[发明专利]一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法

说明书

技术领域

本发明属于计算机视觉技术、视频技术领域，具体涉及一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法。

背景技术

局部特征是图像内部的局部结构，一般具备如下性质：遮挡、尺度、旋转等复杂变化下的可重复性和不变性；特征定位的准确性；区分于其他特征的特异性；特征数目具备一定的数量性。对于局部特征的研究主要包含局部特征检测、局部特征描述和局部特征匹配3个方面的内容。首先，通过局部特征检测算法对图像区域的兴趣点进行定位，同时得到相应的特征描述信息(如尺度、主方向)；在此基础上，在兴趣点的局部邻域内对特征进行描述，以向量描述子等形式来表达局部特征；最后，利用向量描述子匹配等方式，在不同图像间建立相同局部特征的对应关系。

目前，SURF(Speed-up Robust Feature，加速鲁棒特征)特征是应用较多且效果较为理想的局部特征之一，主要引入积分图像快速算法，并通过执行加减法运算近似得到高斯二阶微分的响应值。SURF算法主要包括特征检测和特征描述两方面。特征检测通过快速计算每个特征的尺度和主方向，并且圈定以检测点为中心的尺度旋转不变对称邻域；特征描述在该不变性邻域内进行Haar特征(哈尔特征)计算，并最终形成64维特征向量。不同图像之间的SURF特征匹配主要是通过比较特征向量之间的距离实现的。

SURF特征提取利用积分图像计算Hessian矩阵行列式，再通过选取极值来定位。具体地，对图像I上点x＝(x,y)处，尺度s的Hessian矩阵H(x,s)表示为：

以L_xx(x,s)为例，代表高斯函数二阶导数在x＝(x,y)处与图形I的卷积，具体用方格滤波器(box filter)D_xx来近似。通过引入相关权重w，实现对Hessian矩阵行列式的平衡：

det(H_approx)＝D_xxD_yy-(wD_xy)²(2)

w≈0.9(3)

其中，det(H_approx)是二维矩阵行列式，D_yy-和D_xy分别表示不同方向的二阶高斯差分模板。

对于SURF特征检测，建立尺度空间不需要改变原图像尺寸，而是通过调整方格滤波器的尺寸来实现，与原图像在进行卷积计算.将方格滤波器的近似表示和积分图像结合提升计算效率，计算滤波器模板尺寸归一化det(H_approx)。

通过不同尺寸方格滤波器形成的层(octave)就是对尺度空间的表达。兴趣点的定位是以候选点为中心的图像和包括尺度空间在内的3×3×3邻域内执行非极大值抑制策略，将具有最大或最小值的对应点作为特征点，同时得到尺度s。

SURF特征的旋转不变性是通过求取主方向(dominant orientation)实现的，求解过程仍然利用了积分图像的计算优势。在以特征点为圆心、6σ为半径的圆内，按步长σ计算相应像素的Haar小波响应，同时进行尺度归一化和高斯平滑，得到x方向的响应d_x和y方向的响应d_y，再映射到极坐标当中，如图1所示。在π/3的扇形滑动区域内对d_x和d_y进行统计，记录当前窗口i的矢量(w_i,θ_i)：

将区域内最长向量的角度θ作为主方向：

以特征点为中心，沿主方向取一个尺寸为20s的矩形窗口，如图2所示。将20s的窗口划分成4×4子窗口，每个子窗口中有5s×5s个像元。使用尺寸为2s的Haar小波对子窗口图像进行其响应值计算，共进行25次采样，分别得到沿主方向的dy和垂直于主方向的dx。然后，以特征点为中心，对dy和dx进行高斯加权计算，其σ＝3.3s。最后，分别对每个子块的响应值进行统计，得到每个子块的矢量：

V_子块＝[∑dx,Σ|dx|,Σdy,Σ|dy|]。

由于共有4×4个子块，特征描述子共由4×4×4＝64维特征向量组成。在积分图像上先使用水平和垂直的Haar模板求得响应值dx和dy，然后根据主方向旋转dx和dy与主方向保持一致，如图3所示。为了求得旋转后Haar小波响应值，首先要得到旋转前图像的位置。旋转前后图像的位置关系，可以通过点的旋转公式得到：