一种基于SURF特征匹配的图像快速去遮挡方法技术

本发明专利技术公开了一种基于SURF特征匹配的图像快速去遮挡方法，属于计算机视觉领域。其包括以下步骤：输入遮挡图像；构造Hessian矩阵；构造高斯金字塔尺度空间；初步确定特征点位置；精确定位极值点；确定特征点的主方向；构造SURF特征点描述算子；图像配准；图像融合。本发明专利技术可以有效减小图像去遮挡的运算时间，为计算机视觉的应用提供了一种既精准又高效的图像去除遮挡的方法，达到了预期的效果。达到了预期的效果。达到了预期的效果。

【技术实现步骤摘要】
一种基于SURF特征匹配的图像快速去遮挡方法


[0001]本专利技术属于计算机视觉领域，特别是指一种基于SURF特征匹配的图像快速去遮挡方法。

技术介绍

[0002]近年来，随着计算机视觉技术的不断发展，去除图像遮挡任务是目前计算机视觉领域中一项十分重要的任务，并成为许多计算机视觉任务的基础。
[0003]然而，目前存在的图像去遮挡算法大多都是基于深度学习的方法，这种需要很多前期的工作，比如图像预处理和模型训练。而且算法对设备的要求较高，无法满足实时性，所以在小型轻量级设备中并不适用，也无法执行对实时性要求较高的任务。

