【技术实现步骤摘要】
本专利技术属于计算机视觉中的特征点检测与匹配，主要涉及基于orientedfast特征改进的freak图像配准方法
技术介绍
1、图像配准就是对同一目标，在不同条件下(如光照、角度、位置等)获取的两幅或多幅图片进行匹配，图像配准方法中以基于图像特征的方法为主，图像特征相对于基于灰度的方法更不易受光照、噪声等影响，并且拥有更快的配准速度。图像配准中，对参考图像及配准图像进行特征点提取速度及特征点搜索匹配效率是当前各种算法都在努力提升的部分。常见的算法有sift，surf，orb，brisk，freak等，其中sift和surf使用的是浮点数进行特征描述，占用内存大，特征点探测及描述耗时长，而后出现的orb，brisk及freak均使用的是二进制串作为特征点描述符，有着快速及占用内存低的特点。freak是一种特征点描述方式，它本身并不具有特征点探测的功能，与不同的特征点探测方式结合对整体的配准效果有不同的影响。而fast方法是一种基于灰度变换的快速特征提取方法，相对于sift方法提取效率能提升1至2个数量级，但fast方法不具有方向性，后续提出的oriented fast通过求解图像质心的方法解决了方向问题，但提取的特征点数量多且密集，存在许多无效特征点使得匹配率降低。
技术实现思路
1、基于上述技术问题，本专利技术提供一种基于oriented fast特征改进的freak图像配准方法。包括以下步骤：
2、步骤一：对输入图像构建尺度空间，使用fast方法进行特征点探测；p>
3、步骤二：使用非极大值抑制及空间邻域差熵的方法完成特征点筛选；
4、步骤三：对特征点位置在尺度空间进行二维拟合插值，对特征点尺度进行一维拟合插值；
5、步骤四：在特征点邻域内计算图像质心，以特征点与质心夹角作为特征点主方向；
6、步骤五：基于freak方法在特征点邻域采样，使用fft进行卷积平滑；
7、步骤六：对采样点两两配对，基于强度值比较形成二进制比特串，选取方差值最大的前m个配对方式，建立m维描述子，对特征进行描述；
8、步骤七：基于汉明距离进行搜索匹配，并使用ransac算法去除误匹配点对。
9、步骤一中构建尺度空间包括：构造n个octave层(用ci表示)和n个intra-octave层(用di表示)，其中i＝{0,1,...,n-1}，n为正整数；octave层的产生：c0层就是原图像，c1层是c0层的2倍下采样，c2层是c1层的2倍下采样，以此类推；intra-octave层的产生：d0层是原图像的1.5倍下采样，d1层是d0层的2倍下采样，d2层是d1层的2倍下采样，以此类推。
10、步骤一中fast特征点的检测包括：使用fast方法进行快速特征点检测，在检测点以3像素为半径的圆上的16个像素，存在连续h个像素以上与检测点灰度差值超过设定阈值，则初步认定为特征点，其中h为正整数。
11、步骤二中特征点筛选包括：首先进行非极大值抑制即特征点所在位置空间及上下相邻层尺度空间邻域点中，特征点的fast得分值若最大，则保留此特征点；其次计算特征点邻域当前层灰度熵及相邻层灰度熵，层间差熵大于设定阈值则保留此特征点。
12、步骤三具体包括：对特征点所在层及相邻上下层的fast得分值进行二维二次函数插值得到真正意义上的得分极值点及其精确的坐标位置；再对尺度方向进行一维插值，得到极值点所对应的尺度。
13、步骤四具体包括：以特征点为原点建立坐标系，在特征点邻域d定义图像的矩为：
14、
15、其中x,y为像素横纵坐标，i(x,y)为点(x,y)对应灰度值，则可得邻域质心及特征点方向：
16、
17、步骤五具体包括：对特征点确定一定大小邻域，旋转这个邻域到主方向；以特征点为中心，按人眼视网膜模式构造n个同心圆，每个同心圆上均匀采k个点，加上特征点共n*k+1个点，根据采样点距离特征点的距离对每个采样点划分感受野，采用不同尺度的高斯核函数与采样点邻域卷积，进行平滑处理。对外圈核函数尺度较大的情况可以利用卷积与fft之间的性质关系以提升运算速度：
18、
19、其中表示卷积运算，f[*]表示傅里叶运算，因此我们可以按如下方式计算卷积：
20、
21、步骤六中，按一定顺序将采样点两两配对，以平滑后采样点的强度值进行点对比较，形成二进制比特串f：
22、
23、其中pa是一对采样点的感受野，n是描述子的维度，且
24、
25、其中表示采样点对pa中的第一个采样点平滑后强度。统计特征点的采样点对匹配描述后的方差，选取方差最大的前m对点对匹配方式，生成长度为m位的二进制比特串作为特征点描述子。
26、步骤七中，特征点匹配是一种在高维空间计算向量相似度的过程，以汉明距离为度量函数，采用比值法即查询向量与次邻近向量和最邻近向量距离比值小于设定阈值才认为它们之间存在匹配关系；对于存在的误匹配点，使用ransac算法处理粗配准后的特征点匹配集合，经过迭代计算，满足模型的匹配点对保留，不满足模型的匹配点对剔除。
