一种图像的局部特征描述方法技术

本发明专利技术公开了一种图像的局部特征描述方法，对通过尺度不变特征提取方法提取到的特征点进行特征流形描述。该方法对特征点的局部区域进行一系列仿射变换，相应地在每个变换图像上提取特征点的尺度不变特征描述向量，从而形成特征向量集合，进而通过线性子空间组合来模拟该特征向量集合，作为特征流形的特征描述符。所述的特征描述方法包括以下步骤：提取特征点的局部区域图像、对局部图像进行系列变换、对每个变换图像的特征点提取尺度不变特征描述、形成特征向量集、采用线性子空间逼近特征向量集、生成特征描述符。该方法的输入是图像和一系列用坐标位置表示的特征点，输出则是由多个线性子空间表示的特征描述。

【技术实现步骤摘要】

本专利技术涉及计算机图像的处理方法，特别是一种具有较强描述性和区分力的图像局部特征描述方法。
技术介绍
图像的局部特征描述是计算机视觉与图像处理等领域研究的基本问题和热点问题，一个描述性强、具有较好不变性和区分度的图像局部特征描述方法在图像配准与拼接、 目标跟踪、物体识别和图像检索等方面具有应用。相对于整体特征，局部特征标记出了图像中的重要区域，将图像信息用这些区域来表示，能够在表示图像局部重要信息的同时，节约应用时的计算量。传统的局部特征描述如尺度不变特征SIFTGcale Invariant Feature Transformation)等，一般采用编码图像局部信息的向量来表征图像局部信息，有着良好的平移不变性、旋转不变性、尺度不变性。但近年来的研究表明，传统局部特征描述针对图像拍摄视点仿射变换的不变性范围相当有限，这严重限制了局部特征描述符在图像配准和拼接等领域的应用。
技术实现思路
专利技术目的本专利技术所要解决的技术问题是针对现有技术的不足，提供。为了解决上述技术问题，本专利技术公开了一种图像的局部特征流形表示方法，包括以下步骤步骤1，提取特征点周围的局部区域图像一般情况下，局部区域取为以该特征点为中心，固定宽和高的正方形图像区域。步骤2，对局部图像进行一系列复合变换，复合变换由三种基础变换依次组合而成，三种基础变换是缩放变换、旋转变换和错切变换，改变各变换的参数，构造一系列变换图像；步骤3，对每个变换图像的特征点提取尺度不变特征描述；步骤4，形成特征向量集将针对每个变换图像的特征点提取的特征描述向量排列在一起，构成特征向量集；步骤5，采用线性子空间逼近特征向量集针对该特征向量集，运用主元分析提取特征向量集的特征主元向量；步骤6，生成特征描述符将特征主元向量联结在一起，构成特征描述符。本专利技术中，所述步骤1以特征点为中心，提取一个高和宽分别为50X50的正方形局部图像区域；可以根据图像的大小以及特征点在图像中的位置，适当调整特征点周围局部图像区域的大小。本专利技术中，所述步骤2包括以下步骤步骤21，首先对局部图像区域进行缩放变换，得到三张缩放图像，其宽和高分别为原局部图像的1半，1倍和2倍；如果原始局部图像区域分辨率为50X50，则三张缩放图像分别为 25X25,50X50 和 100X100 ；步骤22，其次对三张缩放图像分别进行旋转变换，旋转的角度为顺时针30、60、 90、120、150、180、210、240、270、300 和 330 度，得到一系列旋转图像；步骤23，再次对旋转图像分别进行错切变换，错切变换涉及到对图像横和纵坐标的缩放，缩放参数取值范围均是{-1，0，1}，改变横向和纵向缩放的参数共产生9种错切变换。本专利技术中，所述步骤3 使用 SIFTGcale Invariant Feature Transformation)算法对每张变换图像的中心点提取其一个1 维的尺度不变特征描述向量，该向量包括所描述区域的尺度、所描述区域的主梯度方向和描述子矢量。SIFT算法的具体内容可参见维基百科关于尺度不变特征提取的阐述或作者David G.Lowe的原论文。本专利技术中，所述步骤4中，每张变换图像的中心点均有一个1 维的尺度不变的特征描述向量，将这些特征向量按照行序排列，即构成一个完整的特征向量集合。