一种基于p-SIFT特征的物体识别方法技术

本发明专利技术提出了一种基于p-SIFT特征的物体识别方法，其包括模板库训练阶段和测试图片匹配阶段，其中，模板库训练阶段包括步骤：对模板库中的每一张训练图片分别计算SIFT特征点，得到特征矩阵；计算所述特征矩阵的协方差矩阵，得到p-SIFT特征描述子；测试图片匹配阶段包括步骤：计算测试图片的SIFT特征矩阵；计算测试图片与模版库训练图片的特征矩阵相似度。本发明专利技术的p-SIFT特征描述的是特征点的区域相关性和方向相关性，使得特征点从绝对位置、绝对方向变为相对位置、相对方向，提高了识别正确率。

【技术实现步骤摘要】

本专利技术涉及计算机视觉
，特别涉及适用于需要平衡识别准确率和计算复杂度的实时2D或3D物体识别应用场景的基于p-SIFT特征的物体识别方法。
技术介绍
目前，2D或3D图片中的刚性物体识别越来越广泛地应用于各类计算机视觉算法中并已开发出很多相关的应用系统，例如工业生产中的次品检测、交通路口的车牌识别以及互联网的图片检索等。在衡量物体识别算法优劣时，识别准确率和计算复杂度是两个重要的指标，通常识别准确率的提高是以引入更多的特征来实现的，这同时会带来计算复杂度的提升，即识别准确率和计算复杂度是一对相互矛盾的指标。而现今应用场景却越来越复杂，例如复杂的背景、光线的明暗变化、其他物体的遮挡或多物体的识别等等，这些应用场景的复杂化导致了识别算法必须引入更多更细致的特征或者在同一场景中结合多种识别算法，这在保证识别准确率的前提下势必导致计算复杂度的提升，影响实时系统的运行速度。在软件算法层面上，这些应用场景的出现对平衡高的识别准确率和低的计算复杂度提出了新的挑战。要实现高的识别准确率和低的计算复杂度，必须首先清楚地了解物体识别算法的构成。一个完整的物体识别算法包括特征描述和特征匹配两部分，而大部分算法的特征描述部分又可以分为特征点提取和描述子计算，鲁棒性良好的特征点、简单且分辨率高的描述子、快速准确的匹配方法对于改善识别准确率和降低计算复杂度都有不同程度的贡献，因此想要改善算法的性能，可以从特征点提取、描述子计算和特征匹配方法三个方面着手。David G. Lowe 等人(Distinctive Image Features from Scale-InvariantKeypoints, International Journal of Computer Vision, 2004)提出了基于 SIFT(Scale-Invariant Feature Transform,尺度不变特征变换)特征的物体识别算法，该算法 将局部的灰度值极值点作为物体的特征点，将该特征点周围16个子区域像素的梯度8-方向直方图作为描述子并用欧式距离的二阶匹配作为匹配方法。该算法在特征点提取时，利用不同尺度系数的高斯滤波器构建了一系列的尺度空间，并在所有的尺度空间中寻找上述极值点，从而实现了尺度不变性；在描述子计算时，先将2D图片旋转到其主方向后统计梯度方向直方图，从而实现了旋转不变性，这两个不变性使得该算法对不同的应用场景具有良好的鲁棒性，能实现很高的识别准确率。但是其识别准确率的提高是以高的计算复杂度为代价的，其在构建高斯尺度空间、统计梯度方向直方图时花费了很大的计算量，而得到的128维描述子在特征匹配阶段也带来了大量的计算，这在很大程度上限制了该算法的应用。为了继承SIFT算法的高识别率同时降低计算复杂度，Yan Ke等(PCA_SIFT:A MoreDistinctive Representation for Local Image Descriptors， IEEE Computer SocietyConference on Computer Vision and Pattern Recognition，2004)提出了基于 SIFT特征的改进算法一PCA-SIFT。该算法利用K-L变换的原理将SIFT描述子投影到一个新的向量空间中，而该向量空间是经过主成分分析筛选后的特征空间，实现了降低描述子维数的目的。虽然该算法能有效地降低计算量，但是其存在两个问题，一是其特征空间的不完备性使得特征点的区分度相较SIFT有所下降从而影响了识别正确率，二是其训练过程不易扩展。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于P-SIFT特征的物体识别方法。为了实现本专利技术的上述目的，本专利技术提供了一种基于p-SIFT(PiOminent SIFT，显著的尺度不变特征变换)特征的物体识别方法，其包括模板库训练阶段和测试图片匹配阶段，所述模板库训练阶段包括如下步骤SI :分别计算模板库中M张训练图片中的每一张训练图片的SIFT特征点，得到M个特征矩阵，所述M为正整数； S2 :计算所述每一个特征矩阵的协方差矩阵，得到p-SIFT特征描述子；所述测试图片匹配阶段包括如下步骤S3 :计算测试图片的SIFT特征矩阵；S4 :计算测试图片与模版库M张训练图片的特征矩阵相似度。本专利技术的p-SIFT特征描述的是特征点的区域相关性和方向相关性，使得特征点从绝对位置、绝对方向变为相对位置、相对方向，提高了识别正确率。在本专利技术的一种优选实施例中，所述模板库训练阶段还具有以下步骤利用主成分分析，减少p-SIFT特征描述子个数。在本专利技术的另一种优选实施例中，选取包含不少于90%信息量的特征值和特征向量的p-SIFT特征描述子。本专利技术利用主成分分析的思路，选取信息量大的特征值和特征向量对作为p-SIFT描述子，使得描述子数量下降到原有的一半。在本专利技术的一种优选实施例中，采用测试图片的特征矩阵在当前训练图片的L个p-SIFT特征向量上的投影P1=AX μ i与T1=A iX μ I的欧式距尚之和度量特征矩阵的相似度，其中，A为测试图片的特征矩阵，U1为当前训练图片的第I个p-SIFT特征向量，XJ当前训练图片第I个特征值，1=1，2，…，L，L是当前训练图片的p-SIFT特征点的个数。在本专利技术的另一种优选实施例中，所述测试图片匹配阶段的步骤S4之后还具有以下步骤在所述特征矩阵相似度中引入权值。在本专利技术的再一种优选实施例中，在所述特征矩阵相似度中弓I入权值的方法为本文档来自技高网...