技术实现思路

[0004]为了解决现有技术中的问题，本专利技术提出了一种基于SURF特征匹配的图像快速去遮挡方法。该方法可实现二维图像快速去除遮挡。
[0005]本专利技术采用的技术方案为：
[0006]一种基于SURF特征匹配的图像快速去遮挡方法，包括以下步骤：
[0007]步骤1，建立图像库，图像库中包括所有可能被遮挡的物体的完整图像；
[0008]步骤2，对于含有被遮挡物体的图像I，提取图像I中的SURF特征；
[0009]步骤3，将图像I的SURF特征与图像库中各图像的SURF特征进行匹配，得到图像I的匹配图像；
[0010]步骤4，将图像I与其匹配图像转换到同一坐标系下，完成两幅图像之间的配准；
[0011]步骤5，根据图像配准结果将两幅图像进行融合，输出去除遮挡物之后的图像I。
[0012]进一步的，步骤2的具体方式为：
[0013]步骤201，构造Hessian矩阵的判别式；
[0014]对于图像I(x,y)，其Hessian矩阵为：
[0015][0016]x,y表示图像中的像素点；
[0017]Hessian矩阵的判别式为：
[0018][0019]对图像进行高斯滤波，滤波后的Hessian矩阵为：
[0020][0021]其中，(x,y)为像素位置，σ为尺度因子，L(x,y,σ)＝G(σ)*I(x,y)代表图像的高斯尺度空间；
[0022]采用盒式滤波器D替代高斯滤波器L，在L
xy
上乘以一个加权系数0.9以平衡使用盒式滤波器近似所带来的误差，则Hessian矩阵的判别式为：
[0023]det(H)＝D
xx
D
yy
‑
(0.9
×
D
xy
)2；
[0024]步骤202，构造高斯金字塔尺度空间；
[0025]构建金字塔时保证图像尺寸不变，不同组间图像的尺寸均一致，不同组间使用的盒式滤波器的模板尺寸逐渐增大，同一组不同层图像使用相同尺寸的滤波器，但是滤波器的尺度空间因子逐渐增大；
[0026]步骤203，利用非极大值抑制初步确定特征点位置；
[0027]将经过Hessian矩阵处理过的每个像素点的近似响应值与其三维邻域中的26个点进行大小比较，如果像素点的近似响应值是这26个点中的最大值或最小值，则保留下来，作为初步的特征点；
[0028]步骤204，精确定位极值点；
[0029]采用三维线性插值法得到亚像素级的特征点，同时去掉近似响应值小于阈值的点；
[0030]步骤205，使用Harr小波变换确定特征点的主方向；
[0031]统计特征点邻域内的Harr小波特征，选取以特征点为圆心，以6σ为半径的圆形区域为邻域，对圆形区域做进一步划分，考虑以特征点为中心，张角为60
°
的扇形区域内的所有响应值，并以0.2的弧度旋转扇形区域，通过统计扇形区域内的Harr小波响应值来确定主方向；
[0032]步骤206，构造SURF特征点描述子；
[0033]提取特征点周围4
×
4个矩形区域块，所取得的矩形区域块的方向是沿着特征点的主方向；矩形区域块中的每个子区域统计25个像素点水平方向和垂直方向的Harr小波特征，该Harr小波特征为水平方向值之和、垂直方向值之和、水平方向值绝对值之和以及垂直方向绝对值之和4个方向，此处水平和垂直方向都是相对主方向而言的；把4个方向的值作为每个子区域的特征向量，得到4
×4×
4＝64维向量作为SURF特征的描述子。
[0034]进一步的，步骤3中，通过计算两个特征点间特征向量的欧氏距离来确定匹配度，欧式距离越短，代表两个特征点的匹配度越好；此外，加入Hessian矩阵迹的判断，如果两个特征点的矩阵迹正负号相同，代表着两个特征点具有相同方向上的对比度变化，如果不同，说明这两个特征点的对比度方向是相反的，即使欧氏距离为0，也直接剔除。
[0035]进一步的，步骤4中，通过变换矩阵T将两幅图像转换到同一坐标系下，完成两幅图像之间的配准，转换方式如下：
[0036][0037]其中，变换矩阵T通过SURF匹配点对计算。
[0038]本专利技术的有益效果在于：
[0039]1、本专利技术在SURF(Speededup RobustFeatures，加速鲁棒特征)特征点提取与匹配的基础上，实现了一种二维图像快速去遮挡的方法，通过SURF特征匹配、图像配准与图像融合，减小图像去遮挡的运算时间，为计算机视觉的应用提供了一种既精准又高效的图像去除遮挡的方法。
[0040]2、本专利技术可解决室内外环境中快速还原二维图像中被遮挡部分的问题，具有良好的应用前景。
附图说明
[0041]图1为本专利技术方法的流程图。
[0042]图2为去除遮挡前后图像对比，其中，图a)为去遮挡前图像，图b)为去遮挡后图像。
具体实施方式
[0043]下面将结合本专利技术实施例中的附图对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0044]一种基于SURF特征匹配的图像快速去遮挡方法，该方法首先建立包括所有可能被遮挡的物体的完整图像的图像库，之后执行如图1所示的如下步骤：
[0045]步骤1：构造Hessian矩阵；
[0046]SURF算法利用像素点的Hessian矩阵行列式来近似图像原来的像素值，以此生成圆图像针对该Hessian矩阵的特征响应图像，后续将在特征响应图像中进行进一步的特征点定位。对于一幅图像I(x,y)，其Hessian矩阵如下式所示：
[0047][0048]Hessian矩阵的行列式如下式所示：
[0049][0050]在构建Hessian矩阵前需要对图像进行高斯滤波，公式为经过滤波后的Hessian矩阵表达式。
[0051][0052]其中，(x,y)为像素位置，σ为尺度因子，L(x,y,σ)＝G(σ)*I(x,y)代表图像的高斯尺度空间，是由图像和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SURF特征匹配的图像快速去遮挡方法，其特征在于，包括以下步骤：步骤1，建立图像库，图像库中包括所有可能被遮挡的物体的完整图像；步骤2，对于含有被遮挡物体的图像I，提取图像I中的SURF特征；步骤3，将图像I的SURF特征与图像库中各图像的SURF特征进行匹配，得到图像I的匹配图像；步骤4，将图像I与其匹配图像转换到同一坐标系下，完成两幅图像之间的配准；步骤5，根据图像配准结果将两幅图像进行融合，输出去除遮挡物之后的图像I。2.根据权利要求1所述的一种基于SURF特征匹配的图像快速去遮挡方法，其特征在于，步骤2的具体方式为：步骤201，构造Hessian矩阵的判别式；对于图像I(x,y)，其Hessian矩阵为：x,y表示图像中的像素点；Hessian矩阵的判别式为：对图像进行高斯滤波，滤波后的Hessian矩阵为：其中，(x,y)为像素位置，σ为尺度因子，L(x,y,σ)＝G(σ)*I(x,y)代表图像的高斯尺度空间；采用盒式滤波器D替代高斯滤波器L，在L
xy
上乘以一个加权系数0.9以平衡使用盒式滤波器近似所带来的误差，则Hessian矩阵的判别式为：det(H)＝D
xx
D
yy
‑
(0.9
×
D
xy
)2；步骤202，构造高斯金字塔尺度空间；构建金字塔时保证图像尺寸不变，不同组间图像的尺寸均一致，不同组间使用的盒式滤波器的模板尺寸逐渐增大，同一组不同层图像使用相同尺寸的滤波器，但是滤波器的尺度空间因子逐渐增大；步骤203，利用非极大值抑制初步确定特征点位置；将经过Hessian矩阵处理过的每个像素点的近似响应值与其三维邻域中的26个点进行大小比较，如果像素点的近似响应值是这26个点中的最大值或...

【专利技术属性】
技术研发人员：吴婉晴，董赫，蔚保国，易卿武，何成龙，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：