：计算所述特征向量之间的特征向量夹角，获得所述第一角度集合和所述第二角度集合。
[0007]进一步的，所述特征点角度计算步骤中，所述第一匹配特征点集合和所述第二匹配特征点集合的元素互相对应，均为n个，且n≥3；所述特征向量夹角指的是所述第一匹配特征点集合或所述第二匹配特征点集合中的第i个所述特征点到第j个所述特征点之间的向量、第j个所述特征点到第k个所述特征点之间的向量所形成的夹角；其中，i、j、k的取值范围为1~n，且i≠j≠k。
[0008]进一步的，所述特征点角度计算步骤中：i的取值范围为1~n；j=i mod n + 1；k= ( i + 1 ) mod n + 1；其中，mod为取余数运算符。
[0009]优选的，其特征在于，所述夹角计算步骤中采用反正切函数atan2()来计算所述特征向量夹角。
[0010]进一步的，所述距离计算筛选步骤包括：欧氏距离筛选：使用欧氏距离算法对所述特征点进行筛选。
[0011]进一步的，所述欧氏距离算法的所述预设距离阈值的取值范围为0.7
‑
0.8。
[0012]进一步的，在使用所述欧氏距离算法对所述特征点进行筛选之前，还包括：最近邻匹配：使用FLANN算法对所述特征点进行最近邻匹配。
[0013]进一步的，所述匹配数统计步骤中，当所述差值的单位为“度”时，所述预设差值阈值为2度；当所述差值的单位为“弧度”时，所述预设差值阈值为π/90。
[0014]进一步的，所述匹配度计算步骤之后，还包括：同源判定：若所述匹配数与所述差值的个数的比值大于或等于95%，则判定所述第一图像和所述第二图像同源。
[0015]本专利技术的有益效果：本专利技术通过使用SIFT算法提取特征点，具有良好的旋转不变性和尺度不变性；通过使用FLANN算法对特征点进行最近邻匹配和使用欧氏距离对特征点进行筛选，排除从SIFT算法中所提取的特征点中的无效特征点；通过对多个特征点进行向量计算和夹角计算，能够获得特征点之间的角度关系；通过统计未超过预设差值阈值的匹配数与差值总数的比值来确定两张图像之间的匹配度；通过判断图像的匹配度来确定两张图像是否同源；本专利技术通过排除干扰特征点和计算特征点之间的角度关系实现图像特征纹理追踪识别，解决了SIFT算法提供的特征点误匹配问题，有效地将两张图像之间的匹配度进行量化，扩大了使用场景，提高了图像识别效率和精准度，增强了实用性。
附图说明
[0016]附图1是本专利技术的基于SIFT的图像特征纹理追踪识别算法的流程图；附图2是本专利技术的基于SIFT的图像特征纹理追踪识别算法中使用SIFT算法进行特征点提取的流程图；附图3是本专利技术的实施例中，原图像与同源图像1在欧氏距离筛选阈值为0.8时的特征识别效果图；
附图4是本专利技术的实施例中，原图像与同源图像2在欧氏距离筛选阈值为0.8时的特征识别效果图；附图5是本专利技术的实施例中，原图像与同源图像3在欧氏距离筛选阈值为0.8时的特征识别效果图；附图6是本专利技术的实施例中，原图像与同源图像4在欧氏距离筛选阈值为0.8时的特征识别效果图；附图7是本专利技术的实施例中，原图像与非同源图像1在欧氏距离筛选阈值为0.8时的特征识别效果图；附图8是本专利技术的实施例中，原图像与非同源图像2在欧氏距离筛选阈值为0.7时的特征识别效果图；附图9是本专利技术的实施例中，原图像与非同源图像2在欧氏距离筛选阈值为0.8时的特征识别效果图。
具体实施方式
[0017]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0018]在本专利技术的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0019]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0020]在本专利技术实施例中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SIFT的图像特征纹理追踪识别算法，其特征在于，包括：特征点提取：使用SIFT算法对第一图像和第二图像进行特征点提取；距离计算筛选：对所述特征点进行距离计算筛选匹配，保留预设距离阈值内的多组特征点对，形成元素互为对应的第一匹配特征点集合和第二匹配特征点集合；特征点角度计算：计算所述第一匹配特征点集合中所述特征点之间的角度关系，获得第一角度集合，计算所述第二匹配特征点集合中所述特征点之间的角度关系，获得第二角度集合；匹配数统计：计算所述第一角度集合和所述第二角度集合中对应角度的差值，统计所有所述差值中未超过预设差值阈值的匹配数；匹配度计算：计算所述匹配数与所述差值的个数的比值。2.根据权利要求1所述的一种基于SIFT的图像特征纹理追踪识别算法，其特征在于，所述特征点角度计算步骤包括：向量计算：分别计算所述第一匹配特征点集合的多个所述特征点之间、所述第二匹配特征点集合中与所述第一匹配特征点集合相对应的多个所述特征点之间的特征向量；夹角计算：计算所述特征向量之间的特征向量夹角，获得所述第一角度集合和所述第二角度集合。3.根据权利要求2所述的一种基于SIFT的图像特征纹理追踪识别算法，其特征在于，所述特征点角度计算步骤中，所述第一匹配特征点集合和所述第二匹配特征点集合的元素互相对应，均为n个，且n≥3；所述特征向量夹角指的是所述第一匹配特征点集合或所述第二匹配特征点集合中的第i个所述特征点到第j个所述特征点之间的向量、第j个所述特征点到第k个所述特征点之间的向量所形成的夹角；其中，i、j、k的取值范围为1~n，且i≠j≠k。4.根据权利要求3所述的一种...

【专利技术属性】
技术研发人员：宋学安，
申请(专利权)人：深圳视觉航空科技有限公司，
类型：发明
国别省市：