【技术保护点】
一种基于p？SIFT特征的物体识别方法，其特征在于，包括模板库训练阶段和测试图片匹配阶段，所述模板库训练阶段包括如下步骤：S1：分别计算模板库中M张训练图片中的每一张训练图片的SIFT特征点，得到M个特征矩阵，所述M为正整数；S2：计算所述每一个特征矩阵的协方差矩阵，得到p？SIFT特征描述子；所述测试图片匹配阶段包括如下步骤：S3：计算测试图片的SIFT特征矩阵；S4：计算测试图片与模版库M张训练图片的特征矩阵相似度。

【技术特征摘要】
1.一种基于P-SIFT特征的物体识别方法，其特征在于，包括模板库训练阶段和测试图片匹配阶段，所述模板库训练阶段包括如下步骤 51:分别计算模板库中M张训练图片中的每一张训练图片的SIFT特征点，得到M个特征矩阵，所述M为正整数； 52:计算所述每一个特征矩阵的协方差矩阵，得到p-SIFT特征描述子； 所述测试图片匹配阶段包括如下步骤 53:计算测试图片的SIFT特征矩阵； 54:计算测试图片与模版库M张训练图片的特征矩阵相似度。2.如权利要求I所述的基于P-SIFT特征的物体识别方法，其特征在于，所述模板库训练阶段的步骤S2之后还具有以下步骤利用主成分分析，减少P-SIFT特征描述子个数。3.如权利要求2所述的基于p-SIFT特征的物体识别方法，其特征在于，选取包含不少于90%信息量的特征值和特征向量的p-SIFT特征描述子。4.如权利要求I所述的基于P-SIFT特征的物体识别方法，其特征...

【专利技术属性】
技术研发人员：尹首一，张杰男，欧阳鹏，刘雷波，魏少军，
申请(专利权)人：清华大学，
类型：发明
国别省市：