27、本专利技术提供一种基于oriented fast特征改进的freak图像配准方法，在尺度空间使用oriented fast方法进行特征点检测，既保留了特征的尺度不变性，同时ofast方法保有探测速度及旋转不变性，引入特征点筛选及精准定位方法，非极大值抑制及差熵法能有效去除无效特征点数量，为特征点描述节约时间，再通过改进的freak方法对特征点进行描述子生成，以人眼视网膜模式对特征点邻域采样，使用fft算法对高斯卷积过程进行优化提速，以提升描述子建立速度，在特征搜索匹配部分使用汉明距离进行搜索并使用ransac方法去除误匹配点对。
本文档来自技高网...【技术保护点】
1.一种基于Oriented FAST特征改进的FREAK图像配准方法，其特征在于，包括以下步骤：
2.根据权利要求1所述方法，其特征在于：步骤一中构建尺度空间包括：构造n个ci层和n个di层，其中i＝{0,1,...,n-1}，n为正整数；所述c0层是原图像，c1层是c0层的2倍下采样，c2层是c1层的2倍下采样，以此类推；d0层是原图像的1.5倍下采样，d1层是d0层的2倍下采样，d2层是d1层的2倍下采样，以此类推。
3.根据权利要求1所述方法，其特征在于：步骤一中FAST特征点的检测包括：使用FAST方法进行快速特征点检测，在检测点以一指定像素为半径的圆上的若干个像素，存在连续h个像素以上与检测点灰度差值超过设定阈值，则初步认定为特征点，其中h为正整数。
4.根据权利要求1所述方法，其特征在于：步骤二中特征点筛选包括：首先进行非极大值抑制即特征点所在位置空间及上下相邻层尺度空间邻域点中，特征点的FAST得分值若最大，则保留此特征点；其次计算特征点邻域当前层灰度熵及相邻层灰度熵，层间差熵大于设定阈值则保留此特征点。
5.根据权
6.根据权利要求1所述方法，其特征在于：步骤四具体包括：以特征点为原点建立坐标系，在特征点邻域D定义图像的矩为：
7.根据权利要求1所述方法，其特征在于，步骤五具体包括：对特征点确定一定大小邻域，旋转这个邻域到主方向；以特征点为中心，按人眼视网膜模式构造n个同心圆，每个同心圆上均匀采k个点，加上特征点共n*k+1个点，根据采样点距离特征点的距离对每个采样点划分感受野，采用不同尺度的高斯核函数与采样点邻域卷积，进行平滑处理。对外圈核函数尺度较大的情况可以利用卷积与FFT之间的性质关系以提升运算速度：
8.根据权利要求1所述方法，其特征在于：步骤六中，按一定顺序将采样点两两配对，以平滑后采样点的强度值进行点对比较，形成二进制比特串F：
9.根据权利要求1所述方法，其特征在于：步骤七中，特征点匹配是一种在高维空间计算向量相似度的过程，以汉明距离为度量函数，采用比值法即查询向量与次邻近向量和最邻近向量距离比值小于设定阈值才认为它们之间存在匹配关系；对于存在的误匹配点，使用RANSAC算法处理粗配准后的特征点匹配集合，经过迭代计算，满足模型的匹配点对保留，不满足模型的匹配点对剔除。
...【技术特征摘要】
1.一种基于oriented fast特征改进的freak图像配准方法，其特征在于，包括以下步骤：
2.根据权利要求1所述方法，其特征在于：步骤一中构建尺度空间包括：构造n个ci层和n个di层，其中i＝{0,1,...,n-1}，n为正整数；所述c0层是原图像，c1层是c0层的2倍下采样，c2层是c1层的2倍下采样，以此类推；d0层是原图像的1.5倍下采样，d1层是d0层的2倍下采样，d2层是d1层的2倍下采样，以此类推。
3.根据权利要求1所述方法，其特征在于：步骤一中fast特征点的检测包括：使用fast方法进行快速特征点检测，在检测点以一指定像素为半径的圆上的若干个像素，存在连续h个像素以上与检测点灰度差值超过设定阈值，则初步认定为特征点，其中h为正整数。
4.根据权利要求1所述方法，其特征在于：步骤二中特征点筛选包括：首先进行非极大值抑制即特征点所在位置空间及上下相邻层尺度空间邻域点中，特征点的fast得分值若最大，则保留此特征点；其次计算特征点邻域当前层灰度熵及相邻层灰度熵，层间差熵大于设定阈值则保留此特征点。
5.根据权利要求1所述方法，其特征在于：步骤三具体包括：对特征点所在层及相邻上下层的fast得分值进行二维二次函数插值得到真正意义上的...
【专利技术属性】
技术研发人员：王伟波，王洪波，褚巍，
申请(专利权)人：哈工大机器人中山无人装备与人工智能研究院，
类型：发明
国别省市：
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。