[发明专利]一种基于边缘率的特征点类型选择方法

说明书

一种基于边缘率的特征点类型选择方法，属于计算机视觉领域。本发明在特征点检测之前，对图像进行结构信息检测与分类，为选用适合图像的特征点类型(斑点或角点)提供依据，解决由于特征点不适合而造成的匹配性能下降甚至失败的问题。对于一幅待匹配图像，利用Canny边缘检测算法计算图像边缘，然后计算边缘率，最后根据边缘率与高低阈值的关系对该图像进行分类：如果边缘率大于高阈值，说明图像结构信息非常明显，采用角点特征；如果边缘率小于低阈值，说明图像结构信息非常不明显，采用斑点特征；如果边缘率介于高低阈值之间，图像特征不明显，斑点或角点皆可使用。本发明快速有效，与现有图像匹配算法相结合，可实现性能更优的图像匹配。

技术领域

本发明涉及计算机视觉领域，特别是涉及一种基于边缘率的特征点类型选择方法。

背景技术

在现有图像匹配算法中，基于局部特征点的方法应用最为广泛。其中，斑点和角点是两种典型的特征点，而SIFT、FAST等众多优秀算法为斑点和角点的检测提供了技术支撑。实际上，对于不同的图像，两种特征点所表现的性能存在着优劣差别。角点适合结构信息明显的图像，因为这些图像包含较多的边缘和交叉角等，也就能够检测到较多的角点。斑点则适合结构信息不明显的图像，这时能检测到较多的斑点，但检测到的角点数目较少，有可能导致图像匹配失败。目前，在图像匹配应用中，人们往往固定使用某一种特征点检测算法，比如，有的采用SIFT算法，就是采用了斑点检测方式，有的采用FAST算法，也就是采用了角点检测方式。有些应用没有做特征点类别的选择，而进行了特征点类别选择的应用，其选择的方式大致有以下两种：一种是在图像匹配前，有关于图像结构特性方面的先验信息，并据此选择斑点或角点；另一种是对小部分图像进行SIFT和FAST匹配测试，选择性能较好的算法对所有的图像进行匹配，也就是通过预匹配测试选择了特征点。

然而，在实际应用如机器人视觉导航中，所采集图像成序列形式，而且景物不断改变，图像的结构信息也就不断改变。这时，如果采用固定的斑点或角点，都可能因为不适合图像特点而导致匹配失败。例如，在Mikolajczyk图像库(见MIKOLAJCZYK K,SCHMID C.Aperformance evaluation of local descriptors,IEEE Transactions on PatternAnalysis and Machine Intelligence,vol.27,no 10,pp.1615-1630,2005)中，boat图像结构信息明显，能检测到的FAST角点数(图1(b))远大于SIFT斑点数(图1(a))。相比而言，bark图像缺乏结构信息，能检测到的FAST角点数(图2(b))远小于SIFT斑点数(图2(a))。而且，bark图像检测到的角点不能实现正确匹配，在用RANSAC剔除错误匹配之后，正确匹配点数等于零。因此，有必要在每幅图像匹配之前，对其结构信息进行智能检测，如果结构信息非常明显，则采用角点特征；如果结构信息非常不明显，采用斑点特征；其他情形下，二者皆可使用，即不必切换算法。

发明内容

本发明提供了一种基于边缘率的特征点类型选择方法，在特征点检测之前，对图像进行结构信息检测与分类，为选用适合图像的特征点类型(斑点或角点)提供依据，解决由于特征点不适合而造成的匹配性能下降甚至失败的问题。

本发明的技术方案是，对于一幅待匹配图像，利用Canny边缘检测算法(见CANNYJ.A computational approach to edge detection.IEEE Transaction on PatternAnalysis and Machine Intelligence,vol.8,no.6,pp.679-698,1986)计算图像边缘，定义边缘率及其高低阈值，根据边缘检测结果计算边缘率，根据边缘率与高低阈值的关系对该图像进行分类：如果边缘率大于高阈值，说明图像的结构信息非常明显，采用角点特征；如果边缘率小于低阈值，说明图像的结构信息非常不明显，采用斑点特征；如果边缘率介于高低阈值之间，图像特征不明显，斑点或角点皆可使用，可继续使用现有特征点检测算法而不必切换。

本发明的具体步骤如下：