[发明专利]一种基于混合特征的可见光与红外异源图像识别方法

说明书

技术领域

本发明属于计算机视觉技术领域，特别涉及一种基于混合特征的可见光与红外异源图像识别方法。

背景技术

图像匹配技术最初是由美国提出的，从20世纪70年代开始，美国开始从事飞行器辅助导航系统、武器投射系统的制导及搜索等应用的研究。目前，这项技术的应用已经逐渐从最初的军事应用扩展到计算机视觉、医学诊断、目标识别、异源图像中的目标定位和跟踪等领域。图像匹配技术分为同源图像匹配和异源图像匹配，分类依据是图像是否是由同类成像设备获得。异源图像间的灰度信息差距较大，大多数同源图像匹配技术在异源图像匹配中使用效果不佳，因此急需研究鲁棒性高的异源图像匹配算法。

基于特征的图像匹配方法常常通过提取图像中的点特征、线特征等进行匹配。特征是对图像信息更高层次的描述，可以在异源图像中稳定存在，因此，基于特征的图像匹配方法常用于异源图像间的匹配，也成为国内外在该领域中研究的主要方向。基于特征的图像匹配算法不直接对灰度信息进行采集处理，而是通过提取图像上有代表性的特征信息，如点特征、线特征等，进行相似性度量完成图像匹配。由于异源图像中检测到的特征点一般含有较多的干扰点，因此需要鲁棒性较强的点特征匹配算法。与点特征相比，线特征在异源图像中表现得更加稳定，因此线特征在异源图像匹配中应用也较为广泛。

在国内外，诸多的科研院所和研究单位对异源图像匹配算法进行了大量研究，取得了一定的进展。国外，相关文献对基于点特征或基于互信息的匹配算法进行改进实现了异源图像的匹配。国内，相关文献直接利用边缘匹配算法或使用形状上下文描述符实现了可见光与红外图像的匹配。总的来说，上述异源图像匹配算法的实现较为复杂，算法效率和匹配正确率还有待提高。

发明内容

本发明的目的，在于提供一种基于混合特征的可见光与红外异源图像识别方法，其可有效实现可见光图像与红外图像的匹配，并提高算法效率和匹配准确率。

为了达成上述目的，本发明的解决方案是：

一种基于混合特征的可见光与红外异源图像识别方法，包括如下步骤：

步骤1，利用基于改进最大类间方差法的自适应canny算子提取边缘信息，获取可见光图像V和红外图像I的边缘图像V'和I'；

步骤2：对可见光图像V和红外图像I的边缘图像V'和I'进行多尺度FAST特征检测，即分别利用不同参数值的高斯函数与边缘图像V'和I'进行卷积，生成不同尺度的图像集合S₁和S₂，对图像集合S₁和S₂中所有的子图像都采用FAST特征检测法获取特征点，最后汇集为V'和I'上的特征点点集D₁和D₂，依据灰度质心法获得特征点的主方向；

步骤3：分别对V'和I'的特征点点集D₁和D₂进行ORB特征描述，根据最近次临近原则，采用汉明距离度量特征点间的相似性进行粗匹配，分别获得V'和I'的粗匹配特征点点集D₁'和D₂'；

步骤4：根据V'和I'的粗匹配特征点点集D₁'和D₂'，利用改进RANSAC算法剔除D₁'和D₂'中的错误匹配点对，在可见光图像和红外图像中展现出结果。

上述步骤1中，基于改进最大类间方差法的自适应canny算子的具体实现形式是：

首先，采用一维高斯滤波函数G(x)分别按行和列对原始图像A进行卷积操作得到平滑图像A'；

其中，σ为高斯函数的标准差；

其次，计算每个像素的梯度幅值和梯度方向，采用2×2邻域一阶偏导的有限差分H₁、H₂分别对平滑图像A'进行卷积计算A'中各点两个方向的像素梯度d_x(x,y)和d_y(x,y)，获得平滑图像A'的梯度幅值M(x,y)和梯度方向θ(x,y)，其中：代表卷积操作；

θ(x,y)＝arctan(d_y(x,y),d_x(x,y))

接着，在3×3的邻域中比较平滑图像A'的梯度幅值M(x,y)，若邻域中心点的梯度幅值M(x,y)比沿其梯度方向θ(x,y)上的两个相邻点幅值大，则初步将其判别为可能的边缘点，否则将其M(x,y)赋值为零，判别为非边缘点；