[发明专利]基于FPGA的卷积与时序优化的图像关键点检测的方法

说明书

技术领域

本发明涉及图像处理技术领域。

背景技术

尺度不变特征转换(Scale Invariant Feature Transform,SIFT)是一种同时具有平移、旋转、尺度不变性的特征点检测和匹配算法，对光照和仿射变换也具有一定程度的鲁棒性，因而成为计算机视觉中一种著名的算法。此算法是由David G.Lowe于2004年提出的。利用SIFT算法获取图像特征的主要计算步骤如下：

步骤一：尺度空间极值检测：第一步是在全部尺度范围进行搜索，通过高斯差分方法获得潜在的尺度、方向不变的关键点。

步骤二：关键点定位：在每个关键点上都应用一个详尽的模版确定最终的位置与尺度。关键点根据测量它们的稳定性来选择。

步骤三：关键点方向分配：高斯差分图像的梯度幅值与方向可以通过每个特征点各自的尺度决定，所有接下来的步骤都是在已知转换图像的方向、尺度以及位置的基础上完成的，从而提供这些变换的不变性。

步骤四：生成特征描述子：已知图像的梯度可以在已选的每一个关键点的邻域内进行测量，换言之，可以允许大范围的局部形状畸变和亮度变化。

现有的实现方法基本都是基于软件的操作，由于SIFT算法计算量、存储量巨大，使该算法对图像处理的实时性难以保证。故合理地结合硬件方法进行处理是非常有必要的。

发明内容

本发明是为了解决现有的基于软件的图像特征点检测方法由于计算量大导致无法实时进行图像处理的问题，从而提供一种基于FPGA的卷积与时序优化的图像关键点检测的方法。

本发明所述的基于FPGA的卷积与时序优化的图像关键点检测的方法，该方法的步骤为：

步骤一、构建高斯金字塔：

采用标准差σ不同的高斯函数G(x,y,σ)分别对待检测图像进行卷积处理，构造高斯尺度空间函数L(x,y,σ)，将高斯尺度空间划分为O组，每组分为s层；其中，x和y分别为高斯函数的自变量和变量；O、s均为正整数；

采用标准差σ不同的高斯函数G(x,y,σ)分别对待检测图像进行卷积处理的方法为：

利用高斯核可分离的特性利用FPGA处理器，将二维卷积转化为横纵两个一维卷积对图像进行处理；二维高斯核分解成为横纵两个一维高斯函数的卷积通过公式：

G(x,y,σ)＝h(x,σ)*v(y,σ)

h(x,σ)=12πσexp[-x22σ2]]]>

v(y,σ)=12πσexp[-y22σ2]]]>

并采用基于FPGA的行卷积模块对待检测图像进行行卷积处理，再经行列转换模块对行卷积图像信息进行转换，转换后的图像信号经基于FPGA的列卷积模块对图像信息的列卷积处理；

步骤二、构造差分高斯尺度空间函数；