本专利技术中，所述步骤5使用PCA主元分析方法对特征向量集合进行降维，可以人为设定降维的维度，假设降维的维度为N，则提取出N个特征主元向量，一般N的取值为5。主元分析PCA(Principal component analysis)是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化，可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构，关于其算法的具体内容可参见维基百科关于主元分析的阐述。本专利技术中，所述步骤6将步骤51提取到的N个特征主元向量作为原始局部特征点的特征流形表示。有益效果本专利技术的显著优点是在描述图像局部区域特征时，特征流形对视角变换的适应性要明显好于传统的局部特征点。传统的局部特征点虽然能很好的适应平移变换、旋转变换、尺度变换，但是对视角变换的适应性并不好，局部特征点只能保证在一定小范围内的图像变换稳定性。本专利技术提出了特征流形来扩大局部特征点对视角变换的适应范围。特征流形是建立在局部特征点之上，通过构造适当个数的多个视角下该特征点的描述， 从而获得了该特征点的全视角完备描述。相对于传统的局部特征描述方法，采用本专利技术提出的特征流形来表示局部特征，在进行图像匹配时，图像的匹配准确性会更高，这极大地提高了图像的特征匹配率。附图说明下面结合附图和具体实施方式对本专利技术做更进一步的具体说明，本专利技术的上述和 /或其他方面的优点将会变得更加清楚。图1为本专利技术方法的基本流程图。图2为一个特征点的局部图像区域。图3为经过变换后生成的部分结果图像。图4为所得到的特征描述集合中的部分特征向量。图fe和图恥为牛津大学的一个研究小组公开发布的两幅视角变化的图像。图6为采用基于特征流行的特征匹配算法与采用基于原始尺度不变特征SIFT的特征匹配算法作用与图5的亮度图像得到的精确度和召回率曲线图。 具体实施例方式具体地说，如图1所示，本专利技术公开了，包括以下步骤步骤1，提取特征点周围的局部区域图像一般情况下，局部区域取为以该特征点为中心，固定宽和高的正方形图像区域。步骤2，对局部图像进行一系列复合变换复合变换由缩放变换、旋转变换和错切变换三种基础变换依次组合而成，首先施加缩放变换，然后是旋转变换，最后施加错切变换。改变各变换的参数，构造一系列变换图像；步骤3，采用SIFT特征描述方法，对每个变换图像的特征点提取尺度不变特征描述；步骤4，形成特征向量集将针对每个变换图像的特征点提取的特征描述向量排列在一起，构成特征向量集；步骤5，采用线性子空间逼近特征向量集针对该特征向量集，运用主元分析提取特征向量集的特征主元向量；步骤6，生成特征描述符将特征主元向量联结在一起，构成特征描述符。所述步骤1包括以下步骤采用SIFT算法提取输入图像的特征点，对每一个特征点，以该特征点为中心，提取一个高和宽分别为50X50的正方形局部图像区域；可以根据图像的大小以及特征点在图像中的位置，适当调整特征点周围局部图像区域的大小。SIFT算法的具体内容可参见维基百科关于尺度不变特征提取的阐述或作者David G. Lowe 的原论文 David G.Lowe," Distinctive Image Features from Scale-Invariant Keypoints, " (International Journal of Computer Vision. 2004, pp.60 :91-110)。所述步骤2包括以下步骤步骤21，首先对原始特征点的局部区域图像进行缩放变换缩放变换将每一点的横和纵坐标缩小或放大至s倍，变换矩阵为I" - c C']I. d-l·. . : 参数s取值范围是{1/2，1，2}。经过缩放变换后，得到三张结果图像，其分辨率的横和宽分别为原局部区域图像的一半25 X 25、，一倍50X50和两倍100X100 ；步骤22，进而对三张经过缩放变换的结本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：郭延文，陈晔，汤锋，
申请(专利权)人：南京大学，
类型：发明
国别省市：