[发明专利]增强图像特征二值描述子性能的方法

说明书

技术领域

本发明涉及计算机视觉图像特征识别技术，尤其涉及一种图像特征描述方法。 

背景技术

特征描述子是广泛应用于计算机视觉的图像特征识别方法，如视觉搜索、3D重构、场景拼接及相机定位等。这些应用要求局部特征描述子具有能适应图像尺度、旋转、模糊、光度和压缩等变化的性能，而且具有实时性。 

最初采用浮点方式描述图像特征。虽然浮点型图像特征描述子对图像变换具有一定的鲁棒性，但非常好用计算时间和内存，所以后来学者们采用二值方式描述图像特征。 

较早的图像特征二值描述方法是BRIEF，由瑞士洛桑联邦理工学院的Calonder等人提出。BRIEF是根据少量成对像素灰度值的比较结果能对图像补丁(特征点周围小块领域)有效地分类的思想提出的，在补丁内随机取两个像素点作灰度值比较测试，根据多次测试的结果来表征补丁的独特性和描述性。尽管最初的BRIEF(又称U-BRIEF)描述子简单，速度快，但是对图像旋转和尺度变化很敏感，所以后来有许多BRIEF的改进版，如(O,S)-BRIEF分别从旋转和尺度等方面改进，D-BRIEF是通过建立数据库模板达到旋转和尺度的不变性。 

也有学者从筛选测试点对角度提出二值描述子。美国WillowGarage公司的Rublee等人分析了有向BRIEF特征的方差和关联性，提出一个学习方法从测试队列中剔除了关联的测试，由此获得了对旋转不变的、抗噪性能强的二值描述子ORB；苏黎世国家自动化系统实验室的Leutenegger等人用AGAST检测特征点，通过设计一个采样模式获取特征点对，比较像素点灰度值而获得二值描述子BRISK；瑞士洛桑联邦理工学院的Alahi等人构建类似视网膜神经的视网膜采样模式，从训练数据库里学习最好的采样点对进行比较测试，得到二值描述子FREAK。 

还有学者从机器学习角度提出二值描述子。瑞士洛桑联邦理工学院的Trzcinski等人试图通过弱学习确定描述子每个位的值，改进二值描述子的鲁棒性；Brown等人开发了从训练数据里学习得到局部图像描述子；国防科技大学的蔡红萍等等人通过线性独特投影减少局部图像描述子的维数，增加描述子的独特性；瑞士洛桑联邦理工学院 的Strecha等人从样本中学习描述子的异同点，以更短的二值串来表示描述子。 

以上二值描述子构建时间较长，在应用中图像特征识别的实时性较差，而且这些二值描述子多因为对各种图像转换鲁棒性低而限制了它的广泛应用。 

综上所述，目前众多的特征描述算法要么注重性能，但描述子构建都很耗时；要么注重计算速度。但可靠性和鲁棒性差，特别是对图像旋转和尺度变化表现很差。理想的图像特征描述子能捕获到特征点显著区域的重要且独特的信息，而且能依据这些信息识别出具有同样结构的显著区域。更重要的是，在确保图像特征描述性能的情况下，特征描述的速度要尽可能的快，以达到实时性要求。 

发明内容

为了克服现有技术的不足，本发明提供一种基于新的采样模式增强图像特征二值描述子性能的方法，除具有速度快的特点外，还增强了图像在各种变化条件下的鲁棒性，能够实现高质量高速度的特征匹配。 

本发明解决其技术问题所采用的技术方案包括以下步骤： 

1.确定特征点方向方法，步骤如下： 

步骤1.1：对图像p采用SURF方法检测出特征点的位置和图像p的尺度s； 

步骤1.2：在以特征点为中心、6s为半径的区域内对所有像素点进行高斯平滑去噪声处理； 

步骤1.3：在所述区域内计算出沿图像p方向上的两个矩m_x，m